چند سال بیشتر از فراگیر شدن هوش مصنوعی مولد نمیگذرد، اما در همین مدت کوتاه، یک مهارت تازه به نام مهندسی پرامپت با سرعت وارد ادبیات فناوری شد. ناگهان همه میخواستند بدانند چگونه باید با ChatGPT، Claude یا دیگر مدلهای هوش مصنوعی حرف بزنند تا پاسخ بهتری دریافت کنند. پرامپتهای چندخطی، جای خود را به دستورالعملهای چندصفحهای دادند و تکنیکهایی برای تعیین نقش، زمینه، فرمت خروجی و مراحل انجام کار شکل گرفت.
اما حالا درست زمانی که بسیاری از افراد تازه در حال یادگیری این مهارت هستند، هوش مصنوعی در حال آماده شدن برای اتوماتیک کردن این مهارت است. سم آلتمن، مدیرعامل OpenAI، اخیراً در صحبتهایی که با رسانهها داشته، از آیندهای گفته است که در آن کاربران برای استفاده مؤثر از هوش مصنوعی به مهارت پیچیدهای در پرامپتنویسی احتیاج ندارند؛ مدل باید بتواند منظور انسان را از یک درخواست طبیعی درک کند و خودش ادامه مسیر را پیدا کند. اگر این مسیر ادامه پیدا کند، یکی از مهمترین اتفاقات عصر AI رخ خواهد داد. مهندسی پرامپت ممکن است پیش از آن که به یک تخصص تثبیتشده تبدیل شود، بخش بزرگی از اهمیت فعلی خود را از دست بدهد.
در این مقاله از بلاگ گرینوب بررسی میکنیم که تعامل با هوش مصنوعی مولد چگونه در حال تغییر است؟
چرا مهندسی پرامپت شکل گرفت؟
در نسلهای ابتدایی مدلهای مولد، تفاوت میان یک درخواست خوب و بد میتوانست بسیار زیاد باشد. اگر صرفاً از مدل میخواستید «یک استراتژی بازاریابی بنویس»، احتمالاً با پاسخی عمومی روبهرو میشدید. اما اگر نقش مدل، اطلاعات کسبوکار، مخاطب، محدودیتها، هدف، ساختار خروجی و چند مثال را در اختیارش قرار میدادید، نتیجه بهمراتب بهتر بود. از همینجا مهندسی پرامپت با مفهوم تلاش مهندسی شده برای ترجمه خواسته انسانی به زبانی که مدل بتواند درخواست را بهتر متوجه شود، شکل گرفت.
چرا مهندسی پرامپت نویسی رو به زوال است؟
در تاریخ فناوری، معمولاً اتفاق معکوسی افتاده است. فناوری موفقتر شده چون خودش را با انسان تطبیق داده است، نه این که میلیونها انسان مجبور شوند زبان فناوری را یاد بگیرند. نگاه مطرحشده از سوی آلتمن نیز تقریباً همین است؛ مدلهای هوش مصنوعی باید آنقدر در فهم زبان طبیعی، زمینه مکالمه و نیت کاربر پیشرفت کنند که کاربر بهجای فکر کردن درباره روش نوشتن پرامپت، فقط به این فکر کند که چه چیزی میخواهد. این آینده آنقدرها هم دور نیست. یکی از نمونههای جالب را میتوان در DALL·E 3 مشاهده کرد. OpenAI هنگام معرفی این مدل اعلام کرد که ChatGPT میتواند ایده ساده کاربر را دریافت و خودش آن را به یک پرامپت دقیقتر و مفصلتر برای تولید تصویر تبدیل کند. یعنی کاربر میگوید چه تصویری میخواهد و یک مدل هوش مصنوعی، پشت صحنه نقش مهندس پرامپت را برای مدل دیگری بازی میکند.
همین الگو اکنون در ابزارهای Agentic AI گستردهتر شده است. برای مثال، Deep Research صرفاً منتظر نمیماند که کاربر تمام مراحل تحقیق را مشخص کند. سیستم میتواند برای یک مسئله پیچیده برنامهریزی کند، در منابع مختلف جستوجو کند، اطلاعات را تحلیل کند، مسیر تحقیق را بر اساس یافتههای جدید تغییر دهد و در نهایت نتیجه را ترکیب کند. OpenAIاین قابلیت را بهعنوان سیستمی معرفی کرده که میتواند مسیر چندمرحلهای انجام یک تحقیق را بهصورت مستقل طی کند. در چنین مدلی، انسان دیگر لازم نیست تمام دستورالعملهای میانی را بنویسد. بخشی از چیزی که امروز «پرامپتنویسی حرفهای» مینامیم، توسط خود سیستم تولید و اجرا میشود.
آیا مفهومی به نام پرامپت از بین خواهد رفت؟
احتمالاً پاسخ دقیقتر «نه» است. آنچه در حال حذفشدن است، بیشتر وسواس بر سر فرمولبندی پرامپت است تا خود مفهوم ارائه دستور به هوش مصنوعی. در نسل آینده ابزارهای AI احتمالاً اهمیت این که بنویسیم «Act as an expert…»، جمله را با چه ساختاری شروع کنیم یا از چه ترفندهایی برای هدایت مدل استفاده کنیم، کمتر خواهد شد. مدل خودش بسیاری از این مراحل را مدیریت خواهد کرد.
