بسیاری از طراحان و تولیدکنندگان محتوا، Claude را روزانه استفاده میکنند، اما کمتر کسی به این سؤال جدی فکر میکند: چرا گاهی همان درخواست، در دو موقعیت متفاوت، دو خروجی کاملاً متفاوت میدهد؟ پاسخ ساده است. تفاوت در نحوهی نوشتن پرامپت است. یک پرامپت ضعیف باعث میشود حتی قدرتمندترین مدل زبانی هم خروجی متوسط و قابلپیشبینی تولید کند، در حالیکه یک پرامپت اصولی میتواند کیفیت همان خروجی را تا چند برابر افزایش دهد، بدون اینکه یک کلمه به مدل اضافه شده باشد.
در این مقاله، بهصورت جامع به موضوع پرامپت نویسی برای Claude میپردازیم. ابتدا اهمیت این مهارت را روشن میکنیم و با مثالهای ملموس نشان میدهیم تفاوت یک پرامپت بد و یک پرامپت خوب در عمل چه تأثیری روی خروجی میگذارد. سپس ۱۰ تکنیک عملی و آزمودهشده را بررسی میکنیم که در مستندات رسمی Anthropic بهعنوان best practiceها معرفی شدهاند. از سادهترین قواعد مثل وضوح و دقت تا تکنیکهای پیشرفتهای مثل Chain of Thought و Prompt Chaining که کمتر شنیده اید.
هدف این مقاله این است که در پایان، شما بتوانید هر بار که یک پرامپت مینویسید، با اطمینان بدانید چرا این ساختار را انتخاب کردهاید و چه نتیجهای از آن انتظار میرود. این رویکرد، شما را از یک کاربر معمولی Claude به یک کاربر حرفهای تبدیل میکند که از تمام ظرفیت این ابزار قدرتمند بهره میبرد.
چرا پرامپت نویسی مهم است؟
برای درک اهمیت پرامپت نویسی، ابتدا باید بفهمیم هوش مصنوعی Claude چگونه کار میکند. مدلهای زبانی بزرگ مثل Claude، براساس یک ورودی متنی (پرامپت) پاسخی تولید میکنند که از نظر آماری محتملترین ادامهی آن متن باشد. این یعنی هر کلمهای که در پرامپت مینویسید، بر کل خروجی اثر میگذارد. کوچکترین تغییر در ساختار، لحن، یا ترتیب اطلاعات میتواند خروجی را بهکلی متفاوت کند.
در یک ارزیابی داخلی Anthropic که در منابع رسمی منتشر شده، تنها با تغییر ساختار پرامپت بدون تغییر مدل، بدون تغییر داده کیفیت پاسخهای Claude در تسکهای پیچیده میتوانست تا ۳۰ درصد بهبود یابد. این عدد چشمگیر است، چون نشان میدهد سرمایهگذاری روی مهارت پرامپتنویسی، اغلب از سرمایهگذاری روی اشتراکهای پرو و گرانتر بازده بیشتری دارد.
سه دلیل کلیدی اهمیت پرامپت نویسی
اولین دلیل، صرفهجویی در زمان است. یک پرامپت اصولی در همان دفعهی اول جواب دلخواه را میدهد، در حالیکه یک پرامپت مبهم نیازمند چند بار رفتوبرگشت برای رسیدن به نتیجه است. اگر روزانه ۱۰ پرامپت مینویسید و هر کدام بهطور میانگین ۲ بار اصلاح میشود، یعنی ۲۰ گفتگو در روز که میتوانست به ۱۰ گفتگو کاهش یابد. در طول یک ماه، این تفاوت معادل چندین ساعت زمان آزاد است.
دومین دلیل، کیفیت خروجی است. مدلهای زبانی بهصورت آماری کار میکنند و پرامپت مبهم، خروجی متوسط و کلیشهای تولید میکند. هرچه پرامپت دقیقتر و خاصتر باشد، Claude بهتر میتواند فضای محتمل پاسخ را به سمت پاسخ مطلوب شما هدایت کند.
سومین دلیل، قابلیت بازتولید است. وقتی یک پرامپت اصولی نوشتهاید، میتوانید آن را بهعنوان یک قالب نگه دارید و بارها استفاده کنید. این موضوع بهخصوص برای workflow طراحی، که اغلب تکرارشونده است، ارزش زیادی ایجاد میکند. در مقالهی قبلی Bitgraph دربارهی context در Claude و Projects، نشان دادهایم که چطور میتوان این قالبها را در Project Instructions ذخیره کرد تا در همهی گفتگوهای آینده فعال باشند.
