فرمول RACE در پرامپتنویسی
اگه تا حالا از یه AI خواستی کاری انجام بده و نتیجهای که گرفتی با چیزی که تو ذهنت بود خیلی فرق داشت، احتمالاً مشکل از پرامپت بوده.
اگه تا حالا از یه AI خواستی کاری انجام بده و نتیجهای که گرفتی با چیزی که تو ذهنت بود خیلی فرق داشت، احتمالاً مشکل از پرامپت بوده. فرمول RACE یه ساختار ساده برای نوشتن پرامپتهای دقیقتره، و یاد گرفتنش حدود ده دقیقه وقت میبره.
RACE چیست؟
RACE مخفف چهار بخشه:
- R، Role (نقش): به AI بگو چه نقشی بگیره
- A، Action (عمل): دقیقاً چه کاری انجام بده
- C، Context (زمینه): اطلاعات پسزمینهای که لازم داره
- E، Execute (اجرا): خروجی نهایی که میخوای چه شکلی باشه
این فرمول یه چارچوب اومده از دنیای copywriting و content marketing که بعداً توی prompt engineering خیلی محبوب شد. ایده اصلیش اینه که مدلهای زبانی با اطلاعات ساختاریافته بهتر کار میکنن تا درخواستهای مبهم.
یه مثال واقعی: قبل و بعد از RACE
بدون RACE:
«یه ایمیل بنویس برای مشتری»
با RACE:
Role: تو یه متخصص ارتباط با مشتری در یه شرکت نرمافزاری ایرانی هستی. Action: یه ایمیل پیگیری بنویس برای مشتری که هفته پیش دمو دیده ولی هنوز جواب نداده. Context: شرکت ما SaaS مدیریت حضور و غیاب میفروشه، قیمت پایه ماهانه ۵۰۰ هزار تومانه. مشتری یه کارخانه تولیدی با ۸۰ نفر کارمنده. Execute: ایمیل باید کوتاه (۳ پاراگراف)، محترمانه ولی نه التماسی باشه. در پایان یه call-to-action واضح برای تنظیم جلسه بذار.
نتیجه؟ خروجی دومی که از AI میگیری خیلی بهدردبخورتره و احتمالاً نیاز به ویرایش کمتری داره.
چطور هر بخش رو پر کنیم؟
R، Role
اینجا باید مشخص کنی AI چه تخصصی داره و چه جایگاهی داره. مثالهای کاربردی:
- «تو یه مدیر محصول با ۱۰ سال تجربه در استارتاپهای ایرانی هستی»
- «مثل یه مدرس دبیرستان توضیح بده که زبان سادهای داره»
- «به عنوان یه وکیل ایرانی که روی حقوق تجارت تخصص داره»
نقش دقیقتر = خروجی متناسبتر. گفتن «متخصص» خیلی کلیتره از «متخصص SEO که روی بازار ایران تمرکز داره».
A، Action
این بخش باید یه فعل صریح داشته باشه. نه «صحبت کن درباره»، بلکه:
- «بنویس»، «خلاصه کن»، «ترجمه کن»، «فهرست کن»، «مقایسه کن»، «ارزیابی کن»
C، Context
هرچی زمینه دقیقتر بدی، AI کمتر باید حدس بزنه. اطلاعاتی که معمولاً مفیدن:
- مخاطب نهایی کیه؟
- این محتوا کجا استفاده میشه؟
- محدودیتها یا حساسیتهای خاص؟
- پیشزمینهای که AI باید بدونه؟
E، Execute
اینجا فرمت خروجی رو مشخص میکنی. مثلاً:
- «با فهرست bullet point»
- «در قالب جدول»
- «حداکثر ۲۰۰ کلمه»
- «با مثالهای ایرانی»
- «به سبک رسمی / غیررسمی»
RACE در مقایسه با فرمولهای دیگه
چند فرمول مشابه وجود داره که هر کدوم زاویه کمی متفاوتی دارن:
CO-STAR (Context, Objective, Style, Tone, Audience, Response)، جزئیات بیشتری داره و برای محتوای marketing مناسبتره. مقالهاش اینجاست.
