مهندسی پرامپت برای توسعه وب

مقدمه ای بر مهندسی Prompt برای توسعه وب

در چشم انداز به سرعت در حال تحول توسعه نرم افزار، ظهور مدل های زبان بزرگ (LLMs) آماده است تا نحوه نوشتن کد را متحول کند. توانایی تعامل موثر با این مدل ها از طریق پرامپت های خوش ساخت (Prompt Engineering)، در حال تبدیل شدن به یک مهارت ضروری برای توسعه دهندگان و غیر توسعه دهندگان است. قدرت تولید کد در صورت تقاضا، یک دارایی فوق العاده ارزشمند است و درک تفاوت های ظریف مهندسی پرامپت، کلید باز کردن پتانسیل کامل آن است.

طی چند سال گذشته، من در دنیای تولید کد به کمک هوش مصنوعی غوطه ور شده ام و شاهد پیشرفت های چشمگیر در این زمینه بوده ام. آنچه زمانی یک فناوری نوپا بود، به طور قابل توجهی بالغ شده است، به خصوص در شش ماه گذشته. در حالی که ابزارها و مدل های خاص ممکن است به تکامل خود ادامه دهند، اصول اساسی تعامل با پرامپت های هوش مصنوعی، مانند مواردی که توسط ChatGPT و Claude استفاده می شود، ثابت می مانند.

این عمل، که اکنون معمولاً به عنوان “مهندسی پرامپت” شناخته می شود، شامل مجموعه ای از تکنیک ها و رویکردها است که اثربخشی تولید کد هوش مصنوعی را به حداکثر می رساند. در این مقاله، برخی از استراتژی هایی را که هنگام تولید کد PHP، SASS، JS و HTML برای سایت های وردپرس مفیدتر دانسته ام، به اشتراک می گذارم. توجه به این نکته ضروری است که این مفاهیم محدود به وردپرس نیستند. آنها را می توان به راحتی در هر سیستم مدیریت محتوای (CMS) یا چارچوب توسعه دیگری اعمال کرد.

قانون طلایی: ورودی، خروجی را دیکته می کند

سنگ بنای مهندسی پرامپت موثر، یک اصل ساده و در عین حال عمیق است: کیفیت خروجی مستقیماً با کیفیت ورودی متناسب است. هنگام تعامل با هوش مصنوعی، بسیار مهم است که به یاد داشته باشید که با یک انسان ارتباط برقرار نمی کنید. این ممکن است بدیهی به نظر برسد، اما این یک تمایز ظریف و در عین حال حیاتی است که اغلب نادیده گرفته می شود.

انسان ها توانایی استنباط معنا، پرسیدن سوالات روشن کننده و تصحیح مستقل اشتباهات را دارند. از سوی دیگر، هوش مصنوعی فاقد این درک ذاتی است. آنها به دقت دستورالعمل های ارائه شده را دنبال می کنند و فقط آن دستورالعمل ها را. اگر اطلاعات مهمی را حذف کنید، هوش مصنوعی به طور جادویی شکاف ها را پر نمی کند. این به سادگی کد را بر اساس دستورالعمل های ناقصی که دریافت می کند تولید می کند.

هنگام توصیف یک وظیفه کدنویسی، ممکن است ناخودآگاه درک اولیه ای از مفاهیم خاص، به ویژه در زمینه یک پلتفرم خاص مانند وردپرس را فرض کنید. اینها جزئیاتی هستند که ممکن است هنگام برقراری ارتباط با یک توسعه دهنده دیگر، به طور طبیعی حذف کنید. با این حال، هنگام تعامل با هوش مصنوعی، ضروری است که صریحاً هر نیازی را بیان کنید، مهم نیست چقدر بدیهی به نظر می رسد.

دقت و وضوح: کلیدهای پرامپت های موثر

برای نشان دادن اهمیت دقت و وضوح، بیایید یک سناریوی فرضی را در نظر بگیریم. تصور کنید که می خواهید یک تابع سفارشی وردپرس ایجاد کنید که لیستی از پست های اخیر را نمایش می دهد.