تفاوت پرامپت خوب و پرامپت بد در عمل
بهترین راه برای فهمیدن چیستی یک پرامپت اصولی، مقایسهی آن با یک پرامپت ضعیف است. در این بخش، با یک سناریوی واقعی طراحی شروع میکنیم و نشان میدهیم که چطور یک پرامپت معمولی را به یک پرامپت حرفهای تبدیل کنیم. این تمرین، ذهن شما را برای فهم تکنیکهایی که در ادامهی مقاله میآیند، آماده میکند.
سناریو: نوشتن caption برای پست اینستاگرام یک برند آرایشی
نسخهی ۱ – پرامپت ضعیف: یک کپشن برای رژلب بنویس.
مشکل این پرامپت، فقدان همهچیز است: نه برند مشخص است، نه مخاطب، نه لحن، نه طول، نه نوع رژلب. Claude در این حالت یک متن کاملاً عمومی تولید میکند که میتواند برای هر برندی استفاده شود و دقیقاً به همین دلیل، برای هیچ برندی مفید نیست.
نسخهی ۲ – پرامپت متوسط: یک کپشن اینستاگرام برای رژلب جدید برند Nova بنویس. لحن جوان و دوستانه باشد و حدود ۸۰ کلمه طول داشته باشد.
این نسخه بهتر است، اما هنوز چند نقص اساسی دارد. مخاطب هدف مشخص نیست، حس و حال پیام تعریف نشده، رنگ و ویژگیهای خاص محصول ذکر نشده، و مهمتر از همه، هیچ مثال یا نمونهای از سبک نگارش برند ارائه نشده. خروجی این نسخه، احتمالاً یک متن قابلقبول اما کلیشهای خواهد بود همان چیزی که در رقبا هم میبینیم.
نسخهی ۳ – پرامپت حرفهای:
نقش: تو کپیرایتر ارشد برند آرایشی Nova هستی. محصول: رژلب مات «Velvet Crush» با رنگ زرشکی عمیق، ماندگاری ۱۲ ساعت. مخاطب: زنان ۲۲–۳۲ سال، علاقهمند به مد و خودآرایی. لحن: جسور، شاعرانه، اما بدون اغراق فروشنده. نمونهی سبک نگارش برند: «وقتی رنگی روی لبهات مینشینه که حرفهاتو زودتر از خودت میگه…» خروجی: یک کپشن اینستاگرام بین ۶۰ تا ۸۰ کلمه. بدون استفاده از کلمات «بینظیر»، «ارتقا»، «انقلاب». با یک سؤال در آخر برای تشویق به کامنت.
این نسخه، تقریباً همهی اصول پرامپت نویسی اصولی را رعایت میکند: نقش مشخص، محصول دقیق، مخاطب هدف، لحن با مثال، فهرست ممنوعات، و ساختار خروجی واضح. تجربه نشان داده که این سطح از دقت، نهتنها کیفیت خروجی را افزایش میدهد، بلکه نیاز به اصلاحهای بعدی را هم بهشدت کم میکند.
درس کلیدی این مقایسه این است: زمانی که در ابتدا روی پرامپت میگذارید، نهتنها هدر نمیرود، بلکه بهصورت مرکب در طول کار به شما برمیگردد. در ادامهی مقاله، ۱۰ تکنیک ساختاریافته را بررسی میکنیم که این سطح از کیفیت را برای شما قابلتکرار میکنند.
۱۰ تکنیک عملی پرامپت نویسی برای Claude
بعد از فهم اهمیت پرامپتنویسی و دیدن تفاوت پرامپت خوب و بد، نوبت تکنیکهای عملی است. این ۱۰ تکنیک، براساس راهنمای رسمی Anthropic و آموزش تعاملی Anthropic انتخاب شدهاند و بهترتیب از سادهترین به پیشرفتهترین مرتب شدهاند. میتوانید همین حالا اولین مورد را شروع کنید و در طول مسیر، تکنیکهای پیچیدهتر را به ابزار خود اضافه کنید.
تکنیک ۱: شفافیت و دقت در دستورالعمل (Clarity) پرامپت
سادهترین و در عین حال مهمترین تکنیک پرامپتنویسی، وضوح است. Claude را مثل یک همکار جدید فرض کنید که در روز اول کار، هیچ context پیشینی از پروژهی شما ندارد. هرچه دستورتان را شفافتر و دقیقتر بنویسید، خروجی بهتری دریافت میکنید. این یعنی بهجای «یه چیزی بنویس»، بنویسید «یک پاراگراف ۵۰ کلمهای با لحن آموزشی برای صفحهی دربارهی ما بنویس».
