پرامپت‌نویسی برای تولید محتوای فارسی؛ چارچوب و مثال عملی

هوش مصنوعی چیست
چارچوب عملی پرامپت‌نویسی فارسی همراه نمونه‌های آماده، کنترل صحت، ویرایش و چک‌لیست ارزیابی خروجی.
محتوای جدول

پرامپت‌نویسی برای تولید محتوای فارسی یعنی تبدیل یک نیاز مبهم به دستور قابل اجرا و قابل ارزیابی. پرامپت مناسب هدف جست‌وجو، مخاطب، داده‌های مجاز، ساختار خروجی و معیار کیفیت را مشخص می‌کند؛ اما مسئولیت صحت، منبع و انتشار همچنان با انسان است. این راهنما به‌جای فرمول جادویی، یک فرایند تکرارپذیر برای طراحی، آزمون و اصلاح پرامپت ارائه می‌دهد.

این موضوع با معرفی ابزارهای هوش مصنوعی تولید محتوا تفاوت دارد. برای درک سازوکار تولید می‌توانید هوش مصنوعی مولد را بخوانید و برای مفاهیم پایه به مقاله هوش مصنوعی چیست مراجعه کنید.

پرامپت خوب چه مسئله‌ای را حل می‌کند

پرامپت خوب جای دانش موضوعی و ویرایش را نمی‌گیرد؛ ورودی را به یک سفارش روشن تبدیل می‌کند. نویسنده مشخص می‌کند متن برای چه کسی، با چه هدفی، در چه قالبی و بر پایه چه منابعی تولید شود. نتیجه مطلوب باید قابل بررسی باشد، نه صرفاً «جذاب» یا «حرفه‌ای».

پیش از نوشتن دستور، یک جمله درباره تصمیمی که خواننده پس از مطالعه می‌گیرد بنویسید. اگر این تصمیم روشن نیست، مدل نیز میان تعریف، تبلیغ و آموزش سرگردان می‌شود. پرامپت را از مسئله شروع کنید و ابزار یا نام مدل را در مرکز قرار ندهید.

تعریف هدف جست‌وجو و مخاطب فارسی

سن، شغل یا شهر به‌تنهایی مخاطب را تعریف نمی‌کند. سطح آشنایی، پرسش اصلی، مانع تصمیم و موقعیتی که متن در آن خوانده می‌شود مهم‌تر است. برای جست‌وجوی اطلاعاتی باید پاسخ و مثال ارائه شود؛ برای صفحه تجاری باید معیار انتخاب، محدودیت و اقدام بعدی روشن باشد.

در زبان فارسی، تفاوت لحن رسمی، محاوره‌ای و سازمانی را صریح بنویسید. نمونه‌ای کوتاه از لحن مطلوب بدهید و بگویید چه عبارت‌هایی نباید استفاده شوند. این کار از متن‌های ترجمه‌زده، تعارف‌های طولانی و مقدمه‌های کلیشه‌ای کم می‌کند.

ساختار نقش، زمینه، وظیفه و محدودیت

یک چارچوب ساده شامل نقش، زمینه، وظیفه، محدودیت و قالب خروجی است. نقش باید تخصص مرتبط را مشخص کند، زمینه اطلاعات واقعی پروژه را بدهد، وظیفه اقدام دقیق را توضیح دهد و محدودیت‌ها مرز ادعا، طول، منبع و لحن را تعیین کنند.

نوشتن «مثل یک متخصص عمل کن» بدون داده کمکی نمی‌کند. به‌جای آن بنویسید کدام تصمیم‌ها باید گرفته شود و بر چه شواهدی. در پایان، قالب خروجی مانند جدول، طرح مقاله یا متن آماده انتشار را تعیین کنید تا پاسخ قابل استفاده و مقایسه باشد.

دادن زمینه کافی بدون شلوغی

زمینه مفید شامل محصول، مزیت واقعی، مخاطب، مرحله قیف، صفحه مقصد، واژه‌های تخصصی و اطلاعات تأییدشده است. متن‌های نامرتبط، تاریخچه طولانی گفتگو و چند هدف متناقض، توجه مدل را پخش می‌کنند و احتمال حذف خواسته اصلی را بالا می‌برند.

