دقت کردید بعضی مواقع هوش مصنوعی جواب‌های پرت می‌دهد یا در یک عالم دیگر سیر می‌کند؟ حتی وسط جواب دادن یادش می‌رود اصلا چه می‌خواستید و چه مکالمه‌ای داشتید. این چالش کار با تمام ابزارهای AI است و به همین دلیل طی سال‌های اخیر، مهندسی پرامپت به حوزه گسترده‌تری به اسم مهندسی زمینه یا Context Engineering رسیده است.
Context Engineering به ما نشان می‌دهد که تفاوت بین خوب توضیح دادن یک وظیفه با فراهم کردن شرایط مناسب انجام آن، چه فرقی دارد. در ادامه چیستی این موضوع را بررسی می‌کنیم و خیلی سریع با یک آموزش تصویری، استفاده از آن را در دنیای واقعی و با ChatGPT و Gemini یادتان می‌دهیم.
Context Engineering چیست؟
Context Engineering یا مهندسی زمینه یعنی فراهم کردن اطلاعات درست، به‌اندازه کافی و در زمان مناسب برای هوش مصنوعی تا بتواند وظیفه‌اش را بهتر انجام دهد.
فرض کنید از هوش مصنوعی می‌خواهید برای کسب‌وکارتان یک برنامه بازاریابی بنویسد. اگر فقط همین درخواست را مطرح کنید، احتمالا یک نسخه همگانی می‌گیرید؛ اما اگر درباره نوع کسب‌وکار، مشتریان، بودجه، هدف و محدودیت‌هایتان هم توضیح دهید، خروجی به شرایط کسب‌وکارتان نزدیک‌تر می‌شود.
البته که خودِ موضوع پرامپت نویسی هم جایگاه مهمی در خروجی‌ای که از هوش مصنوعی می‌گیرید، دارد؛ اما مهندسی زمینه بحثی کمی گسترده‌تر است که در ادامه بیشتر با چگونگی آن آشنا خواهید شد.
اطلاعات ضروری در مهندسی زمینه
در مهندسی زمینه اطلاعات زیر ضروری هستند و حتما باید در اختیار AI قرار بگیرند:
هدف
هدف باید نتیجه نهایی را مشخص کند. مثلا «برای سایت من محتوا تولید کن» یک درخواست کلی است؛ اما «برای صفحه محصول، متنی بنویس که به خریدار در انتخاب آگاهانه کمک کند و او را به بررسی محصول ترغیب کند» نتیجه روشن‌تری دارد.
اطلاعات مرتبط
هوش مصنوعی باید چه چیزهایی درباره شما، پروژه یا مسئله بداند؟ این اطلاعات باید مستقیما به انجام کار مربوط باشند؛ نه همه جزئیات.
مثلا: ایجنت سئو باید موضوع سایت، نوع مخاطب، خدمات یا محصولات و وضعیت فعلی محتوا را بداند.
معیارها و محدودیت‌ها
AI چه کارهایی باید انجام دهد و چه کارهایی ممنوع است؟ پس باید مشخص کنید چه خروجی‌ای را مناسب می‌دانید و عامل هوشمند چه کارهایی را نباید انجام دهد.
مثلا باید کاربردی بودن موضوع، رعایت لحن برند یا داشتن ساختار مشخص را به AI بگویید.
سوابق قبلی
چه تصمیم‌هایی گرفته شده و چه کارهایی انجام شده است؟ چون ایجنت‌ها در چند مرحله روی یک پروژه کار می‌کنند. بنابراین باید بدانند چه اقداماتی انجام شده، چه خروجی‌هایی تایید شده و کدام بخش‌ها هنوز ناتمام ماندند.
پس باید وضعیت کار را به‌صورت خلاصه و روشن ثبت کنید و لیست کارهای انجام‌شده، تصمیم‌های قطعی، موارد باز و اقدام بعدی را به AI بدهید.