نکتهی کلیدی: بهجای گفتن کاری که Claude نباید انجام دهد، بگویید چه کاری باید انجام دهد. مدلهای زبانی به دستورالعملهای مثبت بهتر از منفی پاسخ میدهند. مثلاً بهجای «خلاصه نکن»، بگویید «جزئیات همهی نکات را بهطور کامل توضیح بده».
یک قاعدهی طلایی این است: قبل از فرستادن پرامپت، آن را برای یک همکار غیرمتخصص بخوانید. اگر آن همکار سؤالی پرسید، یعنی پرامپت شما نیاز به وضوح بیشتر دارد. این تست ساده، اغلب نقاط ضعف پرامپت را قبل از مصرف توکن آشکار میکند.
تکنیک ۲: استفاده از مثال (Multishot Prompting) در پرامپت نویسی
یکی از قویترین تکنیکهای افزایش کیفیت خروجی، ارائهی مثالهایی از خروجی مطلوب است. این تکنیک که با نام «Multishot Prompting» یا «Few-shot Prompting» شناخته میشود، Claude را به سمت سبک، ساختار و سطح کیفیت دلخواه شما هدایت میکند. تجربه نشان داده که یک پرامپت با دو یا سه مثال خوب، اغلب بهتر از یک پرامپت با ۱۰ خط دستورالعمل است.
در راهنمای رسمی Anthropic در بحث Effective Context Engineering تأکید شده که نباید فقط مثالهای مثبت ارائه دهید. مثالهای منفی (آنچه نباید نوشته شود) به همان اندازه ارزشمند است، چون مرز رفتار مطلوب را تعریف میکند. یک ساختار پیشنهادی برای استفاده از مثال در پرامپت طراحی، میتواند چنین چیزی باشد:
سبک مطلوب (نمونهی موفق): «سادگی، اولین قانون طراحی برند Nova است. هر عنصر باید دلیل وجودش را داشته باشد.».
سبک نامطلوب (آنچه نباید بنویسی): «برند Nova با ارائهی محصولات بینظیر، انقلابی در دنیای زیبایی ایجاد کرده است.»
این ساختار «خوب در مقابل بد» به Claude نشان میدهد که نهتنها چه میخواهید، بلکه از چه فاصله بگیرید. بسیاری از طراحان پس از یک یا دو پروژه، این مثالها را بهصورت دائمی در knowledge base پروژه ذخیره میکنند تا در همهی پرامپتهای آینده فعال باشد.
تکنیک ۳: نقشدهی به Claude (Role پرامپتینگ)
Claude بهصورت پیشفرض، یک دستیار عمومی است که با لحنی متعادل پاسخ میدهد. اما اگر در ابتدای پرامپت یک نقش خاص به آن بدهید، رفتار آن بهطور قابلتوجهی تخصصیتر میشود. در راهنمای Walturn نشان داده شده که نقشدهی به Claude میتواند سه مزیت اصلی به همراه داشته باشد: افزایش دقت در تسکهای تخصصی، تطبیق لحن با مخاطب هدف، و افزایش انسجام درونی پاسخها.
یک مثال ساده: اگر بنویسید «مزایا و معایب این طراحی را بگو»، یک پاسخ کلی میگیرید. اما اگر بنویسید «تو یک art director با ۱۵ سال تجربه در حوزهی برندسازی هستی. مزایا و معایب این طراحی را از زاویهی هویت بصری بررسی کن»، خروجی بهطور چشمگیری تخصصیتر و مفیدتر میشود.
الگوی پیشنهادی نقشدهی: تو یک [نقش] با [سطح تجربه] هستی که در [حوزهی تخصصی] کار میکنی. سبک کار تو [ویژگی شخصیتی] است و وقتی با [نوع تسک] روبهرو میشوی، [رویکرد خاص] را در پیش میگیری.
نکتهی مهم این است که نقش باید با تسک سازگار باشد. به Claude نگویید «تو نوبل ادبیات گرفتهای» اگر تسک سادهای مثل خلاصهسازی یک ایمیل دارید . این کار باعث overengineering میشود و خروجی را بیش از حد ادبی و غیرکاربردی میکند.
تکنیک ۴: ساختاردهی پرامپت با XML Tags
Claude بهصورت خاص آموزش دیده تا تگهای XML را بهعنوان جداکنندهی بخشهای مختلف پرامپت تشخیص دهد. این یکی از تفاوتهای اصلی Claude با ChatGPT است. جایی که در GPT تگهای XML اثر مشخصی ندارند، در Claude باعث افزایش قابلتوجه دقت میشوند. در مستندات رسمی Anthropic، استفاده از XML tags بهعنوان یکی از مؤثرترین روشهای ساختاردهی پرامپت معرفی شده است.
