Few-shot Prompting چیست؟ تفاوت Zero-shot و Few-shot با نمونه فارسی

Few-shot prompting یعنی در پرامپت چند نمونه کامل از ورودی و خروجی مطلوب بیاورید تا مدل هوش مصنوعی الگو را از روی آن‌ها یاد بگیرد و برای ورودی جدید تکرار کند. در Zero-shot هیچ نمونه‌ای نمی‌دهید و فقط کار را توضیح می‌دهید؛ در One-shot یک نمونه می‌دهید. هرچه قالب، لحن یا معیار دسته‌بندی خاص‌تر باشد، نمونه‌دادن معمولاً از توضیح طولانی مؤثرتر است.

این راهنما یک بررسی عمیق از نمونه‌دادن در پرامپت است: کی نمونه لازم نیست، چطور نمونه انتخاب و مرتب کنید، چند نمونه کافی است، چطور با نمونه نظرهای فارسی مشتری را دسته‌بندی کنید، اطلاعات را به JSON تبدیل کنید یا سبک نوشتن را تقلید کنید، و چه خطاهایی از خود نمونه‌ها می‌آید. در پایان few-shot را با دستور تنها و با فاین‌تیون مقایسه می‌کنیم. نمونه‌ها آموزشی و نوشته خود ما هستند و نتیجه آن‌ها در هر مدل کمی فرق دارد؛ پیش از استفاده جدی، روی داده خودتان آزمایش کنید.

Few-shot prompting چیست و چه فرقی با Zero-shot دارد؟

تفاوت این دو در یک چیز است: آیا به مدل نشان می‌دهید خروجی درست چه شکلی دارد یا فقط آن را توصیف می‌کنید. «Shot» در این اصطلاح به معنای یک نمونه حل‌شده است.

• Zero-shot (بدون نمونه): فقط دستور می‌دهید. «این نظر را مثبت، منفی یا خنثی دسته‌بندی کن.»
• One-shot (یک نمونه): دستور به‌همراه یک جفت ورودی و خروجی.
• Few-shot (چند نمونه): دستور به‌همراه دو یا چند جفت ورودی و خروجی که حالت‌های مختلف را نشان می‌دهند.

نکته مهم این است که در هیچ‌کدام مدل «آموزش» به معنای فنی نمی‌بیند؛ وزن‌ها و دانش مدل عوض نمی‌شود. نمونه‌ها فقط بخشی از متن ورودی‌اند و مدل از روی آن‌ها حدس می‌زند شما چه می‌خواهید. به همین دلیل اثرشان به همان گفت‌وگو محدود است و در گفت‌وگوی بعدی باید دوباره آورده شوند. این تکنیک در راهنمای مهندسی پرامپت به‌اختصار معرفی شده است؛ اینجا جزئیات اجرای آن را می‌بینید.

یک مثال ساده نشان می‌دهد نمونه چه چیزی را منتقل می‌کند که توصیف نمی‌کند. فرض کنید می‌خواهید عنوان محصولات فروشگاه را کوتاه کنید. دستور «عنوان را کوتاه و استاندارد کن» تفسیرهای زیادی دارد. اما دو نمونه کافی است تا مدل بفهمد منظورتان چیست:

عنوان محصول را به قالب استاندارد فروشگاه تبدیل کن.

ورودی: ماگ سرامیکی خیلی خوشگل طرح گل‌دار مناسب هدیه رنگ آبی ۳۰۰ میلی
خروجی: ماگ سرامیکی گل‌دار ۳۰۰ میلی‌لیتری - آبی

ورودی: کیف پول چرم طبیعی مردانه دست‌دوز جادار قهوه‌ای سوخته
خروجی: کیف پول چرم طبیعی مردانه دست‌دوز - قهوه‌ای سوخته

ورودی: [عنوان جدید]
خروجی:

از همین دو نمونه، مدل چند قاعده را بدون اینکه بنویسید برداشت می‌کند: صفت‌های تبلیغاتی حذف می‌شوند، رنگ بعد از خط تیره می‌آید و واحدها کامل نوشته می‌شوند.

