چطور سؤالِ تصمیمت را بنویسی که هوش مصنوعی واقعاً مشورتِ به‌دردبخور بدهد

نوشتهٔ تیمِ چندهوش · ۱۵ مهر ۱۴۰۵ · ۸ دقیقه مطالعه

بیشترِ جواب‌هایِ کلی و بی‌خاصیت از سؤال‌هایِ کلی می‌آیند. این راهنما نشان می‌دهد یک سؤالِ تصمیم از چه بخش‌هایی ساخته می‌شود، چه چیزی را نباید در آن فرض کنی و چطور یک پرامپتِ مبهم را به پرامپتی تبدیل کنی که چند مدل بتوانند رویش جدی فکر کنند.

نوشتن پرامپت برای مشورت با هوش مصنوعی یعنی سؤالت را طوری بنویسی که مدل بداند در چه موقعیتی هستی، چه محدودیت‌هایی داری، بینِ چه گزینه‌هایی مردّدی و جوابِ خوب از نظرِ تو چه شکلی است. هر کدام از این‌ها که جا بیفتد، مدل با حدس پُرش می‌کند و حدسش معمولاً «حالتِ متوسط» است، نه موقعیتِ تو. نتیجه جوابی است که درست به نظر می‌رسد ولی به کارِ تصمیمِ واقعی نمی‌آید.

پرامپت (prompt، یعنی متنی که به مدل می‌دهی) برایِ پرسیدنِ یک واقعیت می‌تواند یک خط باشد. اما برایِ مشورت، سؤال خودش نیمی از کار است. خبرِ خوب این است که ساختنِ یک سؤالِ خوب قاعده دارد و بعد از چند بار، پنج دقیقه بیشتر طول نمی‌کشد.

نوشتن پرامپت برای مشورت با هوش مصنوعی چه فرقی با یک سؤالِ معمولی دارد

«پایتخت استرالیا کجاست؟» یک جوابِ درست دارد و زمینه‌ی تو در آن اثری ندارد. اما «کارم را عوض کنم؟» یا «قیمتِ محصولم را بالا ببرم؟» هزار جوابِ درست دارد، بسته به این‌که چه کسی می‌پرسد. مدل وقتی زمینه نداشته باشد، سراغِ جوابی می‌رود که برایِ بیشترِ آدم‌ها بی‌خطر است: فهرستی از «مزایا و معایب» و جمله‌ی پایانیِ «در نهایت بستگی به شرایطِ شما دارد».

مشکلِ دوم این است که در سؤال‌هایِ تصمیم، معمولاً خودت از قبل به یک طرف متمایلی و این تمایل ناخواسته در جمله‌بندی‌ات پیداست. مدل‌ها تمایل دارند با پرسشگر هم‌سو شوند؛ این پدیده را در مقاله‌ی چرا هوش مصنوعی همیشه با من موافق است باز کرده‌ایم. پس یک پرامپتِ خوبِ مشورتی دو کار می‌کند: زمینه‌ی کافی می‌دهد و در عینِ حال جواب را به سمتِ دلخواهت هل نمی‌دهد.

پنج بخشِ یک سؤالِ تصمیمِ خوب

لازم نیست همه‌ی این بخش‌ها طولانی باشند؛ گاهی هر کدام یک جمله است. مهم این است که جا نیفتند:

1. موقعیت: چه کسی هستی و الان کجای کار ایستاده‌ای. «یک فروشگاهِ آنلاینِ کوچکِ لوازمِ تحریر دارم، دو نفریم، حدودِ یک سال است فعالیم.»
2. خودِ تصمیم و گزینه‌ها: دقیقاً بینِ چه چیزهایی مردّدی. «یا ارسالِ رایگان برایِ همه بگذاریم، یا حداقلِ خرید تعیین کنیم، یا همین روالِ فعلی بماند.» اگر گزینه‌ها را نمی‌دانی، همین را بگو و بخواه گزینه پیشنهاد شود.
3. قیدها: چیزهایی که قابلِ تغییر نیستند: بودجه، زمان، نیرو، قانون، تعهداتِ قبلی. این‌ها بیشترین اثر را بر جواب دارند و بیشتر از همه جا می‌افتند.
4. معیارِ جوابِ خوب: برایت چه مهم‌تر است؟ سود در کوتاه‌مدت، ریسکِ کم، سادگی، رضایتِ مشتری؟ اگر ترتیبِ اولویت را نگویی، مدل ترتیبِ خودش را می‌چیند.
5. شکلِ خروجی: چه تحویل می‌خواهی. یک توصیه‌ی روشن با دلیل؟ جدولِ مقایسه؟ فهرستِ سؤال‌هایی که باید قبل از تصمیم جواب بدهی؟ «اولین قدمِ عملی برایِ هفته‌ی بعد» هم خروجیِ خوبی است.