ایدهی اصلی این است: وقتی پرامپت شما شامل چند بخش مختلف است (دستورالعمل، context، مثالها، دادهی ورودی)، هر بخش را در یک تگ XML با نام معنادار قرار دهید. این کار باعث میشود Claude بهصورت دقیق بفهمد کدام بخش چه نقشی دارد و آنها را با هم اشتباه نگیرد.
مثال ساختاری برای پرامپت طراحی:
<role>تو کپیرایتر برند Nova هستی.</role>
<brand_guidelines> لحن: جسور و شاعرانه. کلمات ممنوع: بینظیر، ارتقا، انقلاب</brand_guidelines>
<task> یک کپشن اینستاگرام بین ۶۰ تا ۸۰ کلمه برای رژلب Velvet Crush بنویس. </task>
<example> «وقتی رنگی روی لبهات مینشینه که حرفهاتو زودتر از خودت میگه…» </example>
نام تگها هیچ محدودیت رسمیای ندارد. میتوانید از هر نام معناداری استفاده کنید. اما توصیهی متخصصان این است که از نامهای ثابت در پروژههای مختلف استفاده کنید (مثلاً همیشه <role>، <task> و <example>) تا با تجربه، الگوهای ذهنی خود را بسازید و بازتولید پرامپتها راحتتر شود.
تکنیک ۵: استفاده از System Prompt
سیستم Prompt یا «دستورالعمل سیستمی»، بخش پایداری از پرامپت است که برای کل گفتگو فعال میماند، نه فقط یک پیام. در رابط Claude.ai کاربران شخصی نمیتوانند system prompt را بهصورت مستقیم تنظیم کنند، اما در Project Instructions و در API این قابلیت وجود دارد. تأثیر system prompt به این صورت است: Claude در هر پاسخی که میدهد، آن دستورالعمل را بهعنوان context اصلی در نظر میگیرد.
از زاویهی طراح، system prompt جایی است که اصول کار شما با Claude را بهصورت دائمی تعریف میکنید. مثلاً اگر همیشه میخواهید Claude خروجی را با چکلیست بررسی کند، یا همیشه قبل از تولید محتوا اول یک ساختار ارائه دهد، این اصول را در system prompt قرار میدهید. این رویکرد، ساعتها تکرار را در طول هفته صرفهجویی میکند.
نکته ی مهم:
بعضی کاربران در system prompt همهی قواعد پروژه را بهصورت دستوری مینویسند، که میتواند به سختگیری بیش از حد منجر شود. توصیه این است که system prompt را در سطح اصول اولیه نگه دارید (مثلاً «همیشه با یک خلاصه شروع کن») و قواعد جزئیتر را در پیامهای جداگانه ذکر کنید.
تکنیک ۶: تفکر مرحلهبهمرحله (Chain of Thought)
Chain of Thought یا «زنجیرهی تفکر» یکی از قویترین تکنیکهای پیشرفتهی پرامپتنویسی است. ایدهی اصلی این است که قبل از اینکه Claude پاسخ نهایی را بدهد، از او بخواهید مراحل فکر کردن خود را طی کند. این تکنیک، بهخصوص برای تسکهای پیچیده مثل تحلیل، تصمیمگیری، و حل مسئله، تا حد قابلتوجهی دقت خروجی را افزایش میدهد. در مستندات رسمی CoT، شرکت Anthropic سه سطح برای این تکنیک معرفی میکند: پایه، هدایتشده، و ساختاریافته.
سطح پایه، سادهترین حالت است: کافی است در پرامپت بنویسید «قدمبهقدم فکر کن و بعد جواب بده». این جملهی ساده، میتواند کیفیت پاسخهای پیچیده را بهطور قابلتوجه افزایش دهد. اما برای تسکهای خاص پروژهی شما، این حالت اغلب کافی نیست.
سطح هدایتشده، گام بعدی است. در این حالت، شما به Claude میگویید دقیقاً چه مراحلی را طی کند. مثلاً: «اول مشکلات اصلی این طراحی را فهرست کن، بعد هر کدام را با اصول طراحی هماهنگ کن، در انتها پیشنهاد بهبود بده». این رویکرد به Claude کمک میکند که از منطقی که شما میخواهید پیروی کند.
سطح ساختاریافته، حرفهایترین حالت است. در این حالت، شما از XML tags استفاده میکنید تا بخش thinking را از answer جدا کنید. این رویکرد دو مزیت دارد: اول اینکه میتوانید فقط بخش answer را به مخاطب نهایی نشان دهید، و دوم اینکه برای debugging پرامپتهای ضعیف، میتوانید thinking را بخوانید و ببینید Claude کجا اشتباه فهمیده است.
