Meta-prompting — پرامپت برای ساخت پرامپت

فرض کن هر بار که می‌خوای از یه AI برای نوشتن یه ایمیل کمک بگیری، باید از صفر فکر کنی که «چطور بپرسم؟». این وقت‌گیره و نتیجه معمولاً متوسطه. Meta-prompting دقیقاً برای حل همین مشکل اومده — به‌جای اینکه هر بار پرامپت بنویسی، از AI می‌خوای که پرامپت بهتری برات بسازه.

Meta-prompting چیست؟

Meta-prompting یعنی استفاده از یک مدل زبانی برای تولید، بهبود، یا ارزیابی پرامپت‌های دیگه. به‌جای اینکه خودت از صفر پرامپت بنویسی، به مدل می‌گی «هدفم اینه، یه پرامپت خوب برام بساز» — یا «این پرامپت رو بهتر کن».

این مفهوم در یه مقالهٔ ۲۰۲۳ از گروه Stanford روی شیوه‌های ارکستراسیون مدل مطرح شد، ولی ریشه‌ش عمیق‌تره: هر جایی که یه مدل روی خروجی مدل دیگه‌ای (یا روی خودش) بازتاب می‌کنه، meta-prompting داریم.

چرا این رویکرد کار می‌کند؟

یه مدل زبانی پیشرفته مثل GPT-4o یا Claude Sonnet میلیاردها نمونهٔ پرامپت خوب و بد دیده. اون میل‌ه بهتر از ذهن تو، می‌دونه که چه المان‌هایی یه پرامپت رو اثرگذار می‌کنن. وقتی ازش می‌خوای پرامپت بسازه، داره از این دانهٔ انباشته استفاده می‌کنه.

در عمل این کار سه چیز رو تغییر می‌ده:

۱. کیفیت خروجی بالا می‌ره. یه پرامپت که AI برات ساخته معمولاً جزئیات بیشتری داره — نقش مشخص، فرمت تعریف‌شده، مثال همراه. این‌ها چیزایی هستن که کاربرهای تازه‌کار معمولاً فراموش می‌کنن.

۲. سرعت کارت بیشتر می‌شه. به‌جای ۱۵ دقیقه فکر کردن، ۳۰ ثانیه با مدل گفتگو می‌کنی و یه پرامپت آماده داری.

۳. یاد می‌گیری. وقتی می‌بینی AI چه پرامپتی ساخته، می‌فهمی چرا — و این الگو ذهنت رو برای دفعهٔ بعد آموزش می‌ده.

چطور عملاً استفاده کنی؟

روش ۱ — مستقیم بخواه

ساده‌ترین روشه:

هدفم اینه که از یه AI بخوام برای یه کمپین اینستاگرام برای یه کافهٔ ایرانی در تهران کپی رایتینگ بنویسه.
یه پرامپت حرفه‌ای برام بنویس که این کار رو انجام بده.

مدل برات یه پرامپت با نقش، زمینه، مخاطب، و فرمت می‌سازه.

روش ۲ — پرامپت ضعیفت رو بده، بهتر کن بخواه

این پرامپت دارم: «برام یه ایمیل بنویس»
مشکلاتش رو بگو و یه نسخهٔ بهتر بساز.

روش ۳ — حلقهٔ بازخورد

پرامپت رو به مدل می‌دی، خروجی رو ازش می‌گیری، خروجی رو نقد می‌کنی، از مدل می‌خوای پرامپت رو بر اساس نقد اصلاح کنه. این حلقه رو دو-سه بار تکرار کن.

روش ۴ — قالب‌های از پیش ساخته

یه کار باهوشانه اینه که یه بار از AI بخوای یه «قالب پرامپت» برات بسازه که بعداً چندین بار باهاش کار کنی:

یه قالب کلی بساز که هر بار بتونم با جای‌گزین کردن متغیرها، پرامپت‌های SEO برای بلاگ بسازم.

یه مثال واقعی قدم‌به‌قدم

فرض کن می‌خوای از Claude بخوای برات یه گزارش تحلیل رقبا بنویسه. پرامپت اولیهٔ تو:

«دربارهٔ رقبای یه استارتاپ AI ایرانی بنویس»

این خیلی مبهمه. حالا meta-prompting:

تو به مدل می‌گی:

این پرامپتم رو ببین: «دربارهٔ رقبای یه استارتاپ AI ایرانی بنویس». بهترین نسخه‌ش چیه؟

مدل ممکنه برگردونه:

«تو نقش یه تحلیلگر استراتژیک هستی. [نام استارتاپ] یه اپلیکیشن AI فارسی با ویژگی حافظه‌ٔ بلندمدت برای کاربران ایرانیه. لطفاً یه تحلیل رقبا شامل این بخش‌ها بنویس: ۱) رقبای مستقیم داخلی ۲) رقبای بین‌المللی قابل دسترس در ایران ۳) مزیت‌های رقابتی احتمالی. خروجی رو به صورت جدول با توضیح کوتاه بده.»

این پرامپت دومی خروجی بسیار بهتری می‌ده.

محدودیت‌های واقعی

Meta-prompting معجزه نیست. چند محدودیت جدی داره:

• هزینه: هر بار یه رفت‌وبرگشت اضافه با مدل داری. اگه از API استفاده می‌کنی، هزینهٔ توکن دوبرابر می‌شه.
• اتکای کور: اگه کورکورانه از پرامپت ساخته‌شده استفاده کنی بدون اینکه بفهمی چرا، یاد نمی‌گیری.
• فارسی: مدل‌های کوچک‌تر در ساخت پرامپت فارسی ضعیف‌ترن. برای این کار از GPT-4o، Claude Sonnet، یا Gemini 1.5 Pro استفاده کن.

ارتباطش با شناخت پیوسته

یه نکتهٔ ظریف: وقتی AI تو رو می‌شناسه — سبک نوشتنت، صنعتی که توش کار می‌کنی، ساختار محتوایی که ترجیح می‌دی — دیگه meta-prompting به اندازهٔ الان لازم نیست. چون مدل از قبل می‌دونه چطور باید پرامپت رو تنظیم کنه. این همون چیزیه که شناخت پیوسته رو از یه چت‌بات فراموش‌کار جدا می‌کنه.

همچنین بخوان

• پرامپت چیست؟ راهنمای کامل فارسی
• Few-shot prompting — آموزش با مثال
• فرمول CO-STAR برای پرامپت‌نویسی
• شناخت پیوسته در هوش مصنوعی