پرامپت انجینیرینگ واقعی چیست؟
۴ سطح ساخت برنامه‌های مبتنی بر هوش مصنوعی

اگر فکر کنیم پرامپت انجینیرینگ یعنی تغییر چند کلمه در یک جمله تا خروجی بهتری بگیریم، تصویر بسیار کوچکی از واقعیت را دیده‌ایم.
در دنیای مهندسی نرم‌افزار، پرامپت انجینیرینگ یعنی طراحی یک سیستم نرم‌افزاری کامل که نقش لایه تبدیل (Transformation Layer) را بازی می‌کند؛ سیستمی که مسأله کاربر در دنیای واقعی را به یک سند متنی برای مدل تبدیل کرده و پاسخ مدل را دوباره به عملیات اجرایی و ارزش واقعی برای کاربر برمی‌گرداند.
نویسندگان کتاب، ساخت برنامه‌های مبتنی بر مدل‌های زبانی (LLM) را به ۴ سطح از بلوغ و پیچیدگی تقسیم می‌کنند:

سطح ۱: لایه بسیار نازک (Thin Application Layer) ساده‌ترین حالت تعامل؛ برنامه تقریباً بدون هیچ تغییری متن کاربر را به مدل پاس می‌دهد. اولین نسخه GitHub Copilot دقیقاً همین بود: فقط فایل جاری کدنویس را برای مدل می‌فرستاد تا ادامه آن را حدس بزند.

سطح ۲: غنی‌سازی ورودی و مدیریت حافظه (Augmentation & Context) در این سطح، سیستم قبل از ارسال پرامپت، داده‌های کمکی و کلیدی را جمع‌آوری و تزریق می‌کند. به عنوان مثال، مهندسان Copilot متوجه شدند اگر کدهای تب‌های بازِ ادیتور برنامه‌نویس را هم به عنوان کانتکست وارد پرامپت کنند، دقت خروجی جهش بزرگی پیدا می‌کند. همچنین مدیریت تاریخچه مکالمه، خلاصه‌سازی و تزریق داده‌های مستندات برای جلوگیری از هالوسینیشن در این سطح انجام می‌شود.

سطح ۳: اتصال به دنیای واقعی با ابزارها (Tool Calling & APIs) مدل‌های زبانی به خودی خود درون یک دنیای بسته متنی زندگی می‌کنند. در سطح ۳، برنامه به مدل امکان استفاده از APIها و توابع دنیای واقعی را می‌دهد؛ مثلاً مدل تشخیص می‌دهد برای تنظیم جلسه، باید از ابزار تقویم (Calendar API) استفاده کند و ایمیل دعوت ارسال نماید.

سطح ۴: سیستم‌های عامل و خودمختار (Agency & Autonomy) بالاترین سطح پیچیدگی؛ جایی که شما به برنامه یک هدف کلی (Goal) می‌دهید و خود برنامه به صورت چندمرحله‌ای تصمیم می‌گیرد چه مراحلی را طی کند، چه اطلاعاتی جمع‌آوری کند و چطور خطاها را مدیریت کرده تا هدف نهایی محقق شود (نمونه‌های اولیه مثل AutoGPT).

پایان فصل اول، در این فصل یاد گرفتیم مدل‌های زبانی از کجا آمدند و ساختار کلی ارتباط با آن‌ها چگونه است. از فصل بعدی وارد مباحث تخصصی‌تر زیرکاپوت مدل‌ها می‌شویم: مدل‌ها واقعاً کلمات را چطور می‌بینند؟ توکن‌ها چه نقشی در دقت کدنویسی دارند و پارامترهایی مثل Temperature و Logprob چطور رفتار مدل را تغییر می‌دهند؟