یک بخشِ ششمِ اختیاری هم هست که ارزشش از همه بیشتر است: چیزی که نمی‌خواهی. مثلاً «کلی‌گویی درباره‌ی اهمیتِ تجربه‌ی مشتری لازم نیست» یا «پیشنهادِ تبلیغاتِ پولی نده، بودجه‌اش را نداریم». این یک جمله جلویِ نیمی از جواب‌هایِ بی‌مصرف را می‌گیرد.

نمونه‌ی قبل و بعد

بهترین راهِ دیدنِ فرق، کنارِ هم گذاشتنِ دو نسخه از یک سؤال است. نسخه‌ی اول همان چیزی است که بیشترِ ما اول تایپ می‌کنیم:

ارسالِ رایگان بگذارم برایِ فروشگاهم یا نه؟

و نسخه‌ی بازنویسی‌شده:

یک فروشگاهِ آنلاینِ لوازمِ تحریر دارم، دو نفریم و حدودِ یک سال است فعالیم. بیشترِ سفارش‌ها کوچک‌اند و هزینه‌ی ارسال سهمِ بزرگی از مبلغِ سبد است. بینِ سه گزینه مردّدم: ارسالِ رایگان برایِ همه، ارسالِ رایگان بالایِ یک حداقلِ خرید، یا ماندن رویِ روالِ فعلی. قید: نمی‌توانیم قیمتِ کالاها را زیاد بالا ببریم، چون رقبا نزدیک‌اند. برایم مهم‌تر از فروشِ بیشتر، این است که سودِ هر سفارش منفی نشود. خروجی: یک توصیه، دلیلش، و این‌که برایِ آزمودنش در یک ماهِ آینده چه عددهایی را باید زیرِ نظر بگیرم. کلی‌گویی درباره‌ی وفاداریِ مشتری لازم نیست.

نسخه‌ی دوم طولانی‌تر است، اما هیچ جمله‌اش اضافه نیست؛ فرقِ نوشتن پرامپت برای مشورت با هوش مصنوعی با تایپ کردنِ یک سؤالِ سریع همین است. جدولِ زیر نشان می‌دهد هر اضافه چه چیزی را عوض می‌کند:

چیزی را که مطمئن نیستی، فرض نکن

بیشترِ پرامپت‌ها پُر از فرض‌هایی‌اند که نویسنده حتی متوجهشان نیست. «چطور مشتری‌هایِ بیشتری از اینستاگرام بگیرم؟» فرض کرده که اینستاگرام کانالِ درستی است. «کدام زبانِ برنامه‌نویسی را برایِ پروژه‌ام انتخاب کنم؟» فرض کرده که باید از صفر بنویسی. اگر مدل این فرض‌ها را بپذیرد، جوابش هر قدر هم دقیق باشد، به سؤالِ اشتباه جواب داده است.

دو راه برایِ گرفتنِ این فرض‌ها هست. راهِ اول دستی است: بعد از نوشتنِ سؤال از خودت بپرس «این جمله چه چیزی را درست فرض کرده؟» و هر فرضِ مشکوک را یا صریح بنویس («فرض کن اینستاگرام تنها کانالِ ماست») یا به سؤال تبدیلش کن («آیا اصلاً اینستاگرام کانالِ درستی است؟»). راهِ دوم این است که از خودِ ابزار کمک بگیری.

