سیستم پرامپت چیست؟

پیامی که هرگز نفرستادید ولی مدل اول آن را می‌خواند

هر برنامهٔ گفتگو بیشتر از پیام شما را برای مدل ارسال می‌کند. پیش از کلمات شما بلوکی از متن می‌آید که برنامه نوشته است: دستیار چه نام دارد، چه کاری باید و نباید بکند، پاسخ‌ها را چگونه قالب‌بندی کند، امروز چه تاریخی است، به کدام ابزارها دسترسی دارد. آن بلوک همان سیستم پرامپت است. شما می‌نویسید «این را خلاصه کن»، اما مدل صفحه‌ای از قوانین به‌همراه «این را خلاصه کن» دریافت می‌کند.

مدل سیستم پرامپت را به‌عنوان دستور ثابت در نظر می‌گیرد. مدلی که از او خواسته شده «دستیاری موجز باشد که به انگلیسی بریتانیایی پاسخ می‌دهد و هرگز از فهرست نقطه‌ای استفاده نمی‌کند» این کار را در کل گفتگو بدون یادآوری انجام می‌دهد، چون این دستور با هر پیام دوباره می‌رسد. همین ارسال مجدد جزئیه‌ای است که مردم از آن غافل می‌شوند و همان چیزی است که هزینه دارد، موضوعی که بخش سوم قیمت‌گذاری می‌کند.

می‌توانید نمونه‌های واقعی را ببینید. Anthropic سیستم پرامپت‌هایی را که برای Claude در برنامه‌های خود استفاده می‌کند منتشر می‌کند، همراه با یادداشت‌های انتشار هنگام تغییرشان. خواندن یکی از آن‌ها سریع‌ترین راه برای درک این ژانر است: پاراگراف‌هایی دربارهٔ لحن، دربارهٔ اینکه چه وقت از فهرست استفاده کند، دربارهٔ نحوهٔ برخورد با درخواستی که باید رد کند، دربارهٔ تاریخ قطع دانش، نوشته‌شده به انگلیسی ساده به‌جای کد. برخی نیز افشا می‌شوند؛ سیستم پرامپت چت Bing که دستیار را «Sydney» نامیده بود، در فوریهٔ 2023 توسط دانشجویی از Stanford با درخواست از مدل برای تکرار متن بالای گفتگو استخراج شد.

چرا یک سوال یکسان در برنامه‌ای دیگر پاسخی متفاوت می‌گیرد

رابط‌های برنامه‌نویسی مدل‌ها به هر پیام برچسبی از نقش می‌زنند و مدل آموزش دیده است تا به آن‌ها وزن متفاوتی بدهد.

دو نتیجه از این ترتیب می‌آید. سیستم پرامپت چارچوب را تعیین می‌کند، پس یک پیام یکسان کاربر در چارچوبی دیگر پاسخی متفاوت می‌گیرد: «یک لیمریک بنویس» زیر یک سیستم پرامپت لیمریکی تولید می‌کند و زیر سیستم پرامپت یک دستیار بانکی رد می‌شود. و سیستم پرامپت متعلق به برنامه است، پس تعویض برنامه روی مدلی یکسان پاسخ‌ها را عوض می‌کند حتی اگر مدل تغییر نکرده باشد. ال‌ال‌ام چیست مدل را از برنامه جدا می‌کند؛ سیستم پرامپت بیشتر آن جداسازی است.

این خط مطلق نیست. مدل‌ها آموزش دیده‌اند سیستم پرامپت را بر کاربر ترجیح دهند، اما پیام کاربر همچنان می‌تواند مدل را از دستورالعمل‌هایش منحرف کند، که موضوع اصلی جیل‌بریک هوش مصنوعی چیست است. سیستم پرامپت پیش‌فرضی قوی است، نه قفلی محکم.

سیستم پرامپت چقدر هزینه دارد، چون در هر نوبت ارسال می‌شود

سیستم پرامپت توکن ورودی است، و توکن در هوش مصنوعی چیست نشان می‌دهد ورودی در هر پیام صورت‌حساب می‌شود. گفتگویی با 100 نوبت و سیستم پرامپتی 8000 توکنی، آن پرامپت را 100 بار ارسال می‌کند: 800000 توکن ورودی پیش از آنکه یک کلمه از شما رد شود.

به قیمت لیست حساب کنیم. یک پیام معمولی حدود 1000 توکن ورودی و 500 توکن خروجی دارد. افزودن دستورالعملی 8000 توکنی، که معادل 32000 کاراکتر انگلیسی با نرخ چهار کاراکتر در هر توکن است، به هریک از 100 پیام هزینهٔ ورودی اضافی زیر را با نرخ‌های OpenRouter در شاخص هزینهٔ مدل هوش مصنوعی به‌بار می‌آورد که در تاریخ 2026-08-20 دریافت شده است.