فصل اول، بخش چهارم

کتاب Prompt Engineering for LLMs

چرا هوش مصنوعی با اعتمادبه‌نفس کامل دروغ می‌گوید؟

وقتی شما یک مقاله می‌نویسید و به آدرس یک لینک می‌رسید، دست از تایپ می‌کشید و آن را سرچ می‌کنید. اما مدل‌های زبانی نمی‌توانند مکث کنند یا سرچ کنند؛ آن‌ها صرفاً ادامه متن را حدس آماری می‌زنند! به همین دلیل اگر لینکی را ندانند، با اطمینان کامل یک آدرس اینترنتی ساختگی اما بسیار شبیه به واقعیت تولید می‌کنند.
مدل‌ها فکر نمی‌کنند؛ تقلید می‌کنند مدل زبانی یک ماشین شبیه‌ساز (Mimic Machine) است. ورودی را می‌گیرد و بر اساس میلیاردها صفحه متنی که دیده، می‌پرسد:
اگر سندی با این متن شروع شده باشد، محتمل‌ترین کلمات بعدی چیست؟
برای مدل، کلمات واقعی با کلمات ساختگی تفاوتی ندارند؛ هر دو فقط الگوهای آماری‌اند.
تله‌ای به نام تعصب به واقعیت (Truth Bias) مدل فرض می‌کند هر چیزی در پرامپت نوشته‌اید حقیقت مطلق است. کمتر متنی در اینترنت با یک ادعای غلط شروع می‌شود و بلافاصله خودش را تکذیب می‌کند. پس اگر در پرامپت فرضی اشتباه بیاورید، مدل نه تنها شما را تصحیح نمی‌کند، بلکه روی همان ادعای غلط استدلال می‌سازد!
پادزهر هالوسینیشن در مهندسی پرامپت دستورهایی مثل دروغ نگو یا مطمئن شو درسته بی‌اثرند. راهکار مهندسی، اعمال اصل اعتماد نکن و راستی‌آزمایی کن است:

وادار کردن مدل به نوشتن زنجیره استدلال
استخراج منابع و کلیدواژه‌ها جهت اعتبارسنجی خودکار با کدهای بیرونی

در قسمت بعدی بررسی می‌کنیم توکنایزرها چطور کار می‌کنند و چرا حتی قوی‌ترین مدل‌ها در شمردن حروف یک کلمه ساده مثل Strawberry گیج می‌شوند.

فصل دوم، بخش اول

کتاب Prompt Engineering for LLMs

چرا هوش مصنوعی در شمردن حروف Strawberry گیج می‌شود؟

اگر از پیشرفته‌ترین مدل‌های زبانی بپرسید در کلمه strawberry چند حرف r وجود دارد، احتمالاً اشتباه پاسخ می‌دهد! دلیلش این است که مدل‌ها حروف را مانند انسان نمی‌بینند؛ آن‌ها متن را به تکه‌هایی به نام توکن (Token) خرد می‌کنند.

۳ نکته کلیدی درباره دیدگاه توکنایزر:
توکنایزرها قطعی هستند: کلمه ghost برای مدل ۱ توکن است، اما غلط املایی gohst به ۳ توکن مجزا خرد می‌شود g-oh-st.
مدل نمی‌تواند مکث کند: مدل امکان توقف و بررسی تک‌تک کاراکترها را ندارد و با سطح زیرتوکن (Sub-token) چالش جدی دارد.
تغییر حروف بزرگ/کوچک: عبارت strange new worlds شامل ۴ توکن است، اما نسخه بزرگ آن STRANGE NEW WORLDS به ۶ توکن کاملاً متفاوت تبدیل می‌شود!
توصیه مهم به توسعه‌دهندگان: پردازش‌های سطح کاراکتر (مثل معکوس‌کردن رشته، شمارش حروف یا تطبیق Regex) را به مدل واگذار نکنید. این کارها را در کدنویسی سنتی Pre/Post-processing انجام دهید تا توان پردازشی مدل صرف مسأله اصلی شود.

در قسمت بعدی بررسی می‌کنیم مدل‌ها چطور کلمات را توکن‌به‌توکن تولید می‌کنند و چرا راهی برای بازگشت و پاک‌کردن کلمات اشتباه قبلی خود ندارند.

فصل دوم، بخش دوم

کتاب Prompt Engineering for LLMs

سام آلتمن (مدیرعامل OpenAI):

شما دیگر نیازی به نوشتن پرامپت ندارید.

او در فقط ۳۸ دقیقه توضیح می‌دهد که چگونه از ChatGPT در سطحی استفاده کنیم که اکثر مردم حتی نمی‌توانند تصور کنند.
این سخنرانی‌ای است که او برای دانشجویان استنفورد ایراد کرده است. یک دوست دیشب ضبط آن را برایم فرستاد.