RISEN (Role, Instructions, Steps, End goal, Narrowing)، بیشتر برای task-based prompting مناسبه.
Chain-of-thought، رویکرد کاملاً متفاوته: به جای ساختار، از AI میخوای مرحله به مرحله فکر کنه. در این مقاله توضیح داده شده.
RACE برای کاربردهای روزمره (ایمیل، محتوا، خلاصه، توضیح) کافیه. برای کدنویسی پیچیده یا تحلیل، ترکیبش با تکنیکهای دیگه بهتر جواب میده.
نمونههای آماده برای کارهای رایج
برای تولید محتوای شبکه اجتماعی:
Role: متخصص شبکه اجتماعی با تجربه در بازار ایران
Action: ۵ پست اینستاگرام بنویس
Context: برند فروشگاه آنلاین لوازم خانگی، مخاطب خانمهای ۲۵-۴۵ ساله، لحن صمیمی
Execute: هر پست حداکثر ۱۵۰ کلمه، با ایموجی مناسب، بدون تکرار ایده
برای خلاصهسازی:
Role: ویراستار حرفهای
Action: این متن رو خلاصه کن
Context: [متن مورد نظر را اینجا بگذار]
Execute: ۵ نکته اصلی به صورت bullet point، به فارسی ساده
برای کمک در کدنویسی:
Role: توسعهدهنده Python با تجربه در backend
Action: این تابع رو refactor کن
Context: [کد را اینجا بگذار]، پروژه Django، نسخه ۴.۲، نیاز به سازگاری با Python 3.11
Execute: کد بهبودیافته + توضیح کوتاه درباره تغییرات
یه نکته مهم: RACE چه وقت محدودیت داره؟
RACE یه فرمول خوبه ولی نه جادو. اگه:
- مدل با موضوع آشنا نیست، هر قدر هم پرامپتت ساختاریافته باشه، خروجی ضعیف میمونه
- سوال خیلی فنیه، برای prompt injection یا jailbreak جلوگیری میکنه، نه اینکه دانش تخصصی ایجاد کنه
- نیاز به اطلاعات real-time داری، RACE نمیتونه جای web search رو بگیره
ضمناً مدلهای مختلف به RACE واکنش متفاوتی دارن. GPT-4 و Claude معمولاً ساختار رو خوب میفهمن؛ مدلهای کوچکتر ممکنه کمتر به نقش تعریفشده پایبند بمونن.
و یه راز کوچک
هرچی AI تو رو بهتر بشناسه، پرامپتهات میتونن کوتاهتر بشن. اگه یه سیستم داشتی که سبک نوشتاری، زمینه کاری، و ترجیحاتت رو به یاد بیاره، دیگه لازم نیست هر بار Context رو از صفر بنویسی. این همون چیزیه که شناخت پیوسته دنبالش هست.
همچنین بخوان
ادامهٔ مسیر
همهٔ مقالهها ←
فرمول CO-STAR در پرامپتنویسی
یه پرامپت خوب انگار داری با یه متخصص صحبت میکنی که هم موضوع رو میدونه، هم دقیقاً میفهمه چی میخوای.
Chain-of-thought در پرامپتنویسی
یه بار از ChatGPT خواستی یه مسئلهٔ ریاضی یا منطقی حل کنه و جواب اشتباه گرفتی؟ احتمالاً مشکل مدل نبود، مشکل نحوهٔ پرسیدن بود.
پرامپتنویسی Few-shot؛ آموزش مدل با چند مثال
با چند مثال ساده خروجی مدل را دقیقتر کن: تفاوت zero-shot و few-shot، تعداد مثال مناسب و خطاهای رایج.
پرامپتنویسی به سبک RAG؛ دادن دانش خودت به مدل
وقتی مدل اطلاعات داخلی شرکت یا پروژهات را نمیداند: چطور بدون ساختن سیستم RAG، همان نتیجه را با پرامپت بگیری.