کی Zero-shot کافی است و نیازی به نمونه نیست؟

اگر کار رایج و روشن است و قالب خروجی را می‌شود در یک جمله دقیق گفت، معمولاً بدون نمونه هم نتیجه خوب می‌گیرید. نمونه‌دادن هزینه دارد: پرامپت طولانی‌تر می‌شود، باید نمونه‌ها را بسازید و نگه دارید، و نمونه بد می‌تواند نتیجه را بدتر کند.

Zero-shot معمولاً کافی است برای:

• خلاصه‌سازی، ترجمه یا بازنویسی عمومی، وقتی طول و مخاطب را مشخص کرده‌اید.
• پاسخ به سؤال‌های دانشی که قالب خاصی ندارند.
• دسته‌بندی با برچسب‌هایی که معنایشان روشن و رایج است (مثبت/منفی).
• کارهایی که مدل‌های امروزی با دستور دقیق به‌خوبی انجام می‌دهند.

Few-shot وقتی ارزش دارد که:

• قالب خروجی دقیق و تکراری است و باید با ابزار دیگری خوانده شود.
• برچسب‌ها یا معیارهای شما خاص کسب‌وکار خودتان است و مرز بینشان باریک است.
• لحن یا سبکی می‌خواهید که با صفت قابل توصیف نیست.
• بدون نمونه، خروجی‌ها بین اجراها ناهمخوان‌اند.

قاعده عملی: اول بدون نمونه امتحان کنید. اگر خروجی در قالب یا معیار اشتباه داشت، به‌جای طولانی‌کردن توضیح، یک یا دو نمونه اضافه کنید.

One-shot یا یک نمونه کی کافی است؟

یک نمونه برای منتقل‌کردن «قالب» معمولاً کافی است، اما برای منتقل‌کردن «معیار تصمیم» کم است. اگر فقط می‌خواهید خروجی ساختار مشخصی داشته باشد، مثل یک کارت معرفی محصول با بخش‌های ثابت، One-shot کار را انجام می‌دهد.

برای هر کتاب، یک کارت معرفی کوتاه دقیقاً با همین ساختار بنویس:

نمونه:
عنوان: [نام کتاب نمونه]
در یک جمله: داستان مردی که برای پیدا کردن خانواده‌اش از کوه‌ها می‌گذرد.
مناسب برای: کسی که رمان ماجرایی با ریتم آرام دوست دارد.
مناسب نیست برای: کسی که دنبال پایان خوش و سرراست است.

کتاب جدید: [نام کتاب و توضیحی که دارید]

خطر One-shot این است که مدل جزئیات تصادفی نمونه را قاعده فرض کند. اگر جمله «در یک جمله» نمونه شما ۱۲ کلمه باشد، همه خروجی‌ها احتمالاً حدود ۱۲ کلمه می‌شوند. اگر این برایتان مهم نیست اشکالی ندارد؛ اگر هست، یا دو نمونه متفاوت بدهید یا قاعده را صریح بنویسید.

نمونه خوب برای few-shot چطور انتخاب کنیم؟

نمونه خوب نماینده ورودی‌های واقعی است، حالت‌های مختلف را پوشش می‌دهد و حداقل یکی از حالت‌های مرزی و دشوار را نشان می‌دهد. نمونه‌های تمیز و ساده که هیچ‌وقت در داده واقعی نمی‌بینید، مدل را برای ورودی واقعی آماده نمی‌کنند.

چهار ویژگی نمونه خوب

1. واقعی: از داده خود شما برداشته شده باشد، با همان غلط‌های املایی، محاوره یا ترکیب فارسی و انگلیسی. اگر داده واقعی شامل اطلاعات شخصی است، نام‌ها و شماره‌ها را با مقدار ساختگی عوض کنید.
2. متنوع: طول، لحن و موضوع نمونه‌ها فرق داشته باشد تا مدل این‌ها را قاعده فرض نکند.
3. پوشش حالت مرزی: دست‌کم یک نمونه از حالتی بیاورید که مرزش باریک است؛ مثلاً نظری که هم تعریف دارد هم گلایه.
4. بی‌خطا: خروجی نمونه باید دقیقاً همان باشد که می‌خواهید. مدل خطای نمونه را هم تقلید می‌کند.

