چرا دیگر فقط Prompt خوب کافی نیست؟
تا همین چند وقت پیش، وقتی صحبت از کار با ChatGPT می‌شد، اولین چیزی که می‌شنیدیم این بود: «پرامپت بهتری بنویس.»
اگر جواب خوب نبود، پرامپت را تغییر می‌دادیم، جزئیات بیشتری اضافه می‌کردیم و دوباره امتحان می‌کردیم. اما همیشه مشکل از Prompt نیست.
گاهی AI نمی‌تواند جواب خوبی بدهد چون اطلاعات کافی برای تصمیم‌گیری ندارد.
اینجاست که مفهوم Context Engineering یا مهندسی زمینه اهمیت پیدا می‌کند.
Context Engineering یعنی چه؟
خیلی ساده اگر بخواهیم بگوییم، Context Engineering یعنی اطلاعاتی را که AI برای انجام درست یک کار نیاز دارد، به شکل مناسبی در اختیارش قرار دهیم.
Prompt به مدل می‌گوید چه کاری انجام دهد؛ Context به آن می‌گوید در چه شرایطی و با چه اطلاعاتی این کار را انجام دهد.
فرض کنید از ChatGPT می‌خواهید برای یک محصول، توضیحات بنویسد.
اگر فقط بگویید:
«برای این محصول یک متن حرفه‌ای بنویس.»
مدل اطلاعات زیادی درباره محصول، مشتری و برند شما ندارد و مجبور می‌شود بخشی از متن را حدس بزند.
اما اگر اطلاعاتی مثل این‌ها را اضافه کنید:
محصول: قهوه اسپشیالتی
مخاطب: مصرف‌کننده خانگی
طعم: شکلاتی و کاراملی
روش پیشنهادی: V60
لحن برند: دوستانه و متخصصانه
حالا مدل اطلاعات واقعی برای کار کردن دارد.
شما Prompt را لزوماً بهتر نکرده‌اید؛ Context را بهتر کرده‌اید.
پس Prompt Engineering دیگر مهم نیست؟
اتفاقاً چرا.
Prompt Engineering هنوز یکی از بخش‌های مهم کار با AI است، اما دیگر همه‌چیز به متن دستور خلاصه نمی‌شود.
قبلاً بیشتر تمرکز ما روی این بود که:
«چه جمله‌ای بنویسم تا AI جواب بهتری بدهد؟»
اما حالا سؤال مهم‌تر این است:
«AI برای جواب دادن به این سؤال چه چیزهایی باید بداند؟»
این تغییر نگاه، تفاوت بزرگی ایجاد می‌کند.
Context خوب فقط Context زیاد نیست
یک اشتباه رایج این است که فکر کنیم هرچه اطلاعات بیشتری به AI بدهیم، خروجی بهتر می‌شود.
در حالی که اگر ده‌ها فایل نامرتبط، اطلاعات قدیمی یا دستورهای متناقض را جلوی مدل بگذاریم، لزوماً نتیجه بهتر نخواهد شد.
Context خوب باید مرتبط، دقیق و منظم باشد.
برای یک پروژه معمولاً اطلاعاتی مثل هدف، مخاطب، محدودیت‌ها، اطلاعات محصول و نمونه‌های قبلی می‌توانند بخش مهمی از Context را تشکیل دهند.
چرا مثال‌ها اهمیت زیادی دارند؟
گاهی توضیح دادن چیزی با کلمات سخت است.
مثلاً می‌گوییم:
«لحن متن دوستانه ولی حرفه‌ای باشد.»
اما «دوستانه و حرفه‌ای» برای هر کسی معنای متفاوتی دارد.
حالا اگر سه نمونه از متن‌هایی که دوست داریم به AI بدهیم، مدل به جای اینکه فقط توضیح ما را تفسیر کند، خود سبک را می‌بیند.
به همین دلیل مثال‌های واقعی یکی از بهترین ابزارها برای ساخت Context هستند.
یک اشتباه ساده که می‌تواند خروجی را خراب کند
دفعه بعد که جواب AI ضعیف بود، سریع سراغ تغییر Prompt نروید.
اول این سؤال را از خودتان بپرسید:
«آیا AI اطلاعات کافی برای انجام این کار را داشت؟»
اگر جواب منفی است، شاید نیازی به یک Prompt پیچیده‌تر نداشته باشید؛ شاید فقط باید Context بهتری بسازید.
از Prompt به Workflow
وقتی پروژه‌ها بزرگ‌تر می‌شوند، Context فقط چند خط توضیح نیست.
ممکن است AI به فایل‌ها، داده‌های قبلی، نتایج جست‌وجو، نمونه‌ها و حتی ابزارهای مختلف دسترسی داشته باشد.
در این حالت دیگر فقط با یک Prompt سروکار نداریم؛ یک Workflow داریم.
مثلاً برای تولید یک مقاله می‌توانیم موضوع را مشخص کنیم، اطلاعات مرتبط را جمع کنیم، Context بسازیم، مقاله را تولید کنیم و بعد خروجی را بررسی و اصلاح کنیم.
اینجا Prompt فقط یکی از قطعات یک سیستم بزرگ‌تر است.
یک Template ساده برای شروع
هدف:
[چه چیزی می‌خواهم؟]
Context:
[AI چه چیزهایی باید درباره پروژه بداند؟]
مخاطب:
[این خروجی برای چه کسی است؟]
محدودیت‌ها:
[چه چیزهایی نباید اتفاق بیفتد؟]
نمونه‌ها:
[چه نمونه‌هایی می‌توانند نتیجه مطلوب را نشان دهند؟]
بعد از این بخش، درخواست اصلی خودتان را بنویسید.
جمع‌بندی
Prompt Engineering از بین نرفته؛ فقط دیگر تمام داستان نیست.
هرچه مدل‌های AI قدرتمندتر می‌شوند، اطلاعاتی که در اختیارشان قرار می‌دهیم اهمیت بیشتری پیدا می‌کند.
اگر Prompt به AI می‌گوید چه کاری انجام بده، Context به آن می‌گوید با چه اطلاعاتی و در چه شرایطی این کار را انجام بده.
بنابراین شاید قدم بعدی در حرفه‌ای شدن با AI، پیدا کردن یک Prompt جادویی نباشد.
شاید باید یاد بگیریم Context بهتری بسازیم.
