مهندسی سریع هنر و علم ایجاد ورودی‌ها (اعلان‌ها) برای دریافت خروجی‌های دلخواه از مدل‌های هوش مصنوعی مانند ChatGPT یک مهارت حیاتی است. ChatGPT، که بر اساس معماری‌های GPT-3 و GPT-4 OpenAI ساخته شده است، پیشرفت قابل توجهی داشته و پاسخگوتر و آگاه‌تر از زمینه شده است. مهارت در مهندسی سریع این امکان را به شما می‌دهد که به بهترین شکل ممکن از این مدل‌ها برای انجام وظایف پیچیده استفاده کنید.
همچنین، مهندسی سریع به شما کمک می‌کند تا با استراتژی‌ها و تاکتیک‌هایی که در این راهنما ارائه شده، تعاملاتتان با هوش مصنوعی را بهبود بخشیده و از مبادلات اولیه به مکالمات ظریف و معنی‌دار پیشبرد دهید.
مواردی که در این راهنما آموزش داده می‌شود، از جمله استفاده از پرسش‌ها و دستورالعمل‌ها با جزئیات بیشتر، به شما کمک می‌کند تا از هوش مصنوعی به نحو بهتری بهره‌مند شوید. همچنین، نحوه استفاده از پرسوناها و دستورالعمل‌های گام به گام به شما آموزش داده می‌شود تا خروجی‌های هوش مصنوعی را بهبود بخشیده و کیفیت آنها را افزایش دهید.
مهندسی سریع از اهمیت استفاده از تاکتیک‌ها و روش‌های موثر در ایجاد ورودی‌ها بهره‌مند می‌شود و نمونه‌های عملی و عملی نیز در این راهنما ارائه شده‌اند. این توجه به جزئیات و نمونه‌های عملی به شما کمک می‌کند تا به بهترین شکل ممکن از مدل‌های هوش مصنوعی استفاده کرده و وظایف مختلف را با دقت بالا انجام دهید.
برای ایجاد دستورات موثر برای مدل‌های هوش مصنوعی مانند GPT-4، باید دقت، زمینه، و وضوح را در نظر گرفت. دستورات باید دقیق و واضح باشند و از واژگان روشن و بدون ابهام استفاده کنند. همچنین، مهم است که دستورات به زمینه مرتبط خود اشاره کنند تا مدل بتواند پاسخ‌های مرتبط و دقیق‌تری ارائه دهد.
مثال 1: استفاده از درک زبان ChatGPT برای پرس و جوهای فنی
اعلان بی اثر : "چگونه یک اشکال در کد خود را برطرف کنم؟"
خروجی هوش مصنوعی : "برای رفع یک اشکال در کد خود، ابتدا باید باگ را شناسایی کنید، دلیل وقوع آن را درک کنید و سپس کد را برای اصلاح آن تغییر دهید."
پرسش فنی موثر : «من در حال کدنویسی در پایتون هستم و هنگام تلاش برای دسترسی به فرهنگ لغت، «خطای کلیدی» دریافت می‌کنم. قطعه کد این است: . علت این خطا چیست و چگونه می توانم آن را برطرف کنم؟"
خروجی هوش مصنوعی : "خطای کلید" در کد پایتون شما احتمالاً به دلیل تلاش برای دسترسی به کلیدی در فرهنگ لغت است که وجود ندارد. در اینجا نحوه تغییر کد خود برای رسیدگی به این خطا آورده شده است: [تغییر کد اصلاح شده با توضیح]. "
مثال 2: نوشتن خلاق با تقلید سبک
اعلان بی اثر : "یک داستان کوتاه بنویس."
خروجی هوش مصنوعی : "روزی روزگاری، در سرزمینی دور، پادشاهی وجود داشت که با خطر بزرگی روبرو بود..."
پیشنهاد تقلید سبک مؤثر : "داستانی کوتاه به سبک ارنست همینگوی بنویسید، با تمرکز بر مکالمه بین دو دوست قدیمی که به طور غیر منتظره با هم ملاقات می کنند."
خروجی هوش مصنوعی : "خورشید در جاده ای غبارآلود، جایی که جک و تام، دو دوست قدیمی، به طور اتفاقی یکدیگر را ملاقات کردند، غروب کرد. جک با صدای خشکش مانند هوا گفت: "سالها گذشته است". "سالها از جنگ،" تام پاسخ داد. [داستان به سبک مختصر و دیالوگ محور همینگوی ادامه دارد]."