حالت‌های مرزی که معمولاً جا می‌افتند

• ورودی خالی، خیلی کوتاه یا بی‌ربط (مثلاً پیام «سلام» در صف دسته‌بندی شکایت‌ها).
• ورودی‌ای که اطلاعات لازم را ندارد (متن محصول بدون قیمت).
• ورودی‌ای که در دو دسته جا می‌گیرد.
• متن طعنه‌آمیز که ظاهرش با معنایش فرق دارد.
• متن فینگلیش یا ترکیب فارسی و انگلیسی.

برای هر حالت مرزی که برایتان مهم است، خروجی مورد انتظار را در نمونه نشان دهید. مثلاً اگر ورودی بی‌ربط باید برچسب «نامرتبط» بگیرد، یک نمونه از آن بیاورید؛ در غیر این صورت مدل آن را به زور در یکی از دسته‌های دیگر جا می‌دهد.

ترتیب و توازن نمونه‌ها چه اثری دارد؟

ترتیب و تعداد نمونه‌های هر دسته روی خروجی اثر می‌گذارد. مدل‌ها ممکن است به برچسبی که بیشتر در نمونه‌ها آمده، یا به برچسب آخرین نمونه، تمایل بیشتری نشان دهند. این سوگیری همیشه دیده نمی‌شود و اندازه‌اش در مدل‌های مختلف فرق دارد، اما ارزان‌ترین راه پیشگیری‌اش رعایت چند قاعده ساده است:

• توازن: از هر برچسب تقریباً به یک اندازه نمونه بیاورید. اگر پنج نمونه مثبت و یک نمونه منفی بدهید، به مدل غیرمستقیم گفته‌اید «بیشتر نظرها مثبت‌اند».
• ترتیب مخلوط: نمونه‌های هم‌برچسب را پشت هم نگذارید. ترتیبی مثل مثبت، منفی، خنثی، منفی، مثبت بهتر از مثبت، مثبت، منفی، منفی است.
• آخرین نمونه: نمونه آخر به ورودی جدید نزدیک‌تر است. اگر می‌بینید خروجی‌ها به برچسب نمونه آخر متمایل‌اند، ترتیب را عوض کنید و دوباره آزمایش کنید.
• آزمون ترتیب: برای کار تکراری، همان مجموعه آزمون را با دو ترتیب متفاوت نمونه‌ها اجرا کنید. اگر نتیجه زیاد عوض شد، نمونه‌ها یا دستور به‌اندازه کافی روشن نیستند.

یک استثنا: اگر در داده واقعی شما یک دسته واقعاً خیلی رایج‌تر است، لازم نیست نمونه‌ها را مصنوعی متوازن کنید؛ ولی این را آگاهانه تصمیم بگیرید، نه تصادفی.

چرا قالب نمونه‌ها باید یکدست باشد؟

مدل الگو را از تکرار شکل یاد می‌گیرد؛ اگر هر نمونه قالب کمی متفاوت داشته باشد، خروجی هم بین این قالب‌ها نوسان می‌کند. برچسب‌های ورودی و خروجی، جداکننده‌ها، علامت‌گذاری و حتی فاصله خط‌ها را در همه نمونه‌ها یکسان بنویسید.

این ساختار برای بیشتر کارها خوب جواب می‌دهد:

[دستور کار در دو یا سه جمله]
[فهرست برچسب‌ها یا قالب خروجی]

### نمونه ۱
ورودی: …
خروجی: …

### نمونه ۲
ورودی: …
خروجی: …

### ورودی جدید
ورودی: [متن]
خروجی:

چند نکته در قالب‌بندی:

• دستور را قبل از نمونه‌ها بنویسید، نه فقط نمونه‌ها را. ترکیب دستور و نمونه معمولاً از هر کدام به‌تنهایی پایدارتر است.
• اگر ورودی‌ها چندخطی‌اند، آن‌ها را بین علامت نقل‌قول یا برچسب‌هایی مثل <متن> و </متن> بگذارید تا مرز ورودی و خروجی گم نشود.
• پرامپت را با «خروجی:» خالی تمام کنید. این کار به مدل می‌گوید دقیقاً از کجا ادامه دهد.
• اگر می‌خواهید خروجی فقط برچسب باشد، صریحاً بنویسید «فقط برچسب، بدون توضیح». نمونه‌ها این را القا می‌کنند ولی دستور صریح آن را محکم‌تر می‌کند.

