بیشتر ما وقتی با هوش مصنوعی کار میکنیم، یه دستور کوتاه میدیم: «یه متن تبلیغاتی بنویس …» یا «این مقاله رو خلاصه کن» و بعد دمغ میشیم که چرا خروجی اینقدر کلیشهای و بیروحه. اولین کاری هم که میکنیم اینه که تقصیر رو میندازیم گردن مدل.
ولی حقیقت اینه: مشکل معمولاً از مدل نیست، از کانتکستیه که بهش ندادی!
مدلهایی مثل ChatGPT و Claude ذهنخون نیستن؛ هرچی بهشون بدی، با همون کار میکنن. دقیقاً به همین خاطره که از ۲۰۲۵ یه مهارت به اسم Context Engineering (مهندسی کانتکست) تبدیل شده به یکی از مهمترین چیزهایی که برای کار حرفهای با هوش مصنوعی باید بلد باشی. مفهومی که آدمهایی مثل Andrej Karpathy و تیم Anthropic تو شکلگرفتنش نقش داشتن.
تو این مقاله ساده و بدون اصطلاح پیچیده میگم مهندسی کانتکست دقیقاً چیه، چه فرقی با پرامپتنویسی داره، و با چه تکنیکهایی میتونی خروجی دقیقتر و کمکلیشهتر بگیری.
Context Engineering یعنی طراحی کل فضای اطلاعاتیای که مدل قبل از جواب دادن بهش دسترسی داره.
بذار فرقش با پرامپتنویسی رو ساده بگم:
پرامپت فقط یه دستوره. کانتکست همهٔ اون چیزیه که مدل لازم داره تا اون دستور رو درست اجرا کنه. در واقع پرامپتنویسی یه تیکه از مهندسی کانتکسته، نه برعکس.
این مهمترین چیزیه که خیلیها اشتباه میگن. مهندسی کانتکست تو سطح حرفهای فقط «یه پرامپت چاقتر و طولانیتر» نیست؛ چند تا لایهٔ دیگه هم داره:
اگه صاحب کسبوکاری یا محتوا تولید میکنی، نقطهٔ شروع عملیِ تو همون «پرامپتِ پر از کانتکست»ه که پایین میبینی. ولی خوبه بدونی تصویر کامل از این بزرگتره.
هرچقدر زمینه، مخاطب، هدف و معیار موفقیت شفافتر باشد، خروجی مدل دقیقتر، کاربردیتر و نزدیکتر به نیاز واقعی شما خواهد بود.
همین یک تفاوت باعث میشود خروجی کمتر کلیشهای باشد، دقیقتر به مخاطب بخورد و سریعتر به یک متن قابل استفاده تبدیل شود.
ما تو پالت یه چکلیست ساده با نام برندمون داریم! فرمول P.A.L.E.T. قبل از هر درخواست، این پنجتا رو مشخص کن:
۱. Purpose | هدف:
دقیقاً چی میخوای؟ «مقاله بنویس» کافی نیست؛ «مقالهای بنویس که مفهوم Context Engineering رو برای مدیر کسبوکار ساده کنه» دقیقه.
۲. Audience | مخاطب:
متنی که برای متخصص سئو مینویسی با متنی که برای صاحب کسبوکار مینویسی فرق داره. مخاطب، لحن و سطح توضیح رو تعیین میکنه.
۳. Limits | محدودیتها:
مثلاً: از جملهٔ کلیشهای استفاده نکن، از فلان مقدار طولانیتر نشه، و اگه چیزی قطعی نیست حدس نزن.
۴. Evidence | داده و نمونه:
اگه سبک خاصی تو ذهنته یه نمونه بده؛ اگه تحلیل میخوای، دیتای واقعی بده (مثلاً خروجی Google Search Console یا کلمات کلیدی هدف).
۵. Target Success | معیار موفقیت:
به مدل بگو خروجی موفق چه شکلیه؛ مثلاً «موفقیت یعنی خواننده بعد از خوندن بتونه یه پرامپت بهتر بنویسه».
پیشنهاد میکنیم یه نگاهی به خدمات ما بندازی. ما تو پالت کمک میکنیم کسبوکارت از طراحی سایت و سئو تا مشاوره رشد، مسیر حرفهایتر و دقیقتری داشته باشه.