مثال 3: مشاوره سفر
اعلان بی اثر : "در پاریس چه کار کنم؟"
خروجی هوش مصنوعی : "در پاریس، می توانید از مکان های دیدنی مانند برج ایفل، موزه لوور و کلیسای نوتردام دیدن کنید."
پیام موثر : "من تابستان امسال برای سه روز از پاریس با تمرکز بر هنر و تاریخ بازدید می کنم. آیا می توانید یک برنامه سفر دقیق را پیشنهاد دهید؟"
خروجی هوش مصنوعی : "روز 1: بازدید از موزه لوور در صبح، و سپس پیاده روی به سمت کلیسای جامع نوتردام. [جزئیات برنامه سفر در ادامه می‌آید]."
بینش برای ایجاد درخواست‌های بهتر
ویژگی : تا حد امکان خاص باشید. هرچه درخواست شما دقیق تر باشد، پاسخ متناسب تر خواهد بود.
اطلاعات متنی : شامل تمام زمینه های مرتبط. این به هوش مصنوعی کمک می کند تا ماهیت دقیق درخواست شما را درک کند.
هدف واضح : آنچه را که به عنوان خروجی انتظار دارید به وضوح بیان کنید. چه یک دستور غذا، یک برنامه سفر، یا یک راه حل فنی، هدف خود را روشن کنید.
اجتناب از ابهام : درخواست های مبهم منجر به پاسخ های عمومی می شود. درخواست خود را برای دریافت پاسخ دقیق روشن کنید.
از قالب‌های شناخته شده استفاده کنید : در صورت وجود، اطلاعاتی را در قالب خاصی مانند فهرست، راهنمای گام به گام یا نمودار بخواهید.
2. تقویت پاسخ های هوش مصنوعی با مرجع
استفاده استراتژیک از متون مرجع در مهندسی سریع می تواند به طور قابل توجهی کیفیت و دقت پاسخ های مدل های هوش مصنوعی مانند GPT-4 را افزایش دهد. با ارائه اطلاعات مرتبط و قابل اعتماد در کنار درخواست خود، می توانید هوش مصنوعی را راهنمایی کنید تا پاسخ ها را بر اساس مطالب داده شده بنویسد و پاسخ ها را قابل اعتمادتر و از نظر زمینه دقیق تر کند.
مثال 1: توضیح علمی
اعلان معمولی : "چگونه یک سیاهچاله تشکیل می شود؟"
خروجی هوش مصنوعی : "یک سیاهچاله از بقایای یک ستاره بزرگ که در یک انفجار ابرنواختری می میرد، تشکیل می شود. اگر جرم هسته کافی باشد، تحت گرانش خود فرو می ریزد و به سیاهچاله تبدیل می شود."
درخواست پیشرفته با متن مرجع :
متن مرجع ارائه شده : "[مقاله علمی در مورد تکامل ستاره ها و سیاهچاله ها]"
Prompt : "با استفاده از اطلاعات مقاله علمی ارائه شده، روند تشکیل سیاهچاله را توضیح دهید."
خروجی هوش مصنوعی : "بر اساس مقاله علمی ارائه شده، یک سیاهچاله زمانی تشکیل می شود که یک ستاره عظیم سوخت هسته ای خود را تمام می کند و هسته آن فرو می ریزد. جزئیات مقاله: [ "گزیده های مرتبط از مقاله "]."
مثال 2: تفسیر حقوقی
اعلان متعارف : "پیامدهای قانونی سرقت مالکیت معنوی چیست؟"
خروجی هوش مصنوعی : "سرقت مالکیت معنوی می تواند منجر به عواقب قانونی مانند شکایت، جریمه نقدی و در موارد شدید، حبس شود."
درخواست پیشرفته با متن مرجع :
متن مرجع ارائه شده : "[مقاله ژورنال حقوقی در مورد حقوق مالکیت فکری]"
Prompt : "با ارجاع به مقاله مجله حقوقی ارائه شده، پیامدهای حقوقی خاص سرقت مالکیت معنوی را توضیح دهید."
خروجی هوش مصنوعی : "مقاله ژورنال حقوقی بیان می کند که سرقت مالکیت معنوی می تواند منجر به دعاوی مدنی، خسارات قانونی و اتهامات کیفری احتمالی شود. به طور خاص، مقاله به این موارد اشاره می کند: ["نقل به طور مستقیم از مقاله"]."
بینش برای استفاده از متون مرجع در Prompts
Select Relevant Texts : متون مرجعی را انتخاب کنید که مستقیماً با درخواست شما مرتبط هستند.