دستورالعمل برای یک توسعه دهنده انسانی:

“سلام، می توانید یک تابع سریع بنویسید تا چند پست اخیر را نشان دهد؟ شاید عنوان و تاریخ را نمایش دهید و آن را به، مثلاً، پنج پست محدود کنید؟”

یک توسعه دهنده انسانی احتمالاً این درخواست را بدون توضیح بیشتر درک می کند. آنها به طور شهودی می دانند که:

• از کلاس WP_Query وردپرس استفاده کنند.
• پست ها را به ترتیب نزولی تاریخ انتشار واکشی کنند.
• تاریخ را با توجه به تنظیمات سایت قالب بندی کنند.
• نشانه گذاری HTML مناسب را تولید کنند.

دستورالعمل برای هوش مصنوعی:

“یک تابع وردپرس در PHP ایجاد کنید که لیستی از پنج پست اخیر را نمایش می دهد. از کلاس WP_Query برای واکشی پست ها استفاده کنید. برای هر پست، عنوان را به عنوان یک عنوان سطح 3 (<h3>) و تاریخ انتشار را با فرمت ‘Month Day, Year’ (به عنوان مثال، ‘January 1, 2024’) نمایش دهید. کل لیست را در یک لیست نامرتب (<ul>) قرار دهید که هر پست به عنوان یک آیتم لیست (<li>) نشان داده شود. تابع نباید هیچ آرگومانی بپذیرد و باید HTML تولید شده را به عنوان یک رشته برگرداند.”

به سطح جزئیات در دستورالعمل های هوش مصنوعی توجه کنید. ما صریحاً مشخص می کنیم:

• زبان برنامه نویسی (PHP).
• کلاس وردپرس برای استفاده (WP_Query).
• تعداد پست هایی که باید نمایش داده شوند (پنج).
• داده های خاص برای گنجاندن (عنوان و تاریخ).
• قالب تاریخ مورد نظر (‘Month Day, Year’).
• عناصر HTML برای استفاده (<h3>, <ul>, <li>).
• ورودی تابع (بدون آرگومان).
• خروجی تابع (یک رشته حاوی HTML).

این سطح از ویژگی برای اطمینان از اینکه هوش مصنوعی کد مورد نظر را به طور دقیق تولید می کند، بسیار مهم است.

فراتر از دستورالعمل های اولیه: تکنیک های پیشرفته پرامپت

در حالی که ارائه دستورالعمل های دقیق اساسی است، چندین تکنیک پیشرفته وجود دارد که می تواند اثربخشی پرامپت های شما را بیشتر کند.

تعیین سبک کدنویسی و قراردادها

هوش مصنوعی می تواند با سبک ها و قراردادهای مختلف کدنویسی سازگار شود. اگر ترجیحات خاصی برای نامگذاری متغیرها، تورفتگی یا قالب بندی کد دارید، می توانید این موارد را در پرامپت خود بگنجانید.

مثال:

“تابع را در PHP با استفاده از استانداردهای کدنویسی وردپرس بنویسید. از snake_case برای نام متغیرها و تورفتگی چهار فاصله ای استفاده کنید.”

ارائه زمینه و اطلاعات پیش زمینه

گاهی اوقات، مفید است که اطلاعات زمینه ای یا پیش زمینه ای اضافی در مورد وظیفه به هوش مصنوعی ارائه دهید. این می تواند به ویژه برای سناریوهای پیچیده تر مفید باشد.

مثال:

“این تابع بخشی از افزونه ای خواهد بود که عملکرد وبلاگ سایت را بهبود می بخشد. باید به گونه ای طراحی شود که به راحتی قابل تنظیم و توسعه باشد.”

استفاده از مثال ها برای راهنمایی هوش مصنوعی

یکی از قدرتمندترین تکنیک ها، ارائه نمونه هایی از خروجی مورد نظر به هوش مصنوعی است. این می تواند به ویژه هنگام برخورد با الزامات قالب بندی یا طرح بندی خاص موثر باشد.

مثال:

“خروجی HTML باید شبیه ساختار زیر باشد: