پرامپتنویسی زمانی مهارت میشود که نتیجهٔ آن روی چند ورودی متفاوت دوام بیاورد. جملهای که فقط روی دموی مدرس خوب کار میکند، دارایی قابل اتکا نیست. دوره باید از شما بخواهد معیار موفقیت را پیش از اجرا بنویسید و شکستها را هم نگه دارید.
این معیار خرید عمداً از نام یک مدل مستقل است. رابطها و قابلیتها عوض میشوند، اما تعریف وظیفه، ارائهٔ زمینه، ساخت مثال، کنترل قالب و ارزیابی خروجی در بیشتر محیطهای کاری باقی میمانند.
معیارهایی که باید مدرک داشته باشند
تعریف وظیفه
پرامپت باید نقش، هدف، مخاطب و محدودیت را به زبان قابلآزمون بیان کند، نه با صفتهای مبهمی مثل «عالی». برای هر واژهٔ کیفی یک نشانهٔ قابل مشاهده بنویسید.
مدرک قابل مشاهده: یک task card کوتاه پیش از نوشتن پرامپت.مجموعهٔ نمونه
حداقل چند ورودی عادی، مرزی و نامعتبر لازم است. یک ورودی موفق هیچ چیز دربارهٔ پایداری روش نمیگوید.
مدرک قابل مشاهده: test set نسخهبندیشده با پاسخ مورد انتظار یا نشانهٔ قبول.معیار پذیرش
صحت، پوشش، لحن، ساختار و ایمنی را جدا بسنجید. نمرهٔ کلی بدون دلیل، خطا را پنهان میکند.
مدرک قابل مشاهده: rubric چندمعیاره با وزنهای روشن.ثبت نسخهها
تغییر همزمان چند متغیر علت بهبود را نامعلوم میکند. هر دور فقط یک فرضیه را آزمایش کنید.
مدرک قابل مشاهده: دفترچهٔ prompt، مدل، تنظیم، دادهٔ ورودی و نتیجه.مرز استفاده
دوره باید نشان دهد چه زمان خروجی نیازمند منبع، بازبین متخصص یا توقف کامل است.
مدرک قابل مشاهده: فهرست escalation برای ادعاهای حساس، دادهٔ خصوصی و تصمیمهای پرخطر.rubric پنجمعیارهٔ خروجی
یک خروجی را از صفر تا دو در هر معیار امتیاز دهید. نتیجهٔ کمتر از هشت، آمادهٔ استفاده نیست؛ نتیجهٔ هشت به بالا هم در کار حساس به بازبینی انسانی نیاز دارد.
| معیار | ۰ | ۱ | ۲ |
|---|---|---|---|
| صحت | خطای روشن | بخشی نیازمند تأیید | با منبع یا دادهٔ مرجع سازگار |
| پوشش | بخش اصلی جا افتاده | نیاز را ناقص پوشش میدهد | همهٔ اجزای ضروری حاضرند |
| قالب | غیرقابل استفاده | نیازمند ویرایش زیاد | با قرارداد خروجی منطبق |
| لحن | نامتناسب | نوسان دارد | با راهنمای لحن سازگار |
| ایمنی | مرز را نقض میکند | ابهام یا افشای احتمالی | مرز و ارجاع انسانی روشن |
روش اجرای این راهنما
- baseline بگیریدبدون پرامپت پیچیده، پنج ورودی را اجرا و نتیجه را امتیازدهی کنید.
- یک فرضیه بنویسیدمثلاً افزودن نمونهٔ مثبت، خطای قالب را کاهش میدهد؛ سپس فقط همان متغیر را تغییر دهید.
- نتیجهٔ بد را نگه داریدشکستها به test set تبدیل میشوند و از بازگشت خطا جلوگیری میکنند.
- تعریف done را جدا کنیدپرامپت تمامشده با خروجی آمادهٔ انتشار یکی نیست؛ مرحلهٔ منبعسنجی و تأیید انسانی را مشخص کنید.
خطاهایی که تصمیم را خراب میکنند
- کتابخانهٔ کپیپیستپرامپت بدون مسئله و دادهٔ شما معمولاً فقط نقطهٔ شروع است.
- داوری سلیقهای«این بهتر به نظر میرسد» جای rubric را نمیگیرد.
- نادیدهگرفتن تغییر مدلنسخه یا تنظیم جدید میتواند رفتار قبلی را تغییر دهد؛ رگرسیون لازم است.
منابع رسمی و اولیه
این چرخه را در مسیر پایه تمرین کنید
صفحهٔ AI Foundations را ببینید و خروجیها را با همین rubric بسنجید؛ نام دوره جای آزمون را نمیگیرد.
بررسی مسیر AI Foundations