مشخصات سریع : به وضوح به هوش مصنوعی دستور دهید که از متن مرجع ارائه شده برای نوشتن پاسخ خود استفاده کند.
نقل‌قول‌ها : از هوش مصنوعی درخواست کنید که بخش‌های خاصی از متن مرجع را برای دقت و تأیید در پاسخ خود ذکر کند.
مدیریت اطلاعات ناکافی : به هوش مصنوعی دستور دهید که به وضوح بیان کند که آیا متن ارائه شده حاوی اطلاعات لازم برای پاسخ به سؤال نیست.
3. ساده کردن وظایف پیچیده با تقسیم وظایف فرعی
کلید مدیریت موثر وظایف پیچیده با مدل‌های هوش مصنوعی مانند GPT-4 در تقسیم آنها به وظایف فرعی ساده‌تر است. این رویکرد نه تنها فرآیند را ساده می کند، بلکه دقت و ارتباط پاسخ های هوش مصنوعی را نیز افزایش می دهد. در زیر، ما این استراتژی را از طریق مثال‌های خاص نشان می‌دهیم و مزایای استفاده از طبقه‌بندی هدف، تکنیک‌های خلاصه و مکالمات ساختاریافته برای پرس‌و‌جوهای پیچیده را برجسته می‌کنیم.
مثال 1: درخواست خدمات مشتری
رویکرد ناکارآمد : درخواست کمک کلی.
درخواست کاربر : "من با حساب خود مشکل دارم."
خروجی هوش مصنوعی : "لطفاً می توانید ماهیت مشکلات حساب خود را مشخص کنید؟"
رویکرد موثر : طبقه بندی پرس و جو به دسته ها و ارائه کمک های هدفمند.
درخواست کاربر : "من در دسترسی به حساب خود مشکل دارم."
دستورالعمل هوش مصنوعی : "پرس و جو را به "مدیریت حساب" طبقه بندی کنید، سپس مراحل خاصی را برای عیب یابی مشکلات دسترسی ارائه دهید."
خروجی هوش مصنوعی : "به نظر می رسد در دسترسی به حساب خود مشکل دارید. بیایید با بازنشانی رمز عبور خود شروع کنیم. [به دنبال مراحل دقیق]."
مثال 2: خلاصه سند طولانی
رویکرد ناکارآمد : تلاش برای خلاصه کردن یک سند طولانی در یک حرکت.
درخواست کاربر : "این کتاب 300 صفحه ای را برای من خلاصه کنید."
خروجی هوش مصنوعی : "متأسفم، اما نمی توانم اسناد را بیشتر از پنجره زمینه خود پردازش کنم."
رویکرد مؤثر : خلاصه کردن سند به صورت تکه‌ای و ساختن یک خلاصه کامل به صورت بازگشتی.
دستورالعمل هوش مصنوعی : "هر فصل را به طور جداگانه خلاصه کنید، سپس خلاصه ای از خلاصه ها را ایجاد کنید و به صورت بازگشتی ادامه دهید."
درخواست کاربر : "فصل 1 این کتاب را خلاصه کنید."
خروجی هوش مصنوعی : "خلاصه فصل 1: [خلاصه مختصر از فصل 1]."
فرآیند ادامه : فرآیند یکسانی برای هر فصل اعمال می‌شود و پس از آن یک خلاصه نهایی که تمام خلاصه‌های فردی را ترکیب می‌کند، اعمال می‌شود.
مزایای تقسیم وظایف فرعی و مهندسی متنی
افزایش دقت : با تمرکز بر جنبه های خاص یک کار پیچیده، هوش مصنوعی می تواند پاسخ های دقیق و مرتبط تری ارائه دهد.
بهره وری افزایش یافته : تجزیه وظایف آنها را قابل کنترل تر می کند و احتمال خطا یا خروجی های نامربوط را کاهش می دهد.
تجربه کاربری بهتر : کاربران راهنمایی های هدفمند و گام به گام دریافت می کنند که از پاسخ های عمومی مفیدتر است.
مقرون به صرفه بودن : اعلان های کوچکتر و هدفمند می توانند در مقایسه با اعلان های بزرگتر و پیچیده تر مقرون به صرفه تر باشند.
4. دادن زمان به GPT برای فکر کردن
استراتژی زمان دادن به مدل ها برای «فکر کردن» و تقسیم وظایف پیچیده به مراحل قابل مدیریت به طور قابل توجهی کیفیت پاسخ های مدل های هوش مصنوعی مانند GPT-4 را بهبود می بخشد.