اما یک مسئله همچنان باقی میماند و این است که هوش مصنوعی باید بداند شما دقیقاً چه میخواهید و اینجا شاید مهارت مهمتری متولد شود و آن هم مهارت انتقال مفهوم و طرح کردن صحیح مسئله است.
تصور کنید مدیر یک شرکت از یک AI Agent میخواهد عملکرد فروش شرکت را تحلیل کند. حتی پیشرفتهترین هوش مصنوعی دنیا هم برای انجام درست این درخواست به اطلاعات بیشتری نیاز دارد. کدام دوره زمانی؟ هدف تحلیل چیست؟ افزایش فروش، بهبود حاشیه سود یا بررسی عملکرد تیمها؟ چه دادههایی در اختیار سازمان است؟ چه محدودیتهایی وجود دارد؟ خروجی قرار است مبنای چه تصمیمی باشد؟
مسئله اینجا دیگر انتخاب واژه مناسب برای پرامپت نیست؛ تعریف درست مسئله است.
به همین دلیل میتوان انتظار داشت با پیشرفت مدلها، ارزش از Prompt Engineering به سمت مجموعهای از مهارتهای سطح بالاتر منتقل شود: توانایی تعریف مسئله، ارائه زمینه مناسب، تشخیص اطلاعات مرتبط، تعیین محدودیتها، ارزیابی خروجی AI و طراحی فرایندی که در آن انسان و ماشین در کنار یکدیگر کار کنند. هوش مصنوعی شاید بتواند خودش برای خودش پرامپت بنویسد، اما هنوز باید بداند به دنبال حل چه مسئلهای است؟
عصر عبور از چتباتها و رسیدن به Agentها
یکی از مهمترین تغییرات فعلی هوش مصنوعی، عبور از «چتبات» به «عامل هوشمند» یا AI Agent است. OpenAI در گزارشی در ژوئن ۲۰۲۶ این تغییر را حرکت از تعاملهای کوتاه و منفرد با چتباتها به واگذاری وظایف بلندمدت به عاملهایی توصیف کرد که میتوانند ابزارهای مختلف را به کار بگیرند، با محیط تعامل کنند و بارها روی راه حل خود بازنگری کنند. تفاوت ظریفی در این میان وجود دارد. در مدل چتباتی، انسان اغلب میپرسد: “مرحله بعدی چیست؟” اما در مدل Agentic، انسان میگوید: “این هدف من است؛ انجامش بده.”
هرقدر سهم تصمیمگیری درباره مراحل میانی بیشتر به هوش مصنوعی منتقل شود، نیاز کاربر به نوشتن دستورهای طولانی نیز کمتر خواهد شد.
در عصر AI Agentها، سازمانها چه چیزی باید به کارکنان خود آموزش دهند؟
این تحول برای سازمانهایی که امروز به دنبال آموزش هوش مصنوعی به کارکنانشان هستند، پیام مهمی دارد. سرمایهگذاری صرف روی آموزش صدها «ترفند پرامپتنویسی» ممکن است خیلی زود ارزش خود را از دست بدهد. مدلها تغییر میکنند، رابطهای کاربری سادهتر میشوند و Agentها بخش بیشتری از پیچیدگی تعامل با هوش مصنوعی را پشت صحنه مدیریت میکنند. آنچه ماندگارتر است، سواد هوش مصنوعی است.
کارکنان باید یاد بگیرند چه وظایفی را میتوان به AI سپرد، چگونه زمینه و داده مناسب در اختیار آن قرار داد، چگونه کیفیت خروجی را سنجید، کجا باید به نتیجه مشکوک شد و چگونه AI را از یک ابزار پرسش و پاسخ به بخشی از جریان واقعی کار تبدیل کرد.
مسئله مهم برای سازمانها، دیگر خرید یک ابزار AI یا برگزاری یک دوره پرامپتنویسی نیست بلکه اتصال هوش مصنوعی به دادههای سازمان، طراحی جریانهای کاری هوشمند، فراهمکردن زیرساخت پردازشی مناسب، امنیت داده و ایجاد چارچوب استفاده مسئولانه از AI، است.
سخن آخر
در زمانهای که هر نسل از فناوری، بخشی از پیچیدگی نسل قبل را پنهان کرده است، آینده متعلق به کسانی نیست که بهتر با AI حرف میزنند.
همانگونه که برای استفاده از اینترنت، لازم نیست پروتکل TCP/IP بدانیم و برای عکاسی با گوشی هوشمند نیازی به شناخت الگوریتمهای پردازش تصویر نداریم؛ شاید در آینده نیز برای استفاده حرفهای از هوش مصنوعی، لازم نباشد «مهندس پرامپت» باشیم. هوش مصنوعی بهتدریج مسئول ترجمه خواستههای ما به دستورهای فنی خودش خواهد شد. در چنین جهانی، مزیت انسان، دیگر در دانستن جمله جادویی برای گرفتن پاسخ بهتر از ChatGPT نیست. مزیت واقعی در چیز دشوارتری است و آن هم دانستن این که چه مسئلهای ارزش حلکردن دارد، چه نتیجهای میخواهیم و چگونه بفهمیم پاسخی که ماشین به ما داده، واقعاً پاسخ درستی است.
بنابراین شاید بهتر باشد بهجای این که بگوییم «مهندسی پرامپت در حال از بین رفتن است»، بگوییم در حال تبدیلشدن به چیزی بزرگتر و فراگیرتر است. پرامپتها ممکن است ناپدید شوند؛ اما مهندسی تعامل انسان و هوش مصنوعی تازه در ابتدای راه است.