ابزارهای لازم
برای کدام بخش نیاز به جست‌وجو در وب است؟ کدام موارد باید بررسی شوند و مرجع آمارها کدام وب‌سایت‌ها یا کتاب‌ها هستند؟
آموزش عملی استفاده از Context Engineering در کار با ایجنت
برای استفاده از مهندسی زمینه لازم نیست ابزار جدیدی نصب کنید یا دانش فنی داشته باشید. همین حالا به وب سرویس ویرا بروید و در باکس چت، پرامپت‌های زیر را قرار دهید.
مهندسی زمینه برای ایجنت سئو
می‌خواهم این مقاله را برای سئو بهبود بدهم.
- موضوع سایت: آموزش مدیریت زمان برای کارمندان
- مخاطب: افرادی که شاغل‌اند و وقت کمی دارند
- هدف صفحه: جذب بازدیدکننده از گوگل و ارائه راهکارهای کاربردی
- کلمه کلیدی اصلی: مدیریت زمان در محیط کار
وظیفه تو:
- ابتدا مشکلات مقاله را از نظر پاسخ‌گویی به نیاز مخاطب بررسی کن.
- پیشنهادهای اصلاحی را بر اساس اهمیت مرتب کن.
- عنوان و تیترهای پیشنهادی را ارائه بده.
- متن را بدون تکرار مصنوعی کلمات کلیدی اصلاح کن.
محدودیت: اطلاعات تأییدنشده اضافه نکن و قبل از بازنویسی کامل، پیشنهادهایت را به من نشان بده.
متن مقاله: [متن را اینجا قرار بده]
اقدام بعدی: اگر بعدا تصمیم گرفتید مخاطب مقاله را از کارمندان به مدیران تغییر دهید، این تغییر را مستقیم بنویسید و از ایجنت بخواهید پیشنهادهای قبلی را برای مخاطب جدید بهینه کند.
مهندسی زمینه برای ایجنت سناریونویس
برای یک ویدیوی ۴۵ ثانیه‌ای اینستاگرام، سناریو بنویس.
- موضوع: سه اشتباه رایج در استفاده از هوش مصنوعی در کار روزانه
- مخاطب: افرادی که از ChatGPT استفاده می‌کنند، اما هنوز نتیجه‌های خوبی نمی‌گیرند
- هدف: آموزش یک نکته کاربردی و تشویق مخاطب به امتحان کردن آن
- لحن: صمیمی، مستقیم و بدون اغراق
ساختار:
- شروع جذاب در ۳ ثانیه اول
- معرفی سه اشتباه با مثال کوتاه
- ارائه یک راهکار قابل اجرا
- پایان با یک دعوت ساده به اقدام
محدودیت‌ها:
- از مقدمه طولانی و عبارت‌های کلیشه‌ای استفاده نکن.
- متن باید برای گفتار طبیعی باشد.
- برای هر بخش، زمان تقریبی اجرا را بنویس.
در پایان، بررسی کن که سناریو در ۴۵ ثانیه قابل اجرا باشد.
اقدام بعدی: اگر سناریو را دوست داشتید، به ایجنت بگویید کدام ویژگی‌های را برای سناریوهای بعدی حفظ کند؛ مثلا شروع سریع، مثال روزمره و پایان کوتاه. اگر سبکی را نمی‌پسندید، دقیقا همان را قید تا در خروجی‌های بعدی تکرار نشود.
مهندسی زمینه برای ایجنت برنامه‌ریزی شخصی
برای فردا یک برنامه واقع‌بینانه تنظیم کن.
کارهای من:
- ۲ ساعت کار روی پروژه اصلی
- ۱ ساعت مطالعه
- خرید روزانه
- پاسخ دادن به ایمیل‌ها
محدودیت‌ها:
- از ساعت ۹ تا ۱۳ جلسه کاری دارم.
- بعد از ساعت ۱۸ نمی‌خواهم کار حرفه‌ای انجام دهم.
- برای استراحت و ناهار زمان در نظر بگیر.
اولویت اصلی: پروژه کاری
خروجی مورد انتظار: برنامه زمان‌بندی‌شده با ساعت شروع و پایان هر کار.
