دوره آموزشی مهندسی پرامپت: چگونه با هوش مصنوعی صحبت کنیم

مهندسی پرامپت دیگر فقط به نوشتن یک دستور خوب برای مدل هوش مصنوعی محدود نمی‌شود. مدل‌های جدید برای ارائه پاسخ‌های دقیق و قابل اعتماد، به زمینه، اطلاعات ورودی، ساختار و دستورالعمل‌های مناسبی نیاز دارند. به همین دلیل، درک تفاوت میان Prompt Engineering و روش‌های جدیدتر مانند Context Engineering به یکی از مهارت‌های مهم در کار با سیستم‌های هوش مصنوعی تبدیل شده است.

در این دوره به‌روزشده، Xavier Amatriain، مدیر ارشد هوش مصنوعی در Expedia و از مدیران سابق حوزه هوش مصنوعی مولد در Google و LinkedIn، رویکردهای مدرن مهندسی پرامپت را بررسی می‌کند. این دوره بر پایه نسخه قبلی ساخته شده که نزدیک به ۷۵۰ هزار نفر آن را گذرانده‌اند و مفاهیم موردنیاز برای کار مؤثر با ابزارها و مدل‌های جدید AI را پوشش می‌دهد.

در ابتدا با شش عنصر اصلی یک پرامپت مؤثر آشنا می‌شوید و یاد می‌گیرید چگونه دستورالعمل‌ها، پرسش‌ها، داده‌های ورودی و مثال‌ها را در کنار یکدیگر قرار دهید تا خروجی مدل دقیق‌تر و قابل پیش‌بینی‌تر شود. همچنین تفاوت نیازهای پرامپت‌نویسی برای تولید متن و تولید تصویر را بررسی می‌کنید.

در ادامه، تکنیک‌های پیشرفته‌تری مانند Retrieval-Augmented Generation (RAG)، استدلال زنجیره‌ای یا Chain-of-Thought و روش‌های Self-Check را بررسی می‌کنید و یاد می‌گیرید چه زمانی استفاده از هرکدام می‌تواند کیفیت و قابلیت اطمینان خروجی را افزایش دهد.

یکی از موضوعات مهم دوره، تفاوت میان Prompt Engineering و Context Engineering است. یاد می‌گیرید که در چه شرایطی صرفاً تغییر دستور کافی نیست و باید زمینه، اطلاعات، ابزارها و منابع موردنیاز مدل را به شکل مناسبی طراحی کنید.

همچنین با تفاوت میان مدل‌های سریع و مدل‌های دارای قابلیت تفکر بیشتر آشنا می‌شوید و یاد می‌گیرید روش خود را متناسب با نوع مدل و پیچیدگی مسئله تغییر دهید.

در بخش دیگری از دوره، مفهوم Multimodal Prompting بررسی می‌شود و با روش طراحی پرامپت‌هایی برای کار هم‌زمان با متن، تصویر و صدا آشنا می‌شوید. در ادامه نیز به طراحی AI Agents می‌پردازید و یاد می‌گیرید چگونه ابزارها، گردش‌کارها و حافظه را در کنار یکدیگر قرار دهید تا سیستم‌های هوش مصنوعی بتوانند وظایف واقعی و چندمرحله‌ای را انجام دهند.

در پایان، مجموعه‌ای از روش‌های کاربردی در اختیار خواهید داشت که می‌توانید برای طراحی پرامپت‌ها، ساخت گردش‌کارهای هوش مصنوعی و توسعه سیستم‌های AI قابل اعتماد در سناریوهای واقعی به کار بگیرید.

اهداف یادگیری
عناصر اصلی یک پرامپت مؤثر، از جمله دستورالعمل، پرسش، داده ورودی و مثال را شناسایی کنید.
پرامپت‌های مؤثر برای تولید متن و تولید تصویر طراحی کنید.
تفاوت میان Prompt Engineering و Context Engineering را درک کنید.
تشخیص دهید در چه شرایطی باید از Prompt Engineering یا Context Engineering استفاده کنید.
از تکنیک‌های پیشرفته پرامپت‌نویسی برای حل مسائل واقعی کسب‌وکار استفاده کنید.
کاربرد RAG را در تأمین زمینه و اطلاعات موردنیاز مدل بررسی کنید.
از Chain-of-Thought و تکنیک‌های Self-Check برای بهبود فرایند استدلال و بررسی خروجی استفاده کنید.
رویکرد پرامپت‌نویسی را متناسب با مدل‌های سریع و مدل‌های دارای قابلیت تفکر تنظیم کنید.
پرامپت‌های چندوجهی برای کار با متن، تصویر و صدا طراحی کنید.
گردش‌کارهای ساختاریافته برای AI Agentها طراحی کنید.
ابزارها، گردش‌کارها و حافظه را برای ساخت Agentهای کاربردی با یکدیگر ترکیب کنید.
از تکنیک‌های مهندسی پرامپت برای طراحی راهکارهای قابل اعتماد در کاربردهای واقعی استفاده کنید.