مثال CoT ساختاریافته برای نقد طراحی: یک طراحی پوستر برای کنفرانس Bitgraph به تو دادهام. اول در تگ <thinking> به ترتیب این موارد را تحلیل کن:
۱. سلسلهمراتب بصری چقدر روشن است؟
۲. تناسب فضای منفی و عناصر
۳. خوانایی تایپوگرافی
سپس در تگ <answer> سه پیشنهاد بهبود اولویتدار ارائه بده.
یک نکتهی فنی مهم: CoT همیشه ضروری نیست. برای تسکهای ساده مثل ترجمه یا فرمتبندی، استفاده از CoT فقط طول خروجی و زمان پاسخ را افزایش میدهد بدون اینکه کیفیت بالا برود. قاعدهی کلی این است: اگر یک انسان متخصص هم برای انجام آن تسک نیاز به فکر کردن دارد، CoT کمک میکند؛ وگرنه نه.
تکنیک ۷: زنجیرهی پرامپت (Prompt Chaining)
بعضی تسکها آنقدر پیچیده هستند که حتی با CoT هم نمیتوان آنها را در یک پرامپت واحد بهخوبی انجام داد. اینجا تکنیک Prompt Chaining به کار میآید. تقسیم یک تسک بزرگ به چند پرامپت کوچکتر و وابسته به هم، که خروجی هر کدام بهعنوان ورودی پرامپت بعدی استفاده میشود.
این تکنیک، بهخصوص در workflow طراحی، کاربرد فوقالعادهای دارد. تصور کنید میخواهید برای یک کمپین جدید، از brief کارفرما به یک خانوادهی کامل از کپشنها برسید. در یک پرامپت واحد، Claude نمیتواند هم brief را تحلیل کند، هم concept استخراج کند، هم لحن مناسب پیدا کند، هم کپشن نهایی بنویسد. اما اگر این فرآیند را به ۴ پرامپت تقسیم کنید، هر مرحله با دقت بیشتری انجام میشود.
نمونهی زنجیرهی پرامپت برای کمپین:
- پرامپت ۱: از این brief ارایه شده، ۵ مفهوم کلیدی برند را استخراج کن.
- پرامپت ۲: از این ۵ مفهوم، ۳ concept کمپین پیشنهاد بده.
- پرامپت ۳: برای concept منتخب، یک تگ لاین اصلی و ۳ تگ لاین جایگزین بنویس.
- پرامپت ۴: براساس تگ لاین منتخب، ۵ کپشن اینستاگرام در سبکهای مختلف بنویس.
مزیت دیگر این تکنیک، دیباگ راحتتر است. اگر در نهایت نتیجه راضیکننده نبود، میتوانید مشخص کنید کدام مرحله باعث افت کیفیت شده و فقط آن مرحله را اصلاح کنید، نه کل پرامپت را. این رویکرد، شبیه نوشتن کد ماژولار بهجای کد یکتکه است.
تکنیک ۸: کنترل دقیق ساختار خروجی
یکی از رایجترین مشکلاتی که کاربران با Claude دارند، این است که خروجی همیشه به فرمت دلخواه آنها نیست. مثلاً میخواستید یک لیست JSON بگیرید، اما Claude یک متن نوشتاری نوشته و در آن چند نکته را با bullet آورده است. راهحل این مشکل، کنترل دقیق ساختار خروجی در پرامپت است.
سادهترین تکنیک، نوشتن صریح فرمت در انتهای پرامپت است: «خروجی را در فرمت JSON با کلیدهای title، description و tags ارائه بده». اما اغلب این کافی نیست. Claude گاهی قبل و بعد از JSON، توضیحاتی هم اضافه میکند که برای پردازش خودکار مزاحم است.
راهحل قویتر، ارائهی یک نمونهی دقیق از فرمت خروجی است. اگر یک نمونهی JSON کامل با قالب دلخواه به Claude نشان دهید، در ۹۰ درصد موارد دقیقاً همان قالب را تکرار میکند. ترکیب این تکنیک با XML tags و گفتن «فقط JSON را بنویس و هیچ توضیح اضافی نده»، نزدیک به ۱۰۰ درصد فرمت دلخواه را تضمین میکند.
الگوی پرامپت برای خروجی ساختاریافته:
<task>تحلیل این پوستر طراحی</task>
<output_format> خروجی باید دقیقاً در این فرمت باشد: { “strengths”: [“…”, “…”], “weaknesses”: [“…”, “…”], “suggestions”: [“…”, “…”] } </output_format> هیچ توضیح قبل یا بعد از JSON نده. فقط JSON معتبر بنویس.