اطلاعات را در بخش‌های نام‌گذاری‌شده قرار دهید: «داده قطعی»، «فرضیه»، «ممنوعیت» و «خروجی». اگر سند طولانی است، ابتدا از مدل بخواهید نکات قابل استناد را استخراج کند و بعد نگارش را در مرحله جدا انجام دهید.

تفکیک داده قطعی از فرضیه

مدل ممکن است جای خالی را با اطلاعات محتمل پر کند. در پرامپت بنویسید فقط از داده‌های ارائه‌شده استفاده شود و هر مورد نامعلوم با برچسب «نیازمند بررسی» باقی بماند. آمار، قیمت، تاریخ و نقل‌قول باید منبع قابل کنترل داشته باشند.

برای موضوع‌های تخصصی یا زمان‌حساس، مرحله تحقیق را از نگارش جدا کنید. فهرست ادعاها، منبع و تاریخ دسترسی را پیش از تولید متن نهایی بررسی کنید. نبود منبع بهتر از عدد ساختگی است و اعتماد مخاطب را حفظ می‌کند.

طراحی پرامپت برای تولید محتوای فارسی با هوش مصنوعی
پرامپت از هدف، زمینه، وظیفه، محدودیت و قالب خروجی تشکیل می‌شود.

استفاده از نمونه مطلوب و نامطلوب

یک یا دو نمونه کوتاه می‌تواند لحن و ساختار را بهتر از توضیح مبهم منتقل کند. نمونه مطلوب باید همان ویژگی‌هایی را نشان دهد که می‌خواهید تکرار شود؛ نمونه نامطلوب نیز علت رد شدن را همراه داشته باشد، نه اینکه فقط برچسب بد بخورد.

نمونه را به‌عنوان الگو معرفی کنید، نه متنی برای بازنویسی نزدیک. از مدل بخواهید اصول را استخراج کند و محتوای تازه بسازد. این مرزبندی خطر تقلید، تکرار عبارت و شباهت ناخواسته با متن مرجع را کاهش می‌دهد.

طراحی طرح مقاله پیش از نگارش

تولید یک‌باره مقاله بلند کنترل را کم می‌کند. ابتدا هدف، وعده عنوان، پرسش‌های فرعی، ترتیب هدینگ‌ها و دارایی متمایز مانند جدول یا چک‌لیست را تصویب کنید. سپس هر بخش با ورودی و معیار خودش نوشته شود.

در طرح، برای هر هدینگ بنویسید چه پرسشی را پاسخ می‌دهد و با بخش قبل چه تفاوتی دارد. هدینگ‌های مترادف یا بخش‌هایی که فقط برای افزایش طول هستند حذف شوند. این مرحله از حشو و بازگویی یک مفهوم با کلمات متفاوت جلوگیری می‌کند.

نوشتن مقدمه بدون کلیشه

مقدمه باید مسئله، دامنه پاسخ و فایده عملی را سریع روشن کند. عباراتی مانند «در دنیای پرشتاب امروز» یا وعده «راهنمای جامع» بدون اثبات، اطلاعاتی به خواننده نمی‌دهند و متن را ماشینی نشان می‌دهند.

در پرامپت از مدل بخواهید با یک موقعیت واقعی، پرسش تصمیم یا تعریف دقیق شروع کند. محدودیت مقدمه را دو یا سه پاراگراف کوتاه بگذارید و ممنوعیت تعریف‌های بدیهی یا تکرار عنوان را صریح بنویسید.

کنترل فارسی روان و نیم‌فاصله

کیفیت فارسی فقط املای درست نیست. ترتیب طبیعی جمله، فعل روشن، پرهیز از ترجمه لفظی، نیم‌فاصله، نشانه‌گذاری و طول متعادل پاراگراف‌ها باید کنترل شود. واژه انگلیسی فقط جایی بماند که معادل فارسی ابهام ایجاد می‌کند.

یک مرحله ویرایش زبانی جدا تعریف کنید: مدل نباید در این مرحله مفهوم یا عدد تازه اضافه کند. از آن بخواهید فعل‌های مجهول، عبارت‌های سنگین، تکرار واژه و جمله‌های بسیار بلند را مشخص و نسخه روان‌تر پیشنهاد کند.

مدیریت کلیدواژه بدون تکرار مصنوعی

کلمه کلیدی باید موضوع صفحه را روشن کند، نه اینکه در هر پاراگراف تکرار شود. مترادف‌ها، موجودیت‌های مرتبط و پرسش‌های واقعی زمانی ارزش دارند که پاسخ کاربر را کامل کنند. تراکم ثابت یا فهرست بلند واژه‌ها معیار کیفیت نیست.

در پرامپت، کلیدواژه اصلی، نیت و چند مفهوم ضروری را بدهید و تأکید کنید استفاده باید طبیعی باشد. پس از نگارش، عنوان، مقدمه، هدینگ‌ها و انکرتکست‌ها را از نظر هم‌راستایی بررسی کنید؛ اگر حذف یک تکرار معنا را تغییر نمی‌دهد، آن تکرار لازم نیست.

درخواست لینک داخلی طبیعی

مدل بدون فهرست URL ممکن است مقصد جعلی بسازد یا لینک نامرتبط پیشنهاد دهد. سه تا شش صفحه منتشرشده را همراه عنوان و خلاصه نقش هرکدام بدهید و از مدل بخواهید فقط در جمله‌ای که ارتباط واقعی دارد لینک قرار دهد.

انکرتکست باید مقصد را توضیح دهد و لینک‌ها میان متن پخش شوند. از عبارت‌هایی مانند «اینجا کلیک کنید» و تکرار یک مقصد جلوگیری کنید. پس از خروجی، URL و وضعیت انتشار را جداگانه بررسی کنید.

ارزیابی خروجی فارسی هوش مصنوعی مولد
خروجی مدل پیش از انتشار به کنترل صحت، زبان و منبع نیاز دارد.

تولید متادیتا و اسکیما با مرز روشن

عنوان سئو و توضیحات متا باید وعده واقعی صفحه را منعکس کنند. مدل می‌تواند گزینه پیشنهاد دهد، اما طول نمایش و جذابیت نباید باعث ادعای تأییدنشده شود. اسکیما نیز باید فقط داده‌ای را بازتاب دهد که در صفحه وجود دارد.

نوع Article یا BlogPosting برای مقاله عمومی مناسب است. FAQ، HowTo یا Review تنها زمانی انتخاب شود که ساختار و محتوای واقعی صفحه الزامات آن را دارد. در پرامپت صریحاً ساخت امتیاز، پرسش یا اطلاعات نویسنده را ممنوع کنید.

حفظ محرمانگی و حقوق محتوا

اطلاعات مشتری، داده شخصی، قرارداد، کلید دسترسی و سند داخلی را بدون مجوز وارد ابزار نکنید. سیاست نگهداری داده و تنظیمات سرویس مورد استفاده را بررسی کنید و بخش‌های حساس را حذف یا ناشناس‌سازی کنید.

از مدل نخواهید سبک نویسنده زنده یا متن دارای حق نشر را تقلید نزدیک کند. ویژگی‌های عمومی مانند شفافیت، کوتاهی جمله یا لحن آموزشی را توصیف کنید و خروجی را از نظر شباهت و منبع ادعا بازبینی کنید.

ارزیابی خروجی با چک‌لیست

خروجی خوب باید از نظر صحت، پوشش نیت، انسجام، زبان، شواهد، تازگی، لینک و اقدام بعدی بررسی شود. پسند شخصی به‌تنهایی کافی نیست. هر معیار را به سؤال بله یا خیر یا مقیاس کوتاه تبدیل کنید.

از مدل بخواهید پیش از تحویل، ادعاهای نیازمند منبع و بخش‌های کم‌اطمینان را فهرست کند؛ اما ارزیابی نهایی را انسان انجام دهد. نمونه‌های ردشده و علت رد را نگه دارید تا پرامپت بر اساس خطای واقعی اصلاح شود.

آزمون و نسخه‌بندی پرامپت

پرامپت را با چند موضوع و ورودی متفاوت آزمایش کنید. اگر فقط روی یک نمونه خوب کار کند، احتمالاً به جزئیات همان نمونه وابسته است. نسخه، تاریخ، مدل، ورودی و نتیجه ارزیابی را ثبت کنید تا تغییرها قابل مقایسه باشند.

در هر آزمون یک متغیر را تغییر دهید؛ مثلاً نمونه، قالب خروجی یا محدودیت طول. معیارهای موفقیت را پیش از مشاهده پاسخ تعیین کنید. راهنمای رسمی OpenAI نیز برای رفتار پایدارتر بر آزمون و ارزیابی تأکید می‌کند و مستندات Anthropic صراحت و ارائه مثال را توصیه می‌کند.