در چندهوش، پیش از شروعِ نشست دو گزینه‌ی رایگان برایِ همین کار هست:

• «بررسیِ برداشتِ ما»: یک مدلِ سبک سؤالت را با زبانِ خودش بازگو می‌کند. اگر برداشتش با منظورت فرق داشت، یعنی سؤال جایی مبهم است و بهتر است قبل از شروع اصلاحش کنی، نه بعد از این‌که کلِ میز رویِ برداشتِ غلط بحث کرد.
• «تأییدِ فرض‌ها»: فرض‌هایِ پنهانِ پشتِ سؤالت فهرست می‌شود و تو هر کدام را قبول یا رد می‌کنی. ردکردنِ یک فرضِ غلط در این مرحله، ارزان‌ترین اصلاحی است که می‌توانی انجام بدهی.

حتی اگر از ابزارِ دیگری استفاده می‌کنی، می‌توانی همین دو قدم را دستی شبیه‌سازی کنی: اول از مدل بخواه سؤالت را بازگو کند و فرض‌هایش را فهرست کند، و فقط بعد از تأییدِ تو جواب بدهد.

وقتی قرار است چند مدل جواب بدهند

اگر سؤالت را هم‌زمان به چند مدل می‌دهی، چند نکته‌ی دیگر هم مهم می‌شود. روشِ کلیِ این کار را در پرسیدن از چند هوش مصنوعی هم‌زمان توضیح داده‌ایم؛ این‌جا فقط سراغِ خودِ متنِ سؤال می‌رویم:

• نظرت را آخر بگو، یا اصلاً نگو. اگر بنویسی «به نظرم ارسالِ رایگان بهتر است، موافقی؟»، چند مدلِ موافق به دست می‌آوری که ارزشِ چندانی ندارد. بپرس، بعد اگر خواستی نظرت را در دورِ بعد مطرح کن.
• گزینه‌ها را با وزنِ برابر بنویس. اگر یکی را با سه جمله‌ی پرشور و دیگری را با یک کلمه معرفی کنی، خودت داوری را انجام داده‌ای.
• سؤالِ یکسان بده. وقتی می‌خواهی جواب‌ها را مقایسه کنی، هر تفاوت در متنِ سؤال، تفاوت در جواب را بی‌معنا می‌کند.
• نوعِ نشست را با هدفت جور کن. برایِ یک ادعایِ مشخص «راستی‌آزمایی»، برایِ دو گزینه «مناظره»، برایِ سه گزینه یا بیشتر «آرنا» و برایِ دیدنِ سبکِ جواب‌ها کنارِ هم «مقایسه‌ی خالص». اگر مطمئن نیستی، «هوشمندِ هدایتگر» خودش قالب را انتخاب می‌کند.

چند مدل از یک سؤالِ خوب، جواب‌هایی می‌دهند که واقعاً قابلِ مقایسه‌اند؛ این همان جایی است که هوش مصنوعی چندمدلی ارزشش را نشان می‌دهد. از یک سؤالِ مبهم، هر مدل ابهام را به شکلِ خودش پر می‌کند و اختلافشان بیشتر از فهمِ متفاوتِ سؤال می‌آید تا از نگاهِ متفاوت به تصمیم.

یک نمونه‌ی فرضی: از سؤالِ یک‌خطی تا نشست

این بخش نمونه‌ی فرضی است و فقط شکلِ کار را نشان می‌دهد؛ نشست، کاربر و نتیجه‌ی واقعی نیست.

فرض کن همان صاحبِ فروشگاهِ لوازمِ تحریری و نسخه‌ی بازنویسی‌شده‌ی سؤال را در چندهوش می‌نویسی.

• پیش از شروع: «بررسیِ برداشتِ ما» سؤال را این‌طور بازگو می‌کند که «می‌خواهید بدانید ارسالِ رایگان فروش را چقدر بالا می‌برد». این دقیقاً منظورت نیست؛ معیارت سودِ هر سفارش بود. جمله‌ی معیار را پررنگ‌تر می‌کنی. بعد «تأییدِ فرض‌ها» را می‌زنی و فرضِ «مشتری‌ها به هزینه‌ی ارسال حساس‌اند» را نه رد و نه قبول می‌کنی، بلکه در متن می‌نویسی که داده‌ای درباره‌اش نداری.
• نوعِ نشست: «آرنا»، چون سه گزینه داری و هر صندلی از یکی دفاع می‌کند.
• صندلی‌ها: سه صندلی از خانواده‌هایِ مختلف، هر کدام مدافعِ یک گزینه، و صندلیِ «وکیلِ مدافعِ شیطان» که هر سه را زیرِ سؤال می‌برد.
• عمق: «عادی»؛ تصمیم مهم است ولی برگشت‌پذیر.
• پیوست: یک فایلِ CSV از سفارش‌هایِ سه ماهِ اخیر با مبلغِ سبد و هزینه‌ی ارسال، بدونِ نام و شماره‌ی مشتری‌ها.