تکنیک ۹: تکرار و A/B Testing پرامپت
یکی از تفاوتهای اصلی بین کاربر معمولی و کاربر حرفهای Claude این است که حرفهایها به پرامپت به چشم یک «تکتیر» نگاه نمیکنند، بلکه آن را یک قطعهی قابل بهبود میبینند. هر پرامپت، ورژن اول است؛ ورژن نهایی بعد از چند بار کلنجار و تکرار به دست میآید. این رویکرد، شبیه نوشتن کد است که بعد از اولین اجرا، debug و refactor میشود.
روش پیشنهادی برای تکرار این است: یک پرامپت اولیه بنویسید، خروجی را بگیرید، نقاط ضعف را شناسایی کنید و فقط آن نقاط را در پرامپت بهبود دهید. بهجای بازنویسی کل پرامپت، تغییرات هدفمند بدهید. این کار باعث میشود بفهمید کدام تغییر چه تأثیری دارد، و در طول زمان یک «کتابخانهی شخصی» از قواعد مؤثر برای کار خودتان جمع کنید.
برای پرامپتهای مهم و تکرارشونده، میتوانید از A/B Testing استفاده کنید: دو نسخه از پرامپت بنویسید که فقط در یک نکته متفاوتاند، هر دو را اجرا کنید، و خروجیها را مقایسه کنید. این روش به شما نشان میدهد که هر تکنیک دقیقاً چه ارزشی برای کار شما دارد. Anthropic هم در Console خود ابزاری به نام Prompt Improver ارائه داده که این فرآیند را خودکار میکند.
سؤالات کلیدی برای ارزیابی پرامپت:
- آیا هر بخش از خروجی آن چیزی است که میخواستم؟
- کدام بخش بهتر از انتظار بود؟ چرا؟
- کدام بخش ضعیفتر بود؟ چه چیزی در پرامپت میتوانست این را بهبود دهد؟
- اگر همین پرامپت را به یک نفر دیگر بدهم، آیا نتیجهای مشابه میگیرد؟
تکنیک ۱۰: ترکیب پرامپت با Skills و Projects
آخرین تکنیک، در واقع متا-تکنیک است: بهجای اینکه هر بار پرامپت کامل بنویسید، الگوهای موفق را در ساختارهای دائمی Claude ذخیره کنید. دو ابزار اصلی برای این کار وجود دارد: Projects که در مقالهی قبلی Bitgraph بهتفصیل بررسی کردیم، و Skills که در سال ۲۰۲۵ به Claude اضافه شد و امکان بستهبندی workflowهای پیچیده در قالب پکیج را میدهد.
ایدهی این تکنیک ساده است: اگر برای یک تسک خاص (مثلاً نوشتن caption برای برند Nova) یک ساختار پرامپت کامل و آزمودهشده طراحی کردهاید، آن را در Project Instructions ذخیره کنید. حالا هر گفتگوی جدید در آن Project، بهصورت خودکار از همان پرامپت استفاده میکند، بدون اینکه شما لازم باشد چیزی تایپ کنید. این کار، علاوه بر صرفهجویی در زمان، یک سطح از قابلیت تکرار را تضمین میکند که در پرامپتهای دستی بهسختی قابل دستیابی است.
راهنمای Anthropic در زمینهی Skills یک گام جلوتر میرود. در آنجا، شما میتوانید یک workflow کامل (با اسکریپت، فایلهای reference، و دستورالعملهای گامبهگام) را در یک پکیج بسازید که Claude بهصورت خودکار آن را در زمان نیاز فعال میکند. این رویکرد بهخصوص برای تسکهای فنی مثل تولید فایلهای Word، PowerPoint، یا Excel، نتایج بسیار قابلاطمینانتری از پرامپتهای دستی میدهد.
اشتباهات رایج پرامپت نویسی برای Claude
شناختن اشتباهات رایج به همان اندازهی شناختن تکنیکهای موفق ارزشمند است. در این بخش، چند الگوی پرتکراری را بررسی میکنیم که حتی کاربران باتجربه هم گاهی در دام آنها میافتند، و راهحل عملی برای هر کدام ارائه میدهیم.