بعد از تماشای آن، فهمیدم که من فقط از حدود ۱۵٪ قابلیت‌های واقعی این ابزار استفاده می‌کردم.
آن را کامل تماشا کنید و سپس راهنمای زیر را بخوانید که در مورد چگونگی ایجاد سیستمی است که خودش پرامپت تولید کند.

مایکروسافت یکی از بزرگ‌ترین به‌روزرسانی‌های ویندوز ۱۱ را منتشر کرد؛ با نوار وظیفه قابل جابجایی، جستجوی ویندوز بدون نتایج بینگ و مایکروسافت استور، و امکان سفارشی‌سازی منوی استارت!

۱. نوار وظیفه: حالا می‌توانید نوار وظیفه را به سمت بالا، راست یا چپ منتقل کنید، مشابه ویندوز ۱۰.
همچنین می‌توانید نوار وظیفه کوچک‌تری را فعال کنید که کل نوار وظیفه را کوچک می‌کند، نه فقط آیکون‌ها، همان‌طور که قبلاً در ویندوز ۱۱ انجام می‌شد.

۲. حالا می‌توانید نتایج بینگ و مایکروسافت استور را کاملاً در جستجوی ویندوز غیرفعال کنید، که آن را سریع‌تر و قابل اعتمادتر می‌کند.

۳. حالا می‌توانید منوی استارت را سفارشی کنید، از جمله امکان حذف کامل فید پیشنهادی (که حالا به نام «حادثه‌های اخیر» نامیده می‌شود) و داشتن فقط برنامه‌های سنجاق‌شده یا لیست همه برنامه‌ها. حالا امکان انتخاب اینکه کدام بخش ظاهر شود و پنهان کردن همه چیزهای دیگر وجود دارد.

علاوه بر این، اگر از نحوه تنظیم پویای منوی استارت خوشتان نمی‌آید، می‌توانید آن را کوچک‌تر کنید.

این یکی از بزرگ‌ترین به‌روزرسانی‌های ویندوز در سال است و نشان می‌دهد مایکروسافت به بازخوردها گوش می‌دهد. ادامه دهید!

آموزش جامع تولید ویدیوهای هوش مصنوعی به‌صورت نامحدود و رایگان در مدت ۱۸ دقیقه

این ویدیو روش ساخت ویدیو با استفاده از Google Flow و King AI را بدون نیاز به پرداخت هزینه اعتبار معرفی می‌کند.همچنین، راهکارهای خودکارسازی کانال یوتیوب نیز در این آموزش تشریح شده است.

چرا هوش مصنوعی نمی‌تواند حرفش را پس بگیرد؟ (تولید توکن به توکن)

تا به حال به تایپ کردن خودکار کیبورد گوشی دقت کرده‌اید که بعد از هر کلمه، دکمه وسط را چند بار پشت سر هم می‌زنید تا جمله کامل شود؟ هوش مصنوعی دقیقاً به همین شیوه کار می‌کند!
مدل‌های زبانی، متن را یک‌جا تولید نمی‌کنند؛ آن‌ها سیستم‌های خودبازگشتی (Autoregressive) هستند. یعنی در هر مرحله فقط یک توکن حدس می‌زنند، آن را به انتهای متن می‌چسبانند و دوباره کل متن را می‌خوانند تا توکن بعدی را پیدا کنند.
۳ پیامد مهم این ساختار برای توسعه‌دهندگان:

۱. راه بازگشت وجود ندارد: انسان موقع نوشتن مکث می‌کند، فکر می‌کند و اشتباهش را پاک می‌کند. اما مدل به محض تولید یک توکن، به آن متعهد می‌شود و هیچ مکانیزمی برای Backtrack یا پاک‌کردن کلمه قبلی ندارد.

۲. لجاجت در اشتباه: اگر مدل در یک توکن مسیر اشتباهی برود، در مراحل بعدی تلاش می‌کند مسیر غلط قبلی را توجیه کند و ادامه دهد؛ چون متن‌های آموزش‌دیدهٔ مدل هم معمولاً شامل «حرف پس گرفتن» نبوده‌اند.