حکمِ نوشته‌شده در چنین نمونه‌ای می‌تواند این بخش‌ها را داشته باشد: برنده گزینه‌ی حداقلِ خرید، چون با داده‌ی پیوست‌شده سازگارتر است؛ توافق بر این‌که ارسالِ رایگان برایِ همه با این سبدهایِ کوچک سودِ هر سفارش را تهدید می‌کند؛ اختلاف بر سرِ این‌که حداقلِ خرید را کجا بگذارند؛ قوی‌ترین مخالفتِ باقی‌مانده این‌که بدونِ دانستنِ رفتارِ مشتری، هر عددی حدس است؛ و توصیه این‌که یک ماه آزمایش کنی و میانگینِ مبلغِ سبد و درصدِ سبدهایِ رهاشده را زیرِ نظر بگیری. اگر بعد از حکم سؤالی ماند، می‌توانی سؤالِ پیگیری بپرسی بی‌آن‌که بحث از اول شروع شود.

اشتباه‌هایِ رایج که جواب را خراب می‌کنند

• چند سؤال در یک سؤال: «قیمت را بالا ببرم و محصولِ جدید اضافه کنم و تبلیغ هم بکنم؟» سه تصمیم است. جدا بپرس، یا بگو کدام اولویت دارد.
• زمینه‌ی زیادیِ بی‌ربط: تاریخچه‌ی کاملِ شرکت کمکی نمی‌کند؛ فقط آن بخشی که رویِ تصمیم اثر دارد. متنِ طولانی هزینه را هم بالا می‌برد؛ در کاهش هزینه استفاده از هوش مصنوعی به این موضوع پرداخته‌ایم.
• عددهایِ حدسی بدونِ برچسب: اگر عددی را نمی‌دانی و حدس زده‌ای، بنویس «حدسِ من». وگرنه مدل آن را واقعیت می‌گیرد و رویش بنا می‌کند.
• پرسیدنِ چیزی که فقط تو می‌دانی: «مشتری‌هایم چه می‌خواهند؟» را هیچ مدلی بهتر از داده‌یِ خودت نمی‌داند. به‌جایش بپرس «برایِ فهمیدنِ خواسته‌ی مشتری‌ها چه چیزی را چطور بسنجم؟»
• اعتمادِ کامل به جوابی که روان است: جوابِ خوش‌نوشته لزوماً درست نیست. ادعاهایِ واقعی‌اش را جداگانه بسنج؛ مقاله‌ی توهم هوش مصنوعی نشان می‌دهد کجاها بیشتر باید شک کنی.

و یک یادآوریِ همیشگی: حتی بهترین سؤال هم جایِ متخصص را در تصمیم‌هایِ جدیِ پزشکی، حقوقی یا مالی نمی‌گیرد. سؤالِ خوب کمک می‌کند با آمادگیِ بیشتری سراغِ متخصص بروی، نه این‌که از او بی‌نیاز شوی.

جمع‌بندی

نوشتن پرامپت برای مشورت با هوش مصنوعی مهارتی است که بیشترین بازده را در کارِ با مدل‌ها دارد: موقعیت، گزینه‌ها، قیدها، معیارِ جوابِ خوب و شکلِ خروجی را بگو، چیزی را که نمی‌خواهی صریح کن و فرض‌هایِ پنهان را پیش از شروع بیرون بکش. وقتی سؤال خوب باشد، اختلافِ چند مدل هم معنادار می‌شود، چون از نگاهِ متفاوت می‌آید نه از برداشتِ متفاوت. اگر می‌خواهی ببینی سبکِ جوابِ مدل‌هایِ مختلف رویِ سؤالِ خودت چه فرقی دارد، روشِ مقایسه ChatGPT و Claude و Gemini را امتحان کن.