اشتباه ۱: ابهام بیش از حد
رایجترین اشتباه، فرض کردن این است که Claude همان context ذهنی شما را دارد. وقتی مینویسید «یک کانسپت طراحی خوب درست کن»، Claude نمیداند «خوب» در ذهن شما چه معنی میدهد. ممکن است برای شما خوب یعنی مینیمال، برای کاربر دیگر یعنی پرجزئیات، و برای کاربر سوم یعنی رنگارنگ. راهحل: همیشه «خوب» را به معیارهای ملموس ترجمه کنید.
اشتباه ۲: تعداد زیاد دستورالعمل در یک پرامپت
اشتباه بعدی، گذاشتن ۲۰ قاعده در یک پرامپت است. هرچه قواعد بیشتر باشد، احتمال نقض بعضی از آنها بیشتر میشود. حتی برای پیشرفتهترین مدلها. اگر تسک شما واقعاً نیاز به ۲۰ قاعده دارد، این تکنیک ۷ (Prompt Chaining) است که به دادتان میرسد. تسک را به چند بخش تقسیم کنید و هر بخش را با ۳ تا ۵ قاعده کامل کنید.
اشتباه ۳: استفاده از قواعد منفی بهجای مثبت
نوشتن «خلاصه نکن، طولانی هم نکن، نه خیلی فنی نه خیلی ساده» یک ضدالگوی شناختهشده است. مدلهای زبانی به دستورالعملهای منفی بهخوبی پاسخ نمیدهند، چون باید همزمان به آنچه نباید انجام دهند فکر کنند و آنچه باید انجام دهند را پیدا کنند. بهجای آن، مستقیم بنویسید چه میخواهید: «حدود ۲۰۰ کلمه باشد، با لحن آموزشی برای مخاطب نیمهحرفهای».
اشتباه ۴: نادیده گرفتن iteration (تکرار)
بسیاری از کاربران اولین خروجی Claude را بهعنوان حد نهایی میپذیرند یا اگر راضی نبودند، کلاً پرامپت را عوض میکنند. هر دو رویکرد اشتباه است. روش درست این است که نقاط ضعف خروجی فعلی را شناسایی کنید و در همان گفتگو یا با اصلاحات هدفمند پرامپت، گامبهگام به نتیجهی بهتر برسید. این فرآیند را در تکنیک ۹ بهتفصیل بررسی کردیم.
اشتباه ۵: کپی پرامپتهای آماده بدون تطبیق
در سالهای اخیر، فروشگاههای زیادی برای پرامپتهای آماده شکل گرفتهاند. این منابع میتوانند نقطهی شروع مفیدی باشند، اما کپی مستقیم آنها، اغلب نتیجهی متوسط میدهد. هر پرامپت آماده باید با context کار شما، لحن برند، و مخاطب هدف تطبیق داده شود. در غیر این صورت، خروجی مثل لباسی است که اندازهی شما نیست میپوشید، اما متناسب نیست.
جدول جامع ۱۰ تکنیک پرامپتنویسی
برای مرور سریع همهی آنچه در این مقاله بررسی کردیم، جدول زیر ۱۰ تکنیک را با کاربرد و سطح پیچیدگی کنار هم میگذارد. میتوانید این جدول را بهعنوان مرجع سریع روی میز کارتان نگه دارید.
نکتهی مهم: لازم نیست همهی این تکنیکها را در همهی پرامپتها استفاده کنید. در واقع، استفادهی بیش از حد از تکنیکهای پیچیده، گاهی باعث افت کیفیت میشود. قاعدهی کلی این است: از ساده شروع کنید، و فقط زمانی پیچیدگی اضافه کنید که کیفیت فعلی کافی نیست. این رویکرد به نام «Progressive Enhancement» شناخته میشود و در پرامپتنویسی به همان اندازهی فرانتاند توسعهی وب کاربرد دارد.
سؤالات متداول دربارهی پرامپت نویسی برای Claude
آیا پرامپتنویسی برای Claude با ChatGPT تفاوت دارد؟
بله، تفاوتهای مهمی وجود دارد. Claude بهصورت خاص آموزش دیده تا تگهای XML را بهعنوان جداکنندهی بخشهای پرامپت تشخیص دهد، در حالیکه در ChatGPT این تگها اثر چشمگیری ندارند. همچنین Claude با context window بزرگتر (۲۰۰ هزار توکن) میتواند پرامپتهای ساختاریافتهی بلندتری را بدون افت کیفیت پردازش کند. در عمل، یک پرامپت خوب برای ChatGPT اغلب در Claude هم کار میکند، اما برای دستیابی به کیفیت بهینه، تطبیق با تکنیکهای مخصوص Claude بهخصوص XML tags توصیه میشود.
