خلاصه تصمیم: اگر از ChatGPT، Claude یا مدل‌های مشابه فقط جواب‌های کلی می‌گیرید، مشکل معمولاً مدل نیست؛ تکنیک‌های پرامپت است. پرامپت‌نویسی یعنی خواسته‌تان را طوری بنویسید که مدل بفهمد نقش چیست، خروجی چه شکلی باشد، برای چه کسی است و چه چیزهایی ممنوع است. این مهارت وقتی واقعاً مهم می‌شود که زمان، پول یا اعتبار کسب‌وکارتان به کیفیت خروجی گره خورده باشد — مثلاً متن فروش، پاسخ پشتیبانی، خلاصه قرارداد، یا برنامه محتوا.
این راهنما برای فریلنسر، صاحب کسب‌وکار کوچک و کارشناس محتواست که می‌خواهد بدون اصطلاح‌بازی، ۱۰ تکنیک کاربردی را همین امروز روی کار واقعی‌اش بزند. هر تکنیک شامل «چی هست»، «کی استفاده شود»، یک نمونه پرامپت کوتاه و یک نکته است.
اگر تازه مسیر AI را شروع کرده‌اید، مسیر یادگیری ساخت‌یافته در مدرسه هوش مصنوعی همیار و نقشه عملی در وبینار AI مکمل خوبی برای تمرین همین تکنیک‌هاست.
پرامپت‌نویسی چیست و چرا کیفیت جواب را تعیین می‌کند؟
پرامپت انجینیرینگ (مهندسی پرامپت) یعنی طراحی دستورالعمل برای مدل زبانی تا خروجی دقیق، قابل‌استفاده و قابل‌تکرار بدهد. مدل دانش و الگو دارد؛ اما بدون زمینه، محدودیت و قالب، معمولاً به جواب «درست اما بی‌فایده» می‌رسد.
مهارت پرامپت وقتی حیاتی است که:
- خروجی را مستقیم برای مشتری یا تیم می‌فرستید (ایمیل، پروپوزال، اسکریپت فروش)
- باید در چند دقیقه چند نسخه‌ی قابل‌مقایسه بسازید
- داده‌ی حساس یا قوانین برند دارید و نمی‌خواهید مدل از خط قرمز رد شود
- می‌خواهید یک الگوی ثابت بسازید که فردا هم همان کیفیت را بدهد
قانون ساده: قبل از عوض کردن مدل، پرامپت را یک دور شفاف‌تر کنید. بیشتر جهش کیفیت از همین‌جا می‌آید.
۱. نقش مشخص کنید (Role Prompting)
چی: به مدل بگویید «مثل چه کسی» فکر و بنویسد — نه فقط «کمکم کن».
کی: وقتی لحن، سطح تخصص یا زاویه‌ی تصمیم مهم است (فروش، حقوقیِ ساده، پشتیبانی، کپی‌رایتینگ).
نمونه:
تو یک مشاور فروش B2B با تجربه‌ی فروش سرویس دیجیتال به شرکت‌های کوچک هستی. مخاطب: مدیر بازاریابی یک فروشگاه آنلاین پوشاک. هدف: پیشنهاد ۳ زاویه‌ی پیشنهاد ارزش برای تماس سرد لینکدین، کوتاه و قابل ارسال. لحن: محترم، بدون اغراق، فارسی روان.
نکته: نقش را با یک قید عملی قاطی کنید («با تجربه‌ی فروش سرویس دیجیتال») تا مدل از کلی‌گوییِ «مشاور همه‌فن‌حریف» فاصله بگیرد.
۲. خروجی مورد انتظار را دقیق توصیف کنید
چی: طول، ساختار، مخاطب، معیار موفقیت و «چه چیزی موفقیت نیست» را بنویسید.
کی: وقتی جواب‌های پراکنده یا خیلی بلند می‌گیرید؛ یا وقتی باید خروجی را بدون بازنویسی سنگین استفاده کنید.