چطور با few-shot نظرهای فارسی مشتری را دسته‌بندی کنیم؟

برای دسته‌بندی، برچسب‌ها را دقیق تعریف کنید، برای هر برچسب دست‌کم یک نمونه بیاورید و حالت‌های مبهم را در نمونه‌ها حل کنید. نظرهای فارسی چالش‌های خاص خودشان را دارند: محاوره، تعارف، طعنه و ترکیب تعریف و گلایه در یک جمله.

تحلیل احساس با سه برچسب

نظر مشتری فروشگاه اینترنتی را در یکی از این برچسب‌ها قرار بده:
مثبت: مشتری از خرید راضی است و گلایه جدی ندارد.
منفی: مشتری از کالا یا خدمات ناراضی است، حتی اگر مؤدبانه یا با طعنه گفته باشد.
مختلط: هم رضایت روشن و هم گلایه روشن در نظر هست.
فقط برچسب را بنویس.

نظر: «جنس پارچه عالیه، ولی سایزش کوچیک‌تر از جدول بود.»
برچسب: مختلط

نظر: «مرسی واقعاً، سه بار زنگ زدم یکی جواب نداد.»
برچسب: منفی

نظر: «بسته‌بندی تمیز، سریع رسید، دقیقاً مثل عکس.»
برچسب: مثبت

نظر: «خوب بود.»
برچسب: مثبت

نظر: «[نظر جدید]»
برچسب:

چرا این نمونه‌ها؟ نمونه دوم طعنه را نشان می‌دهد («مرسی واقعاً» با معنای منفی)، نمونه اول مرز مختلط را روشن می‌کند و نمونه چهارم نشان می‌دهد نظر کوتاه و کلی هم برچسب می‌خورد. پیش از استفاده در حجم بالا، چند ده نظر واقعی را خودتان برچسب بزنید و با خروجی مدل مقایسه کنید.

دسته‌بندی موضوعی با چند برچسب

اگر یک نظر می‌تواند چند موضوع داشته باشد، قالب خروجی را فهرست بگذارید:

موضوع‌های هر نظر را از این فهرست انتخاب کن (یک یا چند مورد): کیفیت، قیمت، ارسال، بسته‌بندی، پشتیبانی، اندازه، سایر
خروجی را با ویرگول جدا کن و چیز دیگری ننویس.

نظر: «گرون بود ولی کیفیتش می‌ارزید.»
موضوع: قیمت، کیفیت

نظر: «پیک دو روز دیر اومد و جعبه له شده بود.»
موضوع: ارسال، بسته‌بندی

نظر: «سؤالم درباره گارانتی رو کسی جواب نداد.»
موضوع: پشتیبانی

نظر: «[نظر جدید]»
موضوع:

چطور با few-shot اطلاعات را به JSON تبدیل کنیم؟

برای استخراج به JSON، یک یا دو نمونه کامل بدهید که هم حالت کامل و هم حالت ناقص را نشان دهد؛ مخصوصاً نشان دهید وقتی اطلاعاتی در متن نیست، مقدار آن null است و چیزی حدس زده نمی‌شود. این مهم‌ترین قاعده استخراج است، چون مدل‌ها تمایل دارند جای خالی را پر کنند.

از آگهی‌های فروش زیر، اطلاعات را استخراج کن و فقط JSON معتبر برگردان.
کلیدها: title, price_toman (عدد بدون جداکننده)، city، condition ("new" یا "used")، phone
اگر مقداری در متن نیست null بگذار. چیزی حدس نزن. اعداد فارسی را به عدد انگلیسی تبدیل کن.

آگهی: «فروش یخچال ساید بای ساید در حد نو، فقط ۶ ماه کار کرده. قیمت ۴۵ میلیون تومان. تهران، پونک.»
JSON: {"title": "یخچال ساید بای ساید", "price_toman": 45000000, "city": "تهران", "condition": "used", "phone": null}

آگهی: «دوچرخه کوهستان نو، آکبند. توافقی. تماس: ۰۹۱۲۰۰۰۰۰۰۰»
JSON: {"title": "دوچرخه کوهستان", "price_toman": null, "city": null, "condition": "new", "phone": "09120000000"}

آگهی: «[متن آگهی]»
JSON:

نمونه دوم سه حالت مرزی را با هم نشان می‌دهد: قیمت «توافقی» که عدد نیست، شهری که ذکر نشده و تبدیل رقم فارسی. پیش از استفاده، خروجی را با یک اعتبارسنج JSON بررسی کنید و چند خروجی را با متن اصلی مقایسه کنید. اگر ابزار یا API شما گزینه خروجی ساختاریافته دارد، استفاده از آن کنار few-shot قالب را مطمئن‌تر می‌کند. ایده‌های بیشتر برای استخراج اطلاعات محصول در راهنمای پرامپت توضیحات محصول فروشگاه آمده است.