اگر مجموع کارها در زمان موجود جا نمی‌شود، برنامه را بیش از حد فشرده نکن؛ مشخص کن کدام کار باید به زمان دیگری منتقل شود.
اقدام بعدی: اگر جلسه‌ای به برنامه اضافه شد یا یکی از کارها بیشتر از زمان پیش‌بینی‌شده طول کشید، تغییر را به ایجنت توضیح دهید و از آن بخواهید برنامه را بر اساس وضعیت جدید تنظیم کند. بعد از استفاده مداوم و چندروزه از ایجنت خلاصه‌ای از کارهای انجام‌شده، موارد باقی‌مانده و اولویت‌های جدید را نگه دارید تا برنامه‌ریزی روز بعد از صفر شروع نشود.
مهندسی زمینه برای ایجنت دستیار مالی
کمکم کن هزینه‌های ماهانه‌ام را بررسی کنم و یک برنامه اولیه برای پس‌انداز بسازم.
درآمد ماهانه: ۴۰ میلیون تومان
هزینه‌های ثابت:
- اجاره: ۱۲ میلیون
- قبض و اینترنت: ۱ میلیون
- رفت‌وآمد: ۲ میلیون
هزینه‌های متغیر ماه گذشته:
- خوراک: ۶ میلیون
- خریدهای غیرضروری: ۴ میلیون
- تفریح: ۳ میلیون
هدف: پیدا کردن هزینه‌هایی که می‌توانم بدون فشار زیاد کاهش بدهم.
لطفا:
- مجموع هزینه‌ها را حساب کن.
- هزینه‌های ثابت و متغیر را جدا کن.
- سه پیشنهاد عملی برای مدیریت هزینه‌ها بده.
- اگر اطلاعاتی کم است، قبل از نتیجه‌گیری سؤال بپرس.
- فرضیاتت را از اطلاعات قطعی جدا کن.
فعلا فقط تحلیل و پیشنهاد بده؛ هیچ تراکنش یا تغییر مالی انجام نده.
اقدام بعدی: اگر هزینه‌های ماه بعدی تغییر کرد، اطلاعات جدید را جایگزین قدیمی‌ها کنید و از ایجنت بخواهید تحلیل قبلی را به‌روزرسانی کند. اگر مبلغی هنوز مشخص نیست، آن را به‌عنوان برآورد معرفی کنید، نه عدد قطعی.
Context Engineering کدام مشکل هوش مصنوعی را حل می‌کند؟
AI چهار مشکل رایج زیر را دارد که مهندسی زمینه آن‌ها را تا حد قابل قبولی حل می‌کند:
- اطلاعات مهم را نمی‌داند؛
- اطلاعات زیاد و نامرتبط باعث سردرگمی‌اش می‌شوند؛
- اطلاعات جدید با اطلاعات قبلی‌اش تناقض دارند؛
- ایجنت بدون اطلاعات یا ابزار لازم تصمیم می‌گیرد؛
تفاوت Prompt Engineering و Context Engineering در یک نگاه
عکس زیر تفاوت این دو را در یک نگاه و به‌شکل جامع نشان می‌دهد.
جدول مقایسه Context Engineering و Prompt Engineering
| معیار | مهندسی پرامپت | مهندسی زمینه |
| تمرکز اصلی | چطور درخواست را بیان کنیم؟ | چه اطلاعات و شرایطی برای انجام کار لازم است؟ |
| اطلاعات مورد استفاده | دستور، هدف و قالب خروجی | دستور، سوابق، اسناد، اطلاعات به‌روز و نتایج مراحل قبلی |
| کاربرد رایج | کار با هوش مصنوعی و انجام یک وظیفه مشخص، مثل نوشتن ایمیل | کار با ایجنت و پیش بردن یک پروژه یا وظیفه چندمرحله‌ای |
| نحوه برخورد با اطلاعات جدید | احتمالا نیاز به چکش‌کاری پرامپت برای رسیدن به نتیجه مطلوب | به‌روز کردن اطلاعات مرتبط در طول کار |
| مدیریت سوابق مکالمه | معمولا در محدوده همان درخواست یا گفت‌وگو | توجه به اطلاعات مهمی که باید برای ادامه کار در نظر گرفته شوند. |
| نتیجه مورد انتظار | پاسخ بهتر به پرامپت | عملکرد منسجم‌تر و متناسب‌تر در طول انجام کار |
Context Engineering چه تاثیری روی آینده ایجنت‌ها دارد؟
هوش مصنوعی تکامل یافته و مبنای کارکرد و پیشرفت آن، ایجنت‌هایش شده است. مثلا ChatGPT در ماه سپتامبر از ChatGPT Dots رونمایی کرد؛ سرویسی که از چندین عامل تشکیل شده و هرکدام در یک زمینه‌ای تخصص دارند.