نمونه:
یک ایمیل پیگیری بعد از جلسه‌ی دمو بنویس. مخاطب: مدیر عملیات؛ جلسه درباره اتوماسیون پشتیبانی بود. طول: حداکثر ۱۳۰ کلمه. ساختار: ۱) یادآوری یک درد، ۲) یک نتیجه‌ی قابل اندازه‌گیری، ۳) یک دعوت به اقدام با دو گزینه‌ی زمان. ننویس: تعریف کلی از AI، وعده‌ی معجزه، یا جمله‌ی انگلیسی مخلوط.
نکته: معیار منفی («ننویس…») اغلب از معیار مثبت قوی‌تر عمل می‌کند.
۳. مثال بدهید (Few-shot)
چی: یک یا دو نمونه‌ی خوب (و در صورت نیاز یک نمونه‌ی بد) بدهید تا مدل الگوی شما را کپی کند.
کی: لحن برند، قالب توییت/کپشن، یا سبک پاسخ پشتیبانی که باید یکدست بماند.
نمونه:
سبک پاسخ پشتیبانی ما این است: نمونه خوب: «سفارشتان امروز از انبار خارج شد؛ کد پیگیری: ۱۲۳. اگر تا ۴۸ ساعت وضعیت عوض نشد، همین‌جا پیام بدهید تا پیگیری کنیم.» نمونه بد: «دوست عزیز ممنون از شکیبایی‌تان؛ سیستم در حال بروزرسانی است لطفاً منتظر بمانید.» حالا برای این پیام مشتری پاسخ بده: «۳ روزه سفارشم نرسیده، کد ۱۴۴۲.»
نکته: برای کارهای تکراری فروش/پشتیبانی، مجموعه‌ی آماده‌ی پرامپت فارسی مثل پرامپت‌های فروش و پشتیبانی نقطه‌ی شروع سریع است؛ بعد با few-shot برند خودتان را قفل کنید.
۴. مدل را وادار به فکر کردن مرحله‌به‌مرحله کنید
چی: از مدل بخواهید اول تحلیل/فرضیات را جدا کند، بعد خروجی نهایی را بدهد (Chain-of-Thought کنترل‌شده).
کی: تصمیم‌گیری، مقایسه‌ی گزینه‌ها، عیب‌یابی، یا وقتی یک اشتباه کوچک هزینه دارد.
نمونه:
قدم ۱: فرضیات و اطلاعات ناقص را لیست کن (حداکثر ۵ مورد). قدم ۲: برای هر فرض، یک ریسک کسب‌وکار بنویس. قدم ۳: فقط بعد از آن، یک توصیه‌ی نهایی در ۳ خط بده. موضوع: آیا برای تیم ۳ نفره‌ی پشتیبانی، اول چت‌بات بخریم یا اول FAQ و اتوماسیون تیکت را درست کنیم؟
نکته: از مدل بخواهید «فرضیات» را جدا نشان بدهد؛ این کار حدس‌های پنهان را رو می‌کند.
۵. محدودیت‌ها و چیزهایی که نمی‌خواهید را بنویسید
چی: خط قرمز محتوا، لحن، ادعاهای ممنوع، و منابعی که نباید جعل شوند.
کی: متن تبلیغاتی، پاسخ به مشتری ناراضی، یا هر خروجی عمومی که ریسک اعتباری دارد.
نمونه:
پست اینستاگرام برای معرفی وبینار AI بنویس. اجباری: یک قلاب در خط اول، ۳ فایده‌ی عملی، یک CTA نرم به ثبت‌نام. ممنوع: قیمت، تضمین درآمد، آمار ساختگی، ایموجی بیش از ۲ تا، هشتگ بیشتر از ۵ تا. اگر داده‌ای نداری، به‌جای عدد تقریبی از عبارت کیفی استفاده کن.
نکته: «اگر مطمئن نیستی بگو نمی‌دانم» را صریح بنویسید؛ جلوی اعتمادبه‌نفس کاذب مدل را می‌گیرد.
۶. قالب خروجی را تعیین کنید (جدول، لیست، JSON)
چی: شکل خروجی را از قبل قفل کنید تا کپی/پیست و اتوماسیون آسان شود.
