پیشگفتار: مقدمه‌ای بر مهندسی پرامپت و مدل‌های زبانی بزرگ

تا حالا برایتان پیش آمده که میان کار روی یک قطعه کد، به مشکلی بر بخورید و به جای جست‌وجوی طولانی در انجمن‌های اینترنتی، پاسخ دقیق را در چند ثانیه از یک دستیار هوش مصنوعی بگیرید؟ این تغییر بزرگ، یعنی گذر از جست‌وجوی سنتی به تعامل مستقیم با هوش مصنوعی، نشان می‌دهد که چگونه فناوری‌های جدید در حال دگرگون کردن شیوهٔ کار ما در حوزه‌های گوناگون هستند. در کتاب «مهندسی پرامپت برای مدل‌های زبانی بزرگ» نوشتهٔ جان بریمن و آلبرت زیگلر، این تحول بنیادین و ابزارهای تسلط بر آن بررسی می‌شود.

مدل‌های زبانی بزرگ قادرند متن تولید کنند، به پرسش‌ها پاسخ دهند، داده‌های ساختاریافته استخراج کنند و متن‌ها را خلاصه سازند، اما چالش اصلی اینجاست که چگونه باید خواسته‌های خود را به زبانی قابل‌فهم برای آن‌ها تبدیل کنیم. مهندسی پرامپت به معنی طراحی و ارزیابی ورودی برای گرفتن خروجی قابل‌اعتماد است و به ما کمک می‌کند تا مشکلات پیچیده را به بسته‌های اطلاعاتی روشنی تبدیل کنیم که مدل زبانی (LLM) بتواند آن‌ها را به درستی پردازش کند. برای نمونه، هنگامی که یک مهندس نرم‌افزار می‌خواهد کدی بنویسد، به جای دستورات مبهم، با ساختاربندی دقیق اطلاعات در قالب یک پرامپت (Prompt)، نتایج بسیار دقیق‌تری دریافت می‌کند.

یکی از پایه‌ای‌ترین اصول مطرح‌شده در این زمینه این است که مدل‌های زبانی در اساس، موتورهای تکمیل متن هستند که الگوهای موجود در داده‌های آموزشی خود را تقلید می‌کنند. این یعنی اگر بخواهیم مدل به شیوهٔ دلخواه ما رفتار کند، باید ورودی خود را به گونه‌ای شکل دهیم که با الگوهای دیده‌شده در داده‌های آموزشی همخوانی داشته باشد. مسئله این است که کاربران اغلب متن‌های بیش از حد پیچیده یا نامشخص به مدل می‌دهند که باعث سردرگمی آن می‌شود. راه‌حل این است که از زبانی شفاف استفاده کنیم و از ایجاد الگوهای کاملاً جدید و غیرمتعارف بپرهیزیم.

بسیاری از مهندسان نرم‌افزار گمان می‌کنند برای کار با مدل‌های هوش مصنوعی باید دانش عمیقی از یادگیری ماشین داشته باشند، در حالی که پیش‌نیاز اصلی، توانایی برنامه‌نویسی و استفاده از رابط برنامه‌نویسی کاربردی API است. پیش‌نیاز دیگر، داشتن توانایی همذات‌پنداری است؛ چرا که برخلاف فناوری‌های پیشین، باید درک کنیم این مدل‌ها چگونه فکر می‌کنند تا بتوانیم آن‌ها را به سمت تولید محتوای مورد نظر هدایت کنیم. برای مثال، برنامه‌نویسی که با طرز کار و محدودیت‌های این مدل‌ها آشناست، درخواست خود را گام‌به‌گام و با جزئیات کافی تنظیم می‌کند تا مدل دچار خطای کمتری شود.

در بخش‌های مختلف این کتاب، تکنیک‌های متنوعی از سطح مبتدی تا پیشرفته ارائه می‌شود؛ از جمله نحوهٔ جستجوی اطلاعات زمینه و سازماندهی آن‌ها در یک قالب مشخص تا پیاده‌سازی چرخه‌ها و جریان‌های کاری پیشرفته برای ساخت عامل‌های گفتگومحور. این ساختارها کمک می‌کنند تا برنامه‌های کاربردی هوشمندی بسازیم که فراتر از یک پاسخ ساده عمل کنند و فرآیندهای پیچیده‌تری را به انجام برسانند. برای مثال، در توسعهٔ سیستم‌های پیشرفته، می‌توان مجموعه‌ای از دستورات را به هم پیوند زد تا مدل بتواند در چند مرحله، مسئله‌ای را تحلیل کرده و نتیجه نهایی را ارائه دهد.

پیشنهاد من این است که در پروژه‌های روزمرهٔ خود، به جای ناامید شدن از پاسخ‌های اولیه و تصادفی هوش مصنوعی، زمان بگذارید و ساختار پرامپت‌هایتان را همانند نگارش یک کد تمیز، پالایش و بهینه‌سازی کنید. با تمرین و دقت در نحوهٔ ارائهٔ اطلاعات به مدل، به مرور زمان مهارت لازم را به دست خواهید آورد که خروجی‌های بسیار باکیفیت‌تر و کاربردی‌تری بگیرید.

امیدوارم این مرور کوتاه توانسته باشد دید روشن‌تری از دنیای مهندسی پرامپت به شما بدهد. تا اپیزود بعدی، پیروز و هوشمند باشید.