چطور با few-shot سبک نوشتن را تقلید کنیم؟

برای تقلید سبک، دو یا سه نمونه کوتاه از متن‌هایی که خودتان نوشته‌اید یا حق استفاده‌اش را دارید بدهید و از مدل بخواهید پیش از نوشتن، ویژگی‌های سبک را فهرست کند. لحن «دوستانه ولی حرفه‌ای» برای هر کس معنای متفاوتی دارد؛ نمونه آن را دقیق می‌کند.

این سه کپشن اینستاگرام از صفحه کافه ماست:

نمونه ۱: [کپشن]
نمونه ۲: [کپشن]
نمونه ۳: [کپشن]

۱. اول ویژگی‌های سبک این نمونه‌ها را در حداکثر ۶ مورد کوتاه بنویس: طول جمله، میزان محاوره، نوع شوخی، استفاده از ایموجی، نحوه دعوت به اقدام.
۲. سپس با همین سبک یک کپشن برای این موضوع بنویس: [موضوع]
۳. از جمله‌ها یا عبارت‌های خاص نمونه‌ها عیناً استفاده نکن؛ فقط سبک را تقلید کن.

بند سوم مهم است. بدون آن، مدل ممکن است عبارت‌های کلیدی نمونه‌ها را کپی کند و همه کپشن‌ها شبیه هم شوند. برای تقلید سبک نویسندگان دیگر، اخلاق و حق نشر را هم در نظر بگیرید: نمونه‌گرفتن از سبک کلی یک ژانر مشکلی ندارد، اما بازتولید متن یا امضای سبکی یک نویسنده زنده برای انتشار تجاری کار درستی نیست. برای محتوای فارسی بیشتر، راهنمای پرامپت تولید محتوای فارسی را ببینید.

چند نمونه در few-shot کافی است؟

عدد ثابتی وجود ندارد، اما برای بیشتر کارها دو تا پنج نمونه خوب و متنوع کافی است و بیشتر از آن اغلب فقط پرامپت را طولانی می‌کند. معیار، پوشش حالت‌هاست نه تعداد: اگر سه حالت مرزی مهم دارید، به نمونه‌ای برای هر کدام نیاز دارید.

• فقط قالب: یک نمونه معمولاً کافی است.
• دسته‌بندی با چند برچسب: دست‌کم یک نمونه برای هر برچسب، به‌اضافه یک یا دو نمونه مرزی.
• استخراج اطلاعات: یک نمونه کامل و یک نمونه ناقص.
• تقلید سبک: دو تا سه نمونه کوتاه با موضوع‌های متفاوت.

اگر حس می‌کنید به ده‌ها نمونه نیاز دارید، نشانه آن است که یا دستور شما روشن نیست، یا کار آن‌قدر خاص و پرحجم است که باید به روش‌های دیگری فکر کنید (بخش مقایسه را ببینید). نمونه‌های طولانی هم بخش زیادی از پنجره متن مدل را می‌گیرند؛ اگر ورودی اصلی شما بلند است، نمونه‌ها را کوتاه نگه دارید.

رایج‌ترین خطاهای few-shot کدام‌اند؟

بیشتر مشکلات few-shot از خود نمونه‌ها می‌آید، نه از مدل. این خطاها را بشناسید تا وقتی خروجی عجیب شد، بدانید کجا را بگردید:

کپی بیش از حد از نمونه

مدل به‌جای الگو، محتوای نمونه را تکرار می‌کند؛ مثلاً همه توضیحات محصول با همان جمله اول نمونه شروع می‌شوند یا نام محصول نمونه در خروجی جدید ظاهر می‌شود. راه‌حل: نمونه‌ها را متنوع کنید، صریحاً بنویسید «فقط ساختار را تقلید کن، نه محتوا را» و نمونه‌هایی با موضوع دور از ورودی جدید بیاورید.