ایجنت‌ها مثل هوش مصنوعی فقط به یک درخواست جواب نمی‌دهند؛ بلکه پردازش و تحلیل عمیقی روی ورودی اجرا می‌کنند و هر بخش را به عامل‌های متخصص می‌سپارند. این ابزارها چند مرحله از یک کار را پیش می‌برند، برای رسیدن به خروجی قابل قبول از ابزارهای مختلف استفاده می‌کنند و در طول مسیر تصمیم می‌گیرند.
وقتی بدانید مهندسی زمینه چیست و چگونه از آن استفاده کنید، در طول کار با Agent و پیش‌برد امور زیر راحت‌تر خواهید بود:
- ادامه دادن کارهای طولانی بدون شروع دوباره از صفر
- استفاده از اطلاعات به‌روز به‌جای تکیه بر اطلاعات قبلی
- هماهنگی بهتر میان چند ایجنت
جمع‌بندی
برای بهتر کار کردن با ایجنت‌ها، فقط نباید روی انتخاب ایجنت توانمندتر تمرکز کنیم؛ باید یاد بگیریم شرایط اطلاعاتی مناسبی برای انجام کار فراهم کنیم. یادتان باشد که مهندسی زمینه به‌معنی ارائه اطلاعات زیاد نیست؛ بلکه باید اطلاعاتی را انتخاب کنید که واقعا به انجام وظیفه کمک می‌کنند و خطای هوش مصنوعی در تفکر و تحلیل را به حداقل می‌رسانند.
خیر. مهندسی پرامپت روی نوشتن دستور تمرکز دارد؛ اما مهندسی زمینه علاوه بر دستور اطلاعات مرتبط، سوابق کار، منابع موردنیاز و تغییرات شرایط را هم در نظر می‌گیرد. این دو مکمل یکدیگرند.
خیر. برای استفاده روزمره می‌توانید با توضیح هدف، ارائه اطلاعات مرتبط، مشخص کردن محدودیت‌ها و خلاصه کردن تصمیم‌های مهم شروع کنید.
خیر. فقط باید اطلاعات ضروری را بدهید و جزئیات بیشتر را زمانی در اختیار ایجنت بگذارید که به پیشروی بهتر و هدفمند‌تر کار کمک می‌کنند.
ابتدا مشخص کنید آیا ابزار شما امکان حفظ سوابق یا استفاده مجدد از اطلاعات را دارد. اگر ندارد، یک خلاصه کوتاه از هدف، تصمیم‌های گرفته‌شده، وضعیت فعلی و قدم بعدی بنویسید و در شروع مکالمه جدید به مدل بدهید.
خیر. این روش فقط حجم اطلاعات ناقص، بی‌ربط یا نادرست را کمتر می‌کند.
وقتی با وظایف چندمرحله‌ای، پروژه‌های طولانی، اطلاعاتی که مدام تغییر می‌کنند یا ایجنت‌هایی کار می‌کنید که باید از ابزارها و منابع مختلف استفاده کنند.
خروجی را با هدف‌تان مقایسه کنید. آیا محدودیت‌ها رعایت شده‌اند؟ آیا تصمیم‌ها با اطلاعات ارائه‌شده سازگارند؟ آیا مجبور شدید بارها یک نکته را تکرار کنید؟