آیا فارسی نوشتن پرامپت اشکالی دارد؟
Claude زبان فارسی را بهخوبی درک میکند و میتواند هم پرامپت فارسی را پردازش کند، هم خروجی فارسی تولید کند. اما تجربهی میدانی نشان میدهد که برای دستورالعملهای فنی و قواعد ساختاری (مثلاً «خروجی را در فرمت JSON بده»)، انگلیسی نوشتن آن بخشها نتایج پایدارتری میدهد. ترکیب پیشنهادی این است: قواعد ساختاری را به انگلیسی بنویسید، context و محتوای کار را به فارسی، و خروجی را هم به فارسی بخواهید. این رویکرد در آزمایشهای میدانی بهترین کیفیت را داشته است.
بهترین طول برای یک پرامپت چقدر است؟
هیچ طول طلایی وجود ندارد، اما یک قاعدهی تجربی این است: «به اندازهی نیاز، نه بیشتر». پرامپتهای زیر ۵۰ کلمه اغلب برای تسکهای ساده کافیاند. پرامپتهای ۲۰۰ تا ۵۰۰ کلمه برای تسکهای پیچیده مناسباند. پرامپتهای بالای ۱۰۰۰ کلمه بهندرت ضروریاند و اگر نیاز به این طول دارید، احتمالاً باید از Prompt Chaining استفاده کنید. در راهنمای رسمی Anthropic در بحث context engineering، تأکید شده که هدف باید پیدا کردن کوچکترین مجموعهی توکنهای باسیگنال بالا باشد، نه گذاشتن همهی اطلاعات ممکن در پرامپت.
آیا پرامپتهای بلند همیشه بهتر از پرامپتهای کوتاهاند؟
نه، این یک تصور غلط رایج است. پرامپت بلندتر اغلب فقط بلندتر است، نه بهتر. اگر یک پرامپت ۱۰۰ کلمهای میتواند نتیجهی مطلوب را بدهد، یک پرامپت ۵۰۰ کلمهای فقط زمان پاسخ را افزایش میدهد بدون افزایش کیفیت متناسب. در واقع، پرامپتهای بیش از حد طولانی گاهی Claude را گیج میکنند، چون ممکن است نکات کلیدی در میان جزئیات گم شوند. قاعدهی طلایی: هر کلمه باید توجیه داشته باشد. اگر یک کلمه را حذف کردید و کیفیت تغییر نکرد، آن کلمه اضافی بود.
چطور بفهمم پرامپت من بهبودپذیر است یا نه؟
سه نشانهی اصلی برای پرامپت بهبودپذیر وجود دارد: اول، اگر هر بار خروجی متفاوت میگیرید، یعنی پرامپت ابهام دارد و باید دقیقتر شود. دوم، اگر مجبور میشوید چند بار اصلاح بخواهید، یعنی پرامپت اولیه ناقص است. سوم، اگر خروجی همیشه «درست اما کلیشهای» است، یعنی پرامپت به اندازهی کافی خاص نیست. هر یک از این نشانهها به یک تکنیک خاص از این مقاله اشاره میکند: ابهام به تکنیک ۱، نقص به تکنیک ۲ و ۴، و کلیشهای بودن به تکنیک ۳ و ۲ (مثالهای خاص).
جمعبندی: پرامپتنویسی بهمثابه یک مهارت طراحی
اگر یک پیام کلیدی از این مقاله باید با خود ببرید، این است: پرامپتنویسی یک مهارت قابلیادگیری است، نه یک هنر مرموز. مثل هر مهارت دیگری، با تمرین، تکرار و توجه آگاهانه به نتیجه، در طول زمان بهبود مییابد. ۱۰ تکنیکی که در این مقاله بررسی کردیم، نه ادعای جامع بودن دارند و نه ادعای ثابت بودن اینها نقطهی شروعاند، و با هر پرامپت جدیدی که مینویسید، مهارت شما در انتخاب و ترکیب آنها قویتر میشود.
از زاویهی یک طراح، شاید جالبترین درس این باشد: پرامپتنویسی، شکل دیگری از طراحی است. شما یک «brief» برای Claude مینویسید، و کیفیت آن brief، کیفیت خروجی را تعیین میکند. مهارتهای طراحی شما، توانایی فکر کردن از زاویهی مخاطب، حساسیت به جزئیات و درک ساختار همگی در پرامپتنویسی بهکار میآیند. به همین دلیل، بسیاری از طراحان حرفهای، در مدت کوتاهی به کاربران بسیار قوی Claude تبدیل میشوند.
توصیهی نهایی: یک یا دو تکنیک از این مقاله را همین امروز در پرامپت بعدی خود امتحان کنید. تجربهی مستقیم، بهترین معلم پرامپتنویسی است.