کی: گزارش هفتگی، مقایسه‌ی محصول، بریف محتوا، یا وقتی خروجی باید وارد شیت/ابزار بعدی شود.
نمونه:
برای ۳ ایده‌ی ریلز آموزشی درباره پرامپت‌نویسی، فقط جدول Markdown با ستون‌های زیر بده: عنوان | قلاب ۳ ثانیه اول | نکته‌ی اصلی | CTA نرم | سطح سختی (۱–۵) هیچ متن اضافه‌ای قبل یا بعد جدول ننویس.
نکته: اگر خروجی را به n8n یا ابزار اتوماسیون می‌دهید، قالب ثابت (مثلاً JSON با کلیدهای مشخص) جلوی شکست پارسر را می‌گیرد؛ برای شروع سبک می‌توانید از بسته شروع رایگان n8n هم ایده بگیرید.
۷. زمینه و داده را داخل پرامپت بگذارید
چی: واقعیت‌های کسب‌وکار، متن خام، محدودیت بودجه/زمان، و نمونه‌ی محصول را ضمیمه کنید.
کی: خلاصه‌سازی، بازنویسی، استخراج اقدام، یا وقتی مدل بدون داده فقط حدس می‌زند.
نمونه:
با تکیه فقط روی متن زیر (نه دانش عمومی)، ۵ اقدام قابل انجام برای بهبود پاسخ‌گویی پشتیبانی استخراج کن. هر اقدام: مالک پیشنهادی + افق زمانی (امروز / این هفته / این ماه). --- متن تیکت‌های هفته --- [متن را اینجا بچسبانید] --- پایان ---
نکته: مرز داده را با خط جداکننده مشخص کنید و بگویید «فقط از همین متن»؛ جلوی مخلوط شدن با دانش عمومی مدل را می‌گیرد.
۸. پرامپت را تکه‌تکه و پله‌پله جلو ببرید
چی: به‌جای یک پرامپت غول‌آسا، کار را به مراحل کوچک بشکنید و خروجی هر مرحله را تأیید کنید.
کی: پروژه‌های چندلایه: استراتژی محتوا، قیف فروش، یا بازنویسی صفحه فرود.
نمونه (مرحله ۱):
فقط پرسونای خریدار را در ۸ خط بساز: درد، مانع خرید، معیار موفقیت، کانال ترجیحی. هنوز کپی فروش ننویس.
نکته: بعد از تأیید پرسونا، مرحله‌ی بعد را بپرسید («حالا فقط تیترها»). کنترل انسانی بین مراحل، کیفیت نهایی را چند برابر می‌کند.
۹. از مدل بخواهید کار خودش را نقد کند
چی: یک دور «نقد + بازنویسی» اجباری کنید؛ مثل داشتن ویراستار داخلی.
کی: متن حساس، پیشنهاد قیمت، یا هر خروجی که نباید با عجله منتشر شود.
نمونه:
پیش‌نویس زیر را در ۳ محور نقد کن: وضوح، ادعاهای بدون شاهد، تناسب با مخاطب غیرتخصصی. سپس نسخه‌ی اصلاح‌شده را بده و تغییرات اصلی را در ۳ بولت خلاصه کن. --- پیش‌نویس --- [متن] ---
نکته: معیار نقد را خودتان بدهید؛ نقد آزاد معمولاً کلی و کم‌فایده است.
۱۰. پرامپت‌های موفق را ذخیره و قالب‌بندی کنید
چی: پرامپت‌های برنده‌تان را با جای‌خالی (متغیر) ذخیره کنید تا تیم همه یک کیفیت ثابت بگیرند.
کی: کار تکراری روزانه: کپشن، پاسخ تیکت، بریف جلسه، خلاصه تماس فروش.