یاد گرفتن ویژگی تصادفی

اگر همه نمونه‌های «منفی» شما طولانی و همه «مثبت»‌ها کوتاه باشند، مدل ممکن است طول را نشانه احساس بگیرد. هر ویژگی که نمی‌خواهید قاعده شود، باید در نمونه‌ها تنوع داشته باشد.

سوگیری از عدم توازن یا ترتیب

همان‌طور که در بخش ترتیب گفتیم، برچسب پرتکرار یا برچسب آخر ممکن است ترجیح داده شود. نمونه‌ها را متوازن و مخلوط کنید.

نمونه غلط

یک برچسب اشتباه در نمونه‌ها می‌تواند کل دسته‌بندی را منحرف کند. نمونه‌ها را یک بار دیگر، ترجیحاً توسط شخص دوم، چک کنید.

تناقض بین دستور و نمونه

اگر دستور می‌گوید «حداکثر ۵۰ کلمه» ولی نمونه‌ها ۱۰۰ کلمه‌اند، معمولاً نمونه برنده می‌شود. همیشه نمونه‌ها را با دستور هماهنگ کنید.

نشت اطلاعات نمونه

اگر نمونه‌ها از داده واقعی مشتری‌ها آمده‌اند، ممکن است نام یا شماره در خروجی دیگران ظاهر شود. اطلاعات شخصی را پیش از قراردادن در نمونه با مقدار ساختگی عوض کنید.

few-shot بهتر است، دستور تنها یا فاین‌تیون؟

برای بیشتر کاربران و کسب‌وکارهای کوچک، ترکیب دستور روشن و چند نمونه بهترین نقطه شروع است و فاین‌تیون فقط وقتی معنا دارد که حجم کار زیاد، کار خیلی خاص و داده برچسب‌خورده فراوان باشد. فاین‌تیون یعنی آموزش دوباره یک مدل روی داده شما که وزن‌های آن را تغییر می‌دهد؛ این کار هزینه، دانش فنی و داده تمیز می‌خواهد و همه ابزارها و مدل‌ها امکانش را ندارند. گزینه‌های فعلی هر سرویس را در مستندات خودش بررسی کنید.

یک گزینه میانی هم وجود دارد: نمونه‌ها را در دستورالعمل ثابت دستیار، پروژه یا ربات بگذارید تا لازم نباشد هر بار تکرارشان کنید. چگونگی این کار را در راهنمای پرامپت سیستمی و نقش ببینید. اگر کار شما به استدلال چندمرحله‌ای نیاز دارد، نمونه‌هایی که استدلال را هم نشان می‌دهند در راهنمای زنجیره تفکر توضیح داده شده‌اند.

پرامپت‌های few-shot آماده برای کارهای رایج

این پرامپت‌ها را با نمونه‌های واقعی خودتان پر کنید. نمونه‌های داخل آن‌ها فقط برای نشان‌دادن شکل کار است.

ساختن نمونه با کمک خود مدل

اگر نمونه آماده ندارید، می‌توانید از مدل بخواهید پیش‌نویس نمونه‌ها را بسازد و بعد خودتان آن‌ها را اصلاح و تأیید کنید:

می‌خواهم یک پرامپت few-shot برای این کار بسازم: [شرح کار]
برچسب‌ها یا قالب خروجی: [فهرست]
۶ نمونه ورودی واقعی‌نما بساز که این حالت‌ها را پوشش دهند: یک نمونه ساده برای هر برچسب، یک نمونه مبهم بین دو برچسب، یک نمونه طعنه‌آمیز یا غیرمستقیم، یک نمونه خیلی کوتاه.
برای هر نمونه خروجی درست را بنویس و در یک جمله بگو چرا.
نمونه‌ها را به زبان محاوره فارسی و با طول‌های متفاوت بنویس.

این نمونه‌ها را حتماً خودتان بازبینی کنید؛ مدل ممکن است حالت مرزی را اشتباه برچسب بزند.

پاسخ به پیام‌های پشتیبانی با لحن برند

به پیام مشتری با لحن و ساختار نمونه‌ها جواب بده. وعده‌ای که در اطلاعات نیست نده.

