پرامپت‌نویسی پیشرفته: Zero-shot تا APE

تا اینجا متوجه شده‌اید که پرامپت‌نویسی فقط یک “سوال ساده” نیست — بلکه یک هنر مهندسی است که می‌تواند عملکرد مدل‌های زبانی را از “بی‌فایده” به “شگفت‌انگیز” تبدیل کند.
در این راهنمای پیشرفته، ۷ تکنیک کلیدی را بررسی می‌کنیم که در پژوهش‌های اخیر (از Brown تا Zhou) به‌عنوان ستون‌های اصلی Reasoning هوش مصنوعی معرفی شده‌اند.

1. Zero-Shot Prompting

مدل‌های امروزی به‌اندازه‌ی کافی آموزش‌دیده‌اند که بدون هیچ مثالی (zero-shot) بتوانند وظایف ساده را انجام دهند.

زمانی که این روش جواب نداد، نوبت به few-shot prompting است.

2. Few-Shot Prompting

با چند مثال در پرامپت، مدل را برای درک الگو “شرایط‌دهی” می‌کنیم. همان‌طور که در Brown et al. (2020) نشان داده شد، حتی یک مثال (1-shot) کافی است!

اما برای مسائل استدلالی پیچیده (مثل جمع اعداد فرد)، few-shot هم شکست می‌خورد — و اینجاست که Chain-of-Thought وارد می‌شود.

3. Chain-of-Thought (CoT) Prompting

بر اساس Wei et al. (2022)، با نشان‌دادن مراحل استدلال در مثال‌ها، مدل یاد می‌گیرد که “فکر کند”.

شگفت‌انگیز است که حتی با یک مثال، مدل به‌درستی پاسخ می‌دهد.

4. Zero-Shot CoT

در Kojima et al. (2022)، نشان داده شد که اضافه کردن عبارت ساده‌ی “Let’s think step by step” به پرامپت، عملکرد zero-shot را به‌شدت بهبود می‌دهد.

5. Self-Consistency

بر اساس Wang et al. (2022)، به‌جای یک استدلال، چندین مسیر استدلالی تولید کرده و رای‌گیری انجام می‌دهیم.

مثال: سؤال «خواهرم چند ساله؟» → خروجی‌ها: 67, 67, 35 → پاسخ نهایی: 67.

6. Generated Knowledge Prompting

در Liu et al. (2022)، ابتدا مدل دانش مرتبط را تولید می‌کند، سپس از آن برای پاسخ‌دهی استفاده می‌شود.

7. Automatic Prompt Engineer (APE)

در Zhou et al. (2022)، مدل خودش بهترین پرامپت را طراحی می‌کند!
مثال: پرامپت “Let’s work this out in a step by step way…” حتی از “Let’s think step by step” هم بهتر عمل کرد.

این راهنما فقط شروع راه است.
هرچه مدل‌ها پیچیده‌تر می‌شوند، نیاز به پرامپت‌های هوشمندتر بیشتر احساس می‌شود.

کدام تکنیک برای شما جذاب‌تر بود؟
آیا از Zero-Shot CoT یا APE استفاده کرده‌اید؟
تجربه‌تان را با جامعه‌ی Digital Realm به‌اشتراک بگذارید! 💬