نمونه قالب:
نقش: {{نقش}}
مخاطب: {{مخاطب}}
هدف: {{هدف}}
داده‌ها: {{یادداشت یا متن خام}}
قالب خروجی: {{لیست / جدول / ایمیل}}
محدودیت‌ها: {{ممنوع‌ها}}
کیفیت قابل قبول: {{معیار کوتاه}}
نکته: نام فایل/عنوان قالب را بر اساس «کار» بگذارید نه ابزار («پاسخ تأخیر ارسال» بهتر از «پرامپت ChatGPT ۱» است). برای مسیر عمیق‌تر کاربرد AI در کسب‌وکار، هوش مصنوعی برای کسب‌وکار و صفحه‌ی جامع هوش مصنوعی همیار را ببینید.
چطور همین هفته این ۱۰ تکنیک را تمرین کنید؟
- یک کار واقعی انتخاب کنید (مثلاً ایمیل پیگیری یا پاسخ یک تیکت پرتکرار).
- تکنیک ۱ + ۲ + ۵ را در یک پرامپت ترکیب کنید (نقش + خروجی دقیق + ممنوع‌ها).
- اگر لحن برند مهم است، یک few-shot کوتاه اضافه کنید.
- خروجی را با تکنیک ۹ نقد و یک نسخه‌ی نهایی بگیرید.
- نسخه‌ی برنده‌تان را با تکنیک ۱۰ قالب کنید و در پوشه‌ی تیم بگذارید.
اگر ترجیح می‌دهید مسیر را با کلاس و تمرین جلو ببرید، از مدرسه هوش مصنوعی شروع کنید و برای نقشه‌ی اقدام عملی، وبینار AI همیار را در برنامه بگذارید.
سوالات پرتکرار درباره تکنیک‌های پرامپت‌نویسی
۱) پرامپت انجینیرینگ همان نوشتن سؤال بهتر است؟
تا حدی بله؛ اما فراتر از سؤال است: نقش، داده، قالب، محدودیت و معیار کیفیت را هم شامل می‌شود. هدف، خروجی قابل‌استفاده و قابل‌تکرار است نه فقط «جواب درست».
۲) کدام مدل برای این تکنیک‌ها بهتر است؟
تکنیک‌ها مدلagnostic هستند و روی ChatGPT، Claude و مدل‌های مشابه جواب می‌دهند. اول پرامپت را محکم کنید؛ بعد اگر لازم بود مدل را عوض کنید.
۳) آیا باید همه ۱۰ تکنیک را در هر پرامپت بیاورم؟
نه. برای کار ساده، نقش + خروجی دقیق + محدودیت کافی است. تکنیک‌های مرحله‌ای، نقد و قالب‌بندی وقتی ارزش دارند که کار تکراری یا پرریسک باشد.
۴) فارسی بنویسم یا انگلیسی؟
برای خروجی فارسی کسب‌وکار، پرامپت فارسیِ واضح معمولاً بهتر است. اگر اصطلاح فنی دقیق‌تری به انگلیسی دارید، همان را داخل پرامپت فارسی بگذارید؛ مهم وضوح است نه زبان نمایشی.
۵) چطور پرامپت را برای تیم استاندارد کنم؟
با قالب جای‌خالی (تکنیک ۱۰)، یک نمونه‌ی خوب/بد (تکنیک ۳) و یک چک‌لیست کوتاه کیفیت. همین سه قطعه بیشتر از ده‌ها نکته‌ی پراکنده به تیم کمک می‌کند.
جمع‌بندی و اقدام
کیفیت جواب هوش مصنوعی بیشتر از آنکه به «مدل جادویی» وابسته باشد، به شفافیت خواسته‌ی شما وابسته است. از نقش و خروجی دقیق شروع کنید، محدودیت بگذارید، در کارهای حساس مرحله‌ای پیش بروید و پرامپت‌های برنده را قالب کنید. اگر یک کار امروز انجام می‌دهید: همان ایمیل یا تیکت پرتکرار هفته را با تکنیک‌های ۱، ۲ و ۵ از نو بنویسید و نسخه‌ی نهایی را ذخیره کنید.
برای ادامه، مسیر رایگان و ساخت‌یافته‌ی مدرسه AI، نقشه‌ی عملی وبینار AI، و منابع کاربردی در مرکز هوش مصنوعی همیار را دنبال کنید.