پیام: «سفارشم کی می‌رسه؟ کد ۱۲۳۴»
پاسخ: سلام، وقت‌تون بخیر. سفارش ۱۲۳۴ [وضعیت]. اگر تا [زمان] نرسید همین‌جا خبر بدید تا پیگیری کنیم.

پیام: «رنگش با عکس فرق داره»
پاسخ: سلام، ببخشید که این‌طور شد. اگر ممکنه یک عکس از کالا بفرستید تا بررسی کنیم و راه تعویض رو بگیم.

اطلاعات سفارش: [اطلاعات]
پیام: «[پیام جدید]»
پاسخ:

تبدیل یادداشت جلسه به فهرست کار

از یادداشت جلسه، کارها را با این قالب استخراج کن: کار | مسئول | مهلت
اگر مسئول یا مهلت گفته نشده، «نامشخص» بنویس.

یادداشت: «علی تا پنج‌شنبه گزارش فروش رو می‌فرسته. باید یکی با چاپخونه تماس بگیره.»
خروجی:
ارسال گزارش فروش | علی | پنج‌شنبه
تماس با چاپخانه | نامشخص | نامشخص

یادداشت: «[یادداشت جدید]»
خروجی:

تولید عنوان مقاله با الگوی ثابت

برای هر موضوع سه عنوان مقاله با الگوی نمونه‌ها بنویس: کلیدواژه اصلی اول، حداکثر ۶۰ نویسه، بدون اغراق.

موضوع: نگهداری گیاه آپارتمانی در زمستان
عنوان‌ها:
- نگهداری گیاه آپارتمانی در زمستان: نور، آب و دما
- نگهداری گیاه آپارتمانی در زمستان؛ ۷ اشتباه رایج
- نگهداری گیاه آپارتمانی در زمستان برای مبتدی‌ها

موضوع: [موضوع جدید]
عنوان‌ها:

برای عنوان‌ها و ساختار مقاله‌های کامل، راهنمای پرامپت نوشتن مقاله سئو را ببینید.

نسخه انگلیسی برای استفاده در برنامه

Classify each Persian support ticket into exactly one category: billing, delivery, product, account, other.
Return only the category name.

<ticket>پول از حسابم کم شده ولی سفارش ثبت نشده</ticket>
billing

<ticket>رمزم رو یادم رفته و کد تأیید نمیاد</ticket>
account

<ticket>بسته رو پیک تحویل همسایه داده</ticket>
delivery

<ticket>[new ticket]</ticket>

اگر few-shot جواب نداد، چه چیزی را تغییر دهیم؟

اگر خروجی با وجود نمونه‌ها درست نیست، پیش از افزودن نمونه بیشتر، این موارد را به ترتیب بررسی کنید:

1. آیا دستور روشن است؟ نمونه جای تعریف برچسب‌ها را نمی‌گیرد. هر برچسب را در یک جمله تعریف کنید.
2. آیا نمونه‌ها با دستور هماهنگ‌اند؟ طول، قالب و لحن نمونه‌ها را با دستور مقایسه کنید.
3. آیا خطاها الگو دارند؟ اگر همه خطاها در یک حالت مرزی است، برای همان حالت یک نمونه اضافه کنید.
4. آیا ترتیب را عوض کرده‌اید؟ با ترتیب دیگر آزمایش کنید.
5. آیا کار بیش از حد بزرگ است؟ شاید باید آن را به دو مرحله تقسیم کنید: اول استخراج، بعد دسته‌بندی.

برای جمع‌آوری خطاهای پایه‌ای که در همه انواع پرامپت دیده می‌شود، اشتباهات رایج پرامپت‌نویسی را مرور کنید.

راهنماهای مرتبط

few-shot در کنار زنجیره تفکر و پرامپت سیستمی، سه ابزار پایه برای گرفتن خروجی پایدار از مدل‌هاست. اگر تازه شروع کرده‌اید، روش نوشتن پرامپت حرفه‌ای را بخوانید و بعد نمونه‌دادن را روی یک کار واقعی خودتان امتحان کنید. اگر برای کارهای محتوایی تکراری پرامپت آزموده‌شده می‌خواهید، محصولات دسته محتوا و کپی‌رایتینگ را ببینید.