مشاهده خدمات پالتاینها چهرهٔ روزمرهٔ مهندسی کانتکستن و تو همون رابط چتِ ChatGPT یا Claude کار میکنن. تکنیکهای ۱، ۴ و ۵ از جمله توصیههای مستندِ خودِ Anthropic برای کار با Claude هستن.
مدلهای Claude با ورودیِ تگخورده بهتر کار میکنن، چون مرز بخشها براشون روشن میشه:
<زمینه_پروژه>
ما یه سرویس آنلاین طراحی دکوراسیون میسازیم؛ مخاطب کسایی که میخوان کمهزینه چیدمان خونه رو عوض کنن.
</زمینه_پروژه>
<هدف_خروجی>
یه بریف تبلیغاتی با تمرکز روی «نگرانی از قضاوت مهمونها دربارهٔ خونه».
</هدف_خروجی>
<معیار_موفقیت>
خواننده حس کنه این ابزار دغدغهٔ واقعیش رو حل میکنه. لحن صمیمی و بدون کلمهٔ پیچیده.
</معیار_موفقیت>
[هدف]: تحلیل بازار رقبای حوزهٔ آموزش آنلاین.
[نباید بنویسی]: عبارت کلیشهای مثل «در دنیای پویای امروز» یا «کلید موفقیت»؛ توصیهٔ کلی؛ فرضیهسازی بدون داده.
[فرمت]: سه بخش جدا — فرصتها، تهدیدهای واقعی، اقدام فوری.
مجبورش کن قبل از جواب نهایی فکر کنه! اینجوری کیفیت کارهای تحلیلی بالا میره:
قبل از جواب، تو بخش <تحلیل> فرضیات و چالشهای پنهان سؤال رو بررسی کن.
بعد جواب نهاییِ خلاصه و کاربردی رو تو بخش <پاسخ_نهایی> بنویس.
سؤال: چطور پشتیبانی مشتریهای یه آژانس مسافرتی رو با ایجنتهای هوشمند اتومات کنم؟
ورودی: کفش ورزشی سبک -> خروجی: قدم زدن روی ابرها؛ سبکترین کفش دویدن سال
ورودی: کرم مرطوبکننده -> خروجی: خداحافظی با خشکی پوست؛ آبرسانی عمیق ۲۴ ساعته
حالا به همین سبک خروجی را بساز:
ورودی: قهوهساز کپسولی خانگی
<متن_پایه>
[متن طولانی، مقاله یا گزارش تو]
</متن_پایه>
با توجه به متن بالا، یه خلاصهٔ اجرایی تو ۵ نکتهٔ کلیدی دربیار.
پرامپتنویسی هنوز مهمه، ولی دیگه کافی نیست. اگه میخوای از ChatGPT، Claude یا Gemini خروجی واقعاً بهدردبخور بگیری، بهجای دستور کوتاه و مبهم، کانتکست مسئله رو طراحی کن: هدف، مخاطب، محدودیت، داده و معیار موفقیت رو روشن کن — و تو پروژههای جدیتر، دیتا و حافظهٔ درست رو هم دست مدل بده.
هوش مصنوعی جای فکر کردن رو نمیگیره؛ ولی اگه درست هدایتش کنی، سرعت تولید محتوا، تحلیل سئو و تصمیمگیری کسبوکارت رو چند برابر میکنه.
مهندسی کانتکست یعنی طراحی کل فضای اطلاعاتیای که مدل برای جواب دقیقتر بهش نیاز داره؛ هدف، مخاطب، محدودیت، داده، نمونه و معیار موفقیت — و تو سطح پیشرفته، منابع واقعی، حافظه و خروجی ابزارها.
پرامپتنویسی روی نوشتن دستور تمرکز داره؛ مهندسی کانتکست روی ساختن کل فضای مسئله. پرامپت یه تیکه از کانتکسته، نه همهش.
بله مهندسی کانتکسن در سئو هم کاربردیه. تو تحقیق کلمات کلیدی، تحلیل دیتای سرچ کنسول، نوشتن بریف محتوا و طراحی ساختار صفحهها حسابی کاربردیه.
نه. تو Claude، Gemini و بقیهٔ مدلهای زبانی هم همینطور کار میکنه.
قبل از هر درخواست، پنج چیز رو مشخص کن: هدف، مخاطب، محدودیتها، دیتای ورودی و معیار موفقیت (همون فرمول P.A.L.E.T).