مثال 1: ارزشیابی مسائل ریاضی
رویکرد ناکارآمد : درخواست مستقیم از مدل برای ارزیابی راه حل دانش آموز.
درخواست کاربر : "آیا راه حل دانش آموز برای این مسئله ریاضی درست است؟"
خروجی هوش مصنوعی : "به نظر می رسد راه حل دانش آموز درست/نادرست است."
رهیافت مؤثر : به مدل آموزش داده می شود تا ابتدا راه حل خود را قبل از ارزیابی کار دانش آموز بیابد.
درخواست کاربر : "ابتدا این مسئله ریاضی را حل کنید. سپس راه حل خود را با راه حل دانش آموز مقایسه کنید و درستی آن را ارزیابی کنید."
خروجی هوش مصنوعی : "راه حل من: [راه حل تفصیلی]. در مقایسه با راه حل دانش آموز، در محاسبه [بخش خاص] آنها خطایی پیدا کردم. رویکرد صحیح باید [روش صحیح] باشد."
مثال 2: تجزیه و تحلیل اسناد
رویکرد ناکارآمد : تلاش برای تجزیه و تحلیل یک سند بزرگ در یک پرس و جو.
درخواست کاربر : "نکات کلیدی را از کل این سند خلاصه کنید."
خروجی هوش مصنوعی : "من نمی توانم کل سند را به دلیل طولانی بودن آن پردازش کنم."
رویکرد مؤثر : استخراج متوالی گزیده‌ها و پرسش‌های بعدی برای تحلیل جامع.
درخواست کاربر : "گزیده های کلیدی را از این سند مربوط به [موضوع خاص] استخراج کنید."
خروجی هوش مصنوعی : "گزیده 1: [بخش مربوطه]. گزیده 2: [بخش مرتبط دیگر]."
درخواست کاربر بعدی : "آیا گزیده های مرتبط تری وجود دارد؟ مطمئن شوید که حاوی متن کامل هستند."
خروجی هوش مصنوعی : "گزیده اضافی: [بخش مرتبط بیشتر]."
مزایا و بینش
عمق تجزیه و تحلیل : با کار کردن در ابتدا راه حل ها یا تجزیه و تحلیل ها، هوش مصنوعی می تواند ارزیابی های دقیق تر و عمیق تری ارائه دهد.
یادگیری هدایت شده : در سناریوهای تدریس خصوصی، استفاده از مونولوگ درونی و نکات، دانش آموزان را تشویق می کند تا به طور مستقل به راه حل ها برسند و تجربه یادگیری آنها را افزایش دهند.
پوشش جامع : برای تجزیه و تحلیل اسناد، رویکردهای متوالی و بازگشتی پوشش کامل را بدون از دست دادن جزئیات مهم تضمین می کنند.
اجتناب از تعصب : با ایجاد راه حل خاص خود ابتدا، هوش مصنوعی از تعصبی که ممکن است از ارزیابی مستقیم یک پاسخ داده شده ناشی شود، جلوگیری می کند.
5. استفاده از ابزارهای خارجی
گنجاندن ابزارها و منابع خارجی در تعاملات هوش مصنوعی می تواند دقت و ارتباط پاسخ های تولید شده توسط مدل هایی مانند GPT-4 را به شدت بهبود بخشد. این بخش استفاده از جستجوی مبتنی بر جاسازی را برای بازیابی دانش، اجرای کد برای محاسبات دقیق و فراخوانی تابع برای افزایش قابلیت‌های مدل‌های هوش مصنوعی نشان می‌دهد.
مثال 1: محاسبات دقیق با اجرای کد
بدون اجرای کد : تنها با تکیه بر توانایی های محاسباتی مدل.
اعلان کاربر : "ریشه دوم 529 را محاسبه کنید."
خروجی هوش مصنوعی : "ریشه دوم 529 تقریبا 23 است."
با اجرای کد : اطمینان از دقت در محاسبات.
اعلان کاربر : "ریشه دوم 529 را محاسبه کنید."
دستورالعمل هوش مصنوعی : "برای محاسبه این کد پایتون را بنویسید و اجرا کنید."
خروجی هوش مصنوعی : " python import math math.sqrt(529) ریشه دوم 529 دقیقا 23 است."
مثال 2: استفاده از فراخوانی های API برای تعاملات پویا
بدون تماس های API : محدود به پاسخ های ایستا و از پیش برنامه ریزی شده است.
