در مطلب پرامپت چیست ساختار پایه را دیدیم: نقش، کار، زمینه، قالب. حالا وقت ابزارهای حرفه‌ای‌تر است — تکنیک‌هایی که در کارهای پیچیده تفاوت «قابل استفاده» و «دور انداختنی» را می‌سازند. هر تکنیک را کوتاه و با مثال قبل/بعد می‌بینیم؛ نه نظریه، فقط چیزی که فردا در کارتان به کار می‌آید.
۱. نقش‌دهی: صدا و زاویه‌ی دید را قفل کنید
دادن نقش، توزیع احتمال پاسخ‌ها را به سمت «نوشته‌های یک متخصص» می‌برد. بد نیست؛ اما ظریف‌تر از آن: نقش را با مخاطب و معیار بدهید، نه فقط عنوان.
قبل: «به‌عنوان ویراستار این متن را بررسی کن.»
بعد: «ویراستار ارشد یک نشریه‌ی فنی باشی؛ مخاطب متن، برنامه‌نویسان تازه‌کارند. سه اصلاح با اولویت بده: ساده‌سازی جملات سنگین، حذف اصطلاح بدون تعریف، و انسجام لحن. برای هر مورد قبل و بعد را نشان بده.»
۲. Few-shot: الگو نشان بده، نه فقط توصیف کن
مدل از الگوها بهتر از توصیف‌ها پیروی می‌کند. وقتی قالب خروجی خاصی می‌خواهید، دو سه نمونه‌ی ورودی/خروجی بدهید — به‌خصوص برای کارهای ساختاریافته مثل استخراج و دسته‌بندی. نمونه‌ها را «سخت» انتخاب کنید: یک نمونه‌ی مرزی (خروجی خالی، مورد نامشخص) بیشتر از ده نمونه‌ی ساده آموزش می‌دهد.
دسته‌بندی تیکت پشتیبانی به یکی از: فنی/مالی/پیشنهاد.
ورودی: «پرداخت دو بار ثبت شد» → مالی
ورودی: «صفحه سفید می‌شود بعد از ورود» → فنی
ورودی: «کاش گزارش ماهانه داشت» → پیشنهاد
ورودی: «استفاده‌ی هم‌زمان دو نفر قفل می‌کند» →۳. خروجی ساختاریافته: فرمتی که برنامه‌تان بخواند
اگر خروجی قرار است در سیستم شما مصرف شود، ساختار را صریح تعریف کنید — فیلدها، انواع، حالت‌های خاص — و بگویید «فقط JSON بده، بدون هیچ توضیح اضافه». یک مثال JSON خالی از اسکیمای شما، خطای پارس را به‌شدت کم می‌کند. برای کارهای حساس، بعد از دریافت، اعتبارسنجی کنید و در صورت شکست، همان خطا را به مدل برگردانید تا اصلاح کند — این چرخه‌ی خودکار، پایداری را چند برابر می‌کند.
۴. زنجیره‌ی فکر: اجازه بده قدم‌ها را بریزد
در مسائل چندمرحله‌ای — حساب، منطق، تحلیل — پاسخ فوری خطا می‌زند؛ چون مدل مثل انسان است: با «پریدن به جواب»، میان‌جی‌ها گم می‌شوند. راه‌حل: بخواهید اول قدم‌ها را بنویسد، بعد نتیجه. کافی است بگویید: «قدم‌به‌قدم تحلیل کن و در آخر جواب نهایی را زیر «جواب:» بنویس.» برای مسائل سخت‌تر، ترتیب را صریح کنید: «اول داده‌های مسأله را فهرست کن، بعد فرض‌ها، بعد محاسبه.» هزینه‌اش توکن بیشتر است؛ برای کارهای حساس، می‌ارزد.
۵. تجزیه‌ی کار: مأموریت‌های بزرگ را بشکنید
یک پرامپت عظیم با ده خواسته، پاسخ‌های روی‌هم‌افتاده می‌دهد. کار بزرگ را به زنجیره‌ی پرامپت‌های کوچک تبدیل کنید — خروجی هر قدم، ورودی قدم بعد: اول «این سند را خلاصه کن با تمرکز بر ریسک‌ها»، بعد «از این خلاصه، جدول ریسک با شدت بساز»، بعد «برای سه ریسک بالای جدول، پیشنهاد عملی بنویس». مزیت جانبی: خطا را در قدم مشخص پیدا می‌کنید و همان قدم را دوباره می‌گیرید، نه همه‌چیز را.
۶. زمینه‌ی منفی: بگویید چه چیزی نباشد
مدل به «نه‌ها» خوب گوش می‌دهد اگر صریح باشند: «از مقدمه‌ی تشریفاتی استفاده نکن»، «اصطلاح انگلیسی را ترجمه کن مگر اسم برند باشد»، «اگر مطمئن نیستی، حدس نزن؛ بنویس نامشخص است». یکی از مؤثرترین‌ها: «اگر اطلاعات کافی نیست، قبل از پاسخ سؤال بپرس» — این یک جمله، تعداد جواب‌های سرهم‌بندی‌شده را به‌شدت کم می‌کند.
۷. متن مبنا: از حافظه نگیر، از متن بخوان
برای هر پاسخ مبتنی بر واقعیت — قرارداد، آمار، مستندات — متن را داخل پرامپت بدهید و مرز بگذارید: «فقط بر اساس متن زیر جواب بده؛ اگر نیست، بگو نیست.» این تکنیک ساده، نسخه‌ی کوچک RAG است و بیشترِ توهم‌های日用 را می‌کشد — ریشه‌ی ماجرا در همان الگوی RAG است که در مطلب جداگانه‌ای باز شده.
۸. چرخه‌ی اصلاح: جواب اول مقدمه‌ی گفتگوست
پرامپت‌نویسی حرفه‌ای یک‌شلیک نیست؛ چرخه است. الگوی مؤثر: جواب اول را با هدف مقایسه کنید، بازخورد دقیق بدهید — نه «بهترش کن» بلکه «سه بند اول را حفظ کن؛ جدول را به ستون‌های جدید اضافه کن؛ لحن بخش آخر را رسمی‌تر» — و ادامه‌ی همان گفتگو را بخواهید. مدل زمینه را دارد؛ ادامه‌دادن همیشه ارزان‌تر و بهتر از شروع از صفر است.
جمع‌بندی
هشت ابزار، هشت موقعیت: نقش‌دهی برای لحن و زاویه، Few-shot برای الگو، ساختار برای خروجی ماشین‌خوان، زنجیره‌ی فکر برای مسائل سخت، تجزیه برای کارهای بزرگ، نه‌های صریح برای مرزها، متن مبنا برای واقعیت، و چرخه‌ی اصلاح برای کیفیت نهایی. لازم نیست همه را همیشه به کار ببرید؛ تشخیص موقعیت خودش مهارت است — و همان چیزی که کاربر حرفه‌ای را از کاربر معمولی جدا می‌کند. برای دیدن بستر این تکنیک‌ها، مطلب پرامپت چیست را مرور کنید و این‌ها را روی کار واقعی خودتان تمرین کنید — بهترین زمینه‌ی یادگیری، فایل‌ها و مسائل خودتان است.