۳. تله تکرار بی‌پایان: مدل‌ها ممکن است در الگوهای ساختاری خودشان گیر کنند و شروع به تکرار بی‌نهایت یک ساختار یا کلمه نمایند.

وظیفه ما به عنوان مهندس پرامپت: تشخیص خطا، تصحیح مسیر و بازگرداندن مدل به ریل اصلی، وظیفه‌ای است که باید توسط کد و منطق برنامه شما مدیریت شود.
در قسمت بعدی بررسی می‌کنیم چطور با پارامتر Temperature خلاقیت مدل را تنظیم کنیم و چه زمانی بالا بردن این عدد، رفتار مدل را مثل یک فرد مست غیرقابل پیش‌بینی می‌کند!

فصل دوم، بخش سوم

کتاب Prompt Engineering for LLMs

من یک وب‌سایت پیدا کردم که بیش از ۱۰٬۰۰۰ پرامپت برای تولید تصاویر با Nano Banana، GPT Image 2 و دیگر مدل‌ها دارد.این‌ها بر اساس سبک‌ها، عکاسی، برندینگ و موارد دیگر سازمان‌دهی شده‌اند.

بهترین بخشش این است که می‌توانی به صورت رایگان از آن‌ها استفاده کنی و به راحتی آن‌ها را با پروژه‌های خودت تطبیق دهی.

meigen.ai
meigen.ai

سام آلتمن همین حالا ساختن کودکس برای شکست دادن کلود کد را مأموریت کامیکازه دیوانه‌وار نامید.

اوپن‌ای‌آی خیلی عقب بود. هر کتاب راهنمایی می‌گفت بی‌خیال شو.بعد تیمش کاری کرد که او اسمش را بسیار نادر در تاریخ تجارت بگذارد

به یک انیمیشن خفن تفکر هوش مصنوعی برای وب‌سایت یا اپلیکیشن‌تان نیاز دارید؟ این را ذخیره کنید؛ Liquid Orb Editor را بررسی کنید. یک کره شیشه‌ای مایع بلادرنگ ساخته‌شده با WebGPU که می‌توانید هر جور بخواهید سفارشی‌سازی کنید. متن‌باز و رایگان.

lersent001.github.io

prompt:

Simply replace [SUBJECT] or upload your reference image:✨

“Extreme macro shot of woven cotton shirt fabric, empty at first. Colored embroidery threads rise from the surface and weave themselves into place, laying down tight satin stitches row by row, tracing out a detailed [SUBJECT]. The stitched area grows steadily across the frame, thread pulling taut and raising into dimensional embroidered texture, colors and defining features building up stitch by stitch until the full subject is complete and clearly recognizable. Camera holds steady, slow satisfying timelapse pace. Soft natural side light, shallow depth of field, visible fabric fibers and realistic thread sheen. No hands, thread moves on its own. One shot no scene change. 5 second video.”

اندری کارپاتی هشت سال در OpenAI و تسلا کار کرد. هفته گذشته، او همه‌ی آنچه می‌داند را در یک سخنرانی رایگان دو ساعته فشرده کرد:

Agents → Loops → Graphs → Self-Improving Systems

این سخنرانی از اکثر دوره‌های مهندسی هوش مصنوعی پولی بهتر است. احتمالاً الان دو ساعت وقت ندارید.
آن را تماشا کنید، سپس راهنمای زیر را بخوانید.

https://x.com/0xwhrrari/status/2093685107534000560

کلود فیبل ۵.۱ از امروز در همه‌جا در دسترس است. کلود میتوس ۵.۱، مدل ما برای مدافعان سایبری و دانشمندان علوم زیستی، از طریق برنامه‌های دسترسی مورد اعتماد در دسترس است.

بیشتر بخوانید: https://www.anthropic.com/claude-fable-and-mythos-5-1

معرفی Google Pics 🎨

ایجاد تصاویر هوش مصنوعی دقیق و قدرتمند اکنون برای مشتریان Google Workspace و مشترکین Google AI Pro و Ultra در حال عرضه است.
ءGoogle Pics به شما اجازه می‌دهد اشیاء فردی را ویرایش کنید، متن را تصحیح یا ترجمه کنید، و با تیم خود همکاری کنید.

pics.new