ارائه‌دهندگان کش دارند: OpenAI ورودی کش‌شده را نیمی تخفیف می‌دهد و روی جدیدترین مدل‌هایش 90 درصد، و Anthropic خواندن کش را با یک‌دهم قیمت لیست صورت‌حساب می‌کند، پس برنامه‌ای که کش را راه‌اندازی کرده باشد بسیار کمتر از نمودار می‌پردازد. نمودار قیمت لیست است، همان چیزی که شاخص هزینه دنبال می‌کند و همان چیزی که هر برنامه‌ای که کش را نادیده می‌گیرد می‌پردازد. دستورالعمل‌های ثابت طولانی همچنان تنها متنی هستند که هر بار ارسال می‌شود.

Whizi برعکس هزینه می‌گیرد. هر پیام تعداد ثابتی اعتبار دارد که مدل تعیین می‌کند، 1 روی مدل خانگی، 10 روی Claude Sonnet 5، 20 روی Claude Opus 5، و طول دستورالعمل هیچ‌گاه وارد قیمت نمی‌شود. همان 100 پیام با یا بدون دستورالعمل 100، 1000 یا 2000 اعتبار هزینه دارد. اعتبار Whizi چگونه کار می‌کند نردبان آن را دارد.

کدام بخش سیستم پرامپت را اجازه دارید بنویسید

محصولات بخشی از سیستم پرامپت را برای پر کردن شما در معرض دید می‌گذارند. ChatGPT آن را دستورالعمل‌های سفارشی و حافظه می‌نامد؛ Claude دستورالعمل‌های پروژه و سبک‌ها دارد؛ Gemini اطلاعات ذخیره‌شده دارد. با هر نامی، متن شما به دستورالعمل‌های خود محصول افزوده می‌شود و در هر نوبت دوباره ارسال می‌شود.

در Whizi این بخش، پروژه است. پروژه پوشه‌ای از گفتگوهاست با دستورالعمل‌های خودش، تا 32000 کاراکتر، که روی هر چت داخل آن اعمال می‌شود و در هر پیام دوباره در پرامپت ساخته می‌شود. فایل‌های پین‌شده هم به همین شکل همراه می‌شوند، با سقف 32000 کاراکتر متن استخراج‌شده در هر فایل و 120000 کاراکتر برای کل بلوک پروژه. هیچ فیلد دستورالعمل سفارشی در سطح حساب کاربری وجود ندارد: دستورالعمل هر پروژه تنها دستورالعمل نوشته‌شده توسط کاربر در محصول است، پس ترجیحی که می‌خواهید همه‌جا اعمال شود باید در هر پروژه جداگانه چسبانده شود.

چهار عامل داخلی وجه دیگر ماجرا را نشان می‌دهند. ردیف‌های CPA کانادایی، Study Mentor، Writing Copilot و Math Tutor هرکدام سیستم پرامپتی ثابت دارند که در کاتالوگ مدل نوشته شده و شما نمی‌توانید آن را ویرایش کنید. انتخاب یک عامل، انتخاب یک سیستم پرامپت است.

چه چیزی در یک سیستم پرامپت جا دارد، از نمونه‌های منتشرشده

دستورالعمل‌هایی که کار می‌کنند مثل بریفی برای همکاری تازه‌وارد خوانده می‌شوند، و سیستم پرامپت‌های منتشرشدهٔ Claude بهترین الگوی عمومی این قالب‌اند. چهار چیز بیشترین وزن را می‌کشند.

1. نقش و مخاطب در یک جمله. «شما دستیار مالیاتی برای صاحبان کسب‌وکار مستقل کانادایی هستید» بیشتر از سه پاراگراف صفت کار می‌کند.
2. قوانین قالب به‌صورت قانون بیان‌شده. «در کمتر از 150 کلمه پاسخ بده. بدون فهرست نقطه‌ای. املای بریتانیایی.» مدل‌ها فرمان‌های صریح را قابل‌اعتمادتر از ترجیحات دنبال می‌کنند.
3. چه کاری هنگام تردید باید کرد. «اگر پاسخ به واقعیتی وابسته است که نداری، پیش از پاسخ یک سوال بپرس.» بدون این، مدل حدس می‌زند.
4. چه چیزی را رد کند و چگونه. دسته‌ها و عبارت رد کردن را نام ببرید، وگرنه مدل عبارت خودش را می‌سازد.

چه چیزی جا ندارد: واقعیت‌هایی که تغییر می‌کنند. قیمتی، تعداد مدلی یا تاریخی که در سیستم پرامپت نوشته شده در هر نوبت دوباره تأیید می‌شود تا کسی آن را ویرایش کند، و همین‌طور است که یک دستورالعمل کهنه ماه‌ها به پاسخی اشتباه اما مطمئن تبدیل می‌شود. واقعیت‌های در حال تغییر را در فایلی پین‌شده یا جستجو بگذارید، نه در دستورهای ثابت، چون تاریخ قطع دانش خودِ مدل هرحال آن‌ها را کهنه می‌کند. مهندسی پرامپت برای مبتدیان سمت هر پیام همین هنر را پوشش می‌دهد.