وقتی اولین پاسخ هوش مصنوعی درست نیست چه باید کرد

قبل از بازنویسی کل پرامپت، مشکل را تشخیص دهید

یک پاسخ ناامیدکننده معمولاً در یکی از چند دسته قرار می‌گیرد: زمینه‌ای را که داشتید اما بیان نکردید از دست داده، یک محدودیت را نادیده گرفته، از قالب نادرستی استفاده کرده، یا با اطمینان درباره یک واقعیت اشتباه است. نام بردن اینکه کدام‌یک رخ داده به یک اصلاح خاص اشاره می‌کند — یک محدودیت گم‌شده نیاز به افزودن صریح آن محدودیت دارد، نه بازنویسی کل پرامپت از ابتدا یا تکرار آن با قاطعیت بیشتر.

دقیقاً چیزی را که گم شده اضافه کنید، نه دستورالعمل بیشتر به‌طور کلی

وقتی بدانید چه چیزی گم شده، دقیقاً همان را اضافه کنید: محدودیت، مثال، بخش زمینه، یا توصیف قالبی که درخواست را روشن می‌کرد. برای اصولی که این مرحله معمولاً بر اساس آن‌ها است، به چگونه یک پرامپت روشن و مشخص بنویسیم، که در پایین لینک شده، مراجعه کنید — بیشتر تکرار، اعمال همان چند چیزی است که پرامپت اول از قلم انداخته بود.

بدانید چه زمانی به جای وصله زدن یک پرامپت تازه شروع کنید

یک رفت‌وبرگشت طولانی از اصلاحات کوچک می‌تواند گفتگویی را باقی بگذارد که دستورالعمل‌های متناقضی را حمل می‌کند که مدل اکنون در تلاش برای هماهنگ کردن آن‌هاست — در آن نقطه، یک پرامپت تازه و کامل که همه‌چیزی را که فهمیده‌اید نیاز دارید بیان می‌کند، اغلب سریع‌تر و قابل‌اعتمادتر از یک وصله دیگر است. این موضوع همچنین وقتی پاسخ با اطمینان درباره یک واقعیت اشتباه است نه فقط خارج از قالب، ارزش یادآوری دارد: وصله زدن به عبارت‌بندی آن را اصلاح نمی‌کند، چون یک مشکل عبارت‌بندی نیست — برای اینکه واقعاً در آن حالت چه اتفاقی می‌افتد، به چرا هوش مصنوعی دچار توهم می‌شود، که در پایین لینک شده، مراجعه کنید.

سوالاتی که مردم می‌پرسند

پاسخ خوب‌نوشته شده اما از نظر واقعیت اشتباه است — چگونه پرامپت را اصلاح کنم؟

عمدتاً نمی‌توانید این را با بازنویسی پرامپت اصلاح کنید، چون این یک مشکل عبارت‌بندی نیست. برای اینکه واقعاً چه اتفاقی می‌افتد و چه چیزی واقعاً کمک می‌کند، مانند خواستن از مدل برای استناد به منابعی که می‌تواند بررسی کند یا استفاده از یک حالت پژوهشی که چیزها را جستجو می‌کند، به چرا هوش مصنوعی دچار توهم می‌شود، که در پایین لینک شده، مراجعه کنید.

آیا باید در همان گفتگو به اصلاح ادامه دهم یا یک گفتگوی جدید شروع کنم؟

هرکدام می‌تواند کارساز باشد، اما یک زنجیره طولانی از اصلاحات کوچک ریسک باقی گذاشتن دستورالعمل‌های متناقض را دارد. اگر یک گفتگو از قبل چند اصلاح داشته، یک پرامپت تازه و کامل اغلب قابل‌اعتمادتر از یک وصله دیگر است.

چند بار باید امتحان کنم قبل از اینکه از یک رویکرد پرامپت دست بکشم؟

عدد ثابتی وجود ندارد — اما اگر دو یا سه اصلاح مشخص و تشخیص‌داده‌شده کمک نکرده باشد، ممکن است مشکل اصلاً پرامپت نباشد. برای اینکه آیا کار به نوع دیگری از مدل نیاز دارد، به انتخاب یک مدل برای کار شما، که در پایین لینک شده، مراجعه کنید.