فرایند انسانی انتشار

مدل می‌تواند طرح، پیش‌نویس و پیشنهاد ویرایش بسازد، اما مسئولیت صحت و انتشار با انسان است. ویراستار باید منبع‌ها، ادعاها، تجربه واقعی، انطباق برند و نیاز کاربر را بررسی کند.

پس از انتشار نیز رفتار کاربر، پرسش‌های جدید و تغییر اطلاعات را پایش کنید. پرامپت موفق سندی زنده است: با مشاهده خطا، نمونه و محدودیت آن اصلاح می‌شود و جایگزین دانش تحریریه یا کنترل کیفیت نمی‌شود.

کتابخانه پرامپت برای تولید محتوای فارسی

متغیرهای داخل کروشه را با داده واقعی جایگزین کنید. اگر داده‌ای ندارید، از مدل بخواهید آن را «نیازمند بررسی» علامت بزند و چیزی نسازد.

پرامپت طراحی طرح مقاله

موضوع: [موضوع]nمخاطب و سطح آشنایی: [توضیح]nهدف جست‌وجو: [اطلاعاتی/مقایسه‌ای/عملی]nیک طرح بدون هم‌پوشانی بساز. برای هر H2 پرسش پاسخ‌داده‌شده، نکته متمایز و شاهد لازم را بنویس. هدینگ مترادف و شماره ساختاری نداشته باشد.

پرامپت نگارش یک بخش

این بخش را برای هدینگ [عنوان] بنویس. فقط از داده‌های [فهرست داده] استفاده کن. پاسخ باید شامل تعریف روشن، مثال کاربردی، محدودیت و اقدام بعدی باشد. ادعای بی‌منبع نساز و فارسی روان بنویس.

پرامپت ویرایش فارسی

متن زیر را فقط از نظر روانی فارسی، نیم‌فاصله، نشانه‌گذاری، طول جمله و تکرار ویرایش کن. مفهوم، عدد یا ادعای تازه اضافه نکن. تغییرهای مهم را در پایان فهرست کن: [متن]

پرامپت کنترل ادعا

تمام ادعاهای آماری، زمانی، فنی و مقایسه‌ای متن را استخراج کن. برای هرکدام منبع موجود، تاریخ، سطح اطمینان و نیاز به بررسی انسانی را در جدول بنویس. نبود منبع را پنهان نکن.

پرامپت پیشنهاد لینک داخلی

فقط از URLهای داده‌شده استفاده کن. برای هر لینک یک جمله مرتبط و انکرتکست توصیفی پیشنهاد بده. لینک نامرتبط یا URL تازه نساز: [فهرست URL و نقش صفحه]

پرامپت ارزیابی نهایی

این متن را از نظر پاسخ به نیت، صحت، ساختار، حشو، فارسی طبیعی، منبع، لینک و اقدام بعدی ارزیابی کن. برای هر معیار شاهدی از متن و اصلاح مشخص بده. تعریف کلی یا امتیاز بدون دلیل نده.

چک‌لیست امتیازدهی خروجی

معیار پرسش کنترل وضعیت
صحت آیا هر ادعای حساس منبع یا برچسب بررسی دارد؟ قبول/اصلاح
نیت آیا کاربر پاسخ و اقدام بعدی را پیدا می‌کند؟ قبول/اصلاح
اصالت آیا مثال و دارایی متمایز وجود دارد؟ قبول/اصلاح
زبان آیا متن فارسی روان و بدون ترجمه‌زدگی است؟ قبول/اصلاح
شفافیت آیا محدودیت و بخش نامطمئن آشکار است؟ قبول/اصلاح

جمع‌بندی

پرامپت مؤثر یک متن ثابت برای همه پروژه‌ها نیست. آن را از هدف و داده واقعی بسازید، خروجی را به بخش‌های قابل کنترل تقسیم کنید، نمونه و معیار بدهید و هر نسخه را با چند ورودی بیازمایید. مهم‌تر از طول دستور، شفافیت مسئله و کیفیت ارزیابی انسانی است.

5/5 - (1 امتیاز)
اشتراک گذاری:

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

12 − سه =