درخواست کاربر : "یک یادآوری درباره جلسه فردا به دوستم ارسال کنید."
خروجی هوش مصنوعی : "یادآوری: فراموش نکنید که درباره جلسه فردا برای دوست خود پیام ارسال کنید."
با تماس های API : تعامل با سیستم های خارجی برای اقدامات بلادرنگ.
درخواست کاربر : "یک یادآوری برای دوستم جان درباره جلسه فردا ارسال کنید."
دستورالعمل هوش مصنوعی : "از API پیام برای ارسال یادآوری استفاده کنید."
خروجی هوش مصنوعی : " python import message message.write(to= "John ", message= "Hey, remember our meeting tomorrow! ") یادآوری درباره جلسه فردا برای جان ارسال شد."
مزایا و بینش
پایگاه دانش گسترده : با استفاده از جستجوی مبتنی بر جاسازی، هوش مصنوعی می‌تواند به مجموعه گسترده‌ای از اطلاعات به‌روز دسترسی داشته باشد و آن را ترکیب کند و ارتباط و دقت پاسخ‌های آن را افزایش دهد.
دقت در محاسبات : اجرای کد به هوش مصنوعی اجازه می دهد تا محاسبات ریاضی دقیقی را انجام دهد که به ویژه در زمینه های فنی یا علمی مفید است.
قابلیت‌های تعاملی : فراخوان‌های API هوش مصنوعی را قادر می‌سازد تا با سیستم‌های خارجی تعامل داشته باشد و اقدامات دنیای واقعی مانند ارسال پیام یا تنظیم یادآوری را تسهیل کند.
6. تست سیستماتیک
تست سیستماتیک یا روش های ارزیابی (Evals)، در تعیین اثربخشی تغییرات در سیستم های هوش مصنوعی بسیار مهم است. این رویکرد شامل مقایسه خروجی های مدل با مجموعه ای از استانداردهای از پیش تعیین شده یا پاسخ های "استاندارد طلایی" برای ارزیابی دقت است.
مثال 1: شناسایی تضادها در پاسخ ها
سناریوی تست : تشخیص تناقضات در پاسخ یک مدل در مقایسه با پاسخ های متخصص.
دستورالعمل سیستم : تعیین کنید که آیا پاسخ مدل با بخشی از پاسخ ارائه شده توسط متخصص مغایرت دارد یا خیر.
ورودی کاربر : "نیل آرمسترانگ دومین فردی بود که بعد از باز آلدرین روی ماه قدم گذاشت."
فرآیند ارزیابی : سیستم برای سازگاری با پاسخ متخصص که نیل آرمسترانگ اولین فرد روی ماه بود، بررسی می‌کند.
خروجی مدل : پاسخ مدل مستقیماً با پاسخ متخصص در تضاد است و نشان دهنده یک خطا است.
مثال 2: مقایسه سطوح جزئیات در پاسخ ها
سناریوی تست : ارزیابی اینکه آیا پاسخ مدل از نظر جزئیات با پاسخ متخصص مطابقت دارد، فراتر است یا کمتر از آن است.
دستورالعمل سیستم : عمق اطلاعات را بین پاسخ مدل و پاسخ متخصص مقایسه کنید.
ورودی کاربر : "نیل آرمسترانگ برای اولین بار در 21 ژوئیه 1969 در ساعت 02:56 UTC روی ماه قدم گذاشت."
فرآیند ارزیابی : سیستم ارزیابی می کند که آیا پاسخ مدل جزئیات بیشتر، برابر یا کمتری را در مقایسه با پاسخ متخصص ارائه می دهد.
خروجی مدل : پاسخ مدل جزئیات بیشتری را ارائه می دهد (زمان دقیق)، که با پاسخ متخصص هماهنگ می شود و آن را گسترش می دهد.
مزایا و بینش
دقت و قابلیت اطمینان : آزمایش سیستماتیک تضمین می‌کند که پاسخ‌های مدل هوش مصنوعی دقیق و قابل اعتماد هستند، به‌ویژه زمانی که با اطلاعات واقعی سروکار داریم.
تشخیص خطا : به شناسایی خطاها، تناقضات یا ناسازگاری در پاسخ های مدل کمک می کند.
تضمین کیفیت : این رویکرد برای حفظ استانداردهای بالای کیفیت در محتوای تولید شده توسط هوش مصنوعی، به ویژه در زمینه‌های آموزشی، تاریخی یا سایر زمینه‌های حساس به واقعیت ضروری است.