طراحی سریع ، فرآیند ایجاد درخواست‌های سریع یا زبان طبیعی است که پاسخ‌های دقیق و با کیفیت بالا را از یک مدل زبانی استخراج می‌کند.
این صفحه مفاهیم اولیه، استراتژی‌ها و بهترین شیوه‌ها را برای شروع طراحی دستورالعمل‌ها به منظور بهره‌برداری هرچه بیشتر از مدل‌های هوش مصنوعی Gemini معرفی می‌کند.
راهنماهای سریع مربوط به موضوع خاص
به دنبال استراتژی‌های خاص‌تری برای یادآوری هستید؟ سایر راهنماهای ما در مورد یادآوری را در اینجا ببینید:
- ارسال درخواست با فایل‌های رسانه‌ای
- درخواست برای تولید تصویر با Imagen و Gemini Native Image Generation
- درخواست برای تولید ویدیو
می‌توانید نمونه‌های دیگری از دستورالعمل‌ها را در گالری دستورالعمل‌ها پیدا کنید که به صورت تعاملی بسیاری از مفاهیم به اشتراک گذاشته شده در این راهنما را نمایش می‌دهد.
دستورالعمل‌های واضح و مشخص
یک روش مؤثر و کارآمد برای سفارشی‌سازی رفتار مدل، ارائه دستورالعمل‌های واضح و مشخص به آن است. دستورالعمل‌ها می‌توانند به شکل یک سؤال، وظایف گام به گام یا به پیچیدگی ترسیم تجربه و طرز فکر کاربر باشند.
ورودی
ورودی، متن مورد نیاز در اعلانی است که می‌خواهید مدل به آن پاسخ دهد. ورودی‌ها می‌توانند سوالی باشند که مدل به آن پاسخ می‌دهد (ورودی سوال)، وظیفه‌ای که مدل انجام می‌دهد (ورودی وظیفه)، موجودیتی که مدل روی آن کار می‌کند (ورودی موجودیت) یا ورودی جزئی که مدل آن را تکمیل یا ادامه می‌دهد (ورودی تکمیل).
| نوع ورودی | سریع | خروجی تولید شده |
|---|---|---|
| سوال | | |
| وظیفه |
Give me a simple list of just the things that I must bring on a camping trip. The list should have 5 items. |
1. **Tent:** Your shelter from the elements.
2. **Sleeping Bag:** Stay warm and comfortable.
3. **Sleeping Pad:** Insulation and cushioning for a good night's sleep.
4. **Headlamp or Flashlight:** Light for nighttime activities.
5. **First Aid Kit:** Be prepared for minor injuries. |
| نهاد | | |
تکمیل ورودی جزئی
مدل‌های زبان مولد مانند یک ابزار تکمیل خودکار پیشرفته عمل می‌کنند. وقتی شما بخشی از محتوا را ارائه می‌دهید، مدل می‌تواند بقیه محتوا یا آنچه را که فکر می‌کند ادامه آن محتوا است، به عنوان پاسخ ارائه دهد. هنگام انجام این کار، اگر مثال یا زمینه‌ای را اضافه کنید، مدل می‌تواند آن مثال‌ها یا زمینه را در نظر بگیرد.
مثال زیر یک اعلان با یک دستورالعمل و یک ورودی موجودیت ارائه می‌دهد:
For the given order, return a JSON object that has the fields cheeseburger, hamburger, fries, or drink, with the value being the quantity. Order: A burger and a drink.
{
"cheeseburger": 0,
"hamburger": 1,
"fries": 0,
"drink": 1
}
|
اگرچه مدل طبق دستورالعمل عمل کرد، اما نوشتن دستورالعمل‌ها به زبان طبیعی گاهی اوقات می‌تواند چالش‌برانگیز باشد و تفسیر زیادی را به مدل واگذار می‌کند. برای مثال، منوی یک رستوران ممکن است شامل موارد زیادی باشد. برای کاهش اندازه پاسخ JSON، احتمالاً می‌خواهید مواردی را که سفارش داده نشده‌اند حذف کنید. در این حالت، می‌توانید یک مثال و یک پیشوند پاسخ ارائه دهید و بگذارید مدل آن را کامل کند:
Valid fields are cheeseburger, hamburger, fries, and drink.
Order: Give me a cheeseburger and fries
Output:
```
{
"cheeseburger": 1,
"fries": 1
}
```
Order: I want two burgers, a drink, and fries.
Output:
```
{
"hamburger": 2,
"drink": 1,
"fries": 1
}
```
|
توجه کنید که چگونه «چیزبرگر» از خروجی حذف شد زیرا بخشی از سفارش نبود.
محدودیت‌ها
هرگونه محدودیتی را در خواندن اعلان یا تولید پاسخ مشخص کنید. می‌توانید به مدل بگویید چه کاری انجام دهد و چه کاری انجام ندهد. برای مثال، می‌توانید در اعلان، محدودیتی در مورد مدت زمان خلاصه تعیین کنید:
Summarize this text in one sentence:
Text: A quantum computer exploits quantum mechanical phenomena to perform calculations exponentially
faster than any modern traditional computer. At very tiny scales, physical matter acts as both
particles and as waves, and quantum computing uses specialized hardware to leverage this behavior.
The operating principles of quantum devices is beyond the scope of classical physics. When deployed
at scale, quantum computers could be used in a wide variety of applications such as: in
cybersecurity to break existing encryption methods while helping researchers create new ones, in
meteorology to develop better weather forecasting etc. However, the current state of the art quantum
computers are still largely experimental and impractical.
Exploiting quantum mechanical phenomena, quantum computers can perform calculations exponentially faster than traditional computers for potential applications like cybersecurity and meteorology, although they are currently largely experimental and impractical.
|
قالب پاسخ
شما می‌توانید دستورالعمل‌هایی ارائه دهید که قالب پاسخ را مشخص کنند. برای مثال، می‌توانید از مدل بخواهید که پاسخ را به صورت جدول، فهرست بولت‌دار، ارائه آسانسوری، کلمات کلیدی، جمله یا پاراگراف قالب‌بندی کند. دستورالعمل سیستمی زیر به مدل می‌گوید که در پاسخ خود محاوره‌ای‌تر باشد:
All questions should be answered comprehensively with details, unless the user requests a concise response specifically.
What is a smart way to make a business that sells DVD's in 2025?
Starting a business selling DVDs in 2025 presents significant challenges due to the overwhelming dominance of digital streaming and on-demand services; a "smart" approach would therefore require a highly specialized niche, a strong value proposition beyond just the disc, and likely a focus on community or collector markets rather than mainstream consumption.
Here's a breakdown of what a smart DVD business in 2025 would likely entail:
1. Extreme Niche Specialization: You cannot compete with streaming libraries. Your business must focus on what digital doesn't offer easily or at all. This could include:
* Out-of-Print & Rare Titles: Sourcing films or TV shows that have never been released digitally or are currently unavailable on major streaming platforms.
....
|
پاسخ‌ها را با استراتژی تکمیل قالب‌بندی کنید
استراتژی تکمیل همچنین می‌تواند به قالب‌بندی پاسخ کمک کند. مثال زیر مدل را وادار می‌کند تا یک طرح کلی مقاله ایجاد کند:
Create an outline for an essay about hummingbirds. Here is a possible outline for an essay about hummingbirds: I. Introduction A. Hook: Start with a captivating fact or description about hummingbirds (e.g., their speed, iridescent colors, or tiny size). B. Background: Briefly introduce hummingbirds – where they are found (Americas), their reputation as unique birds. C. Thesis Statement: State the main point of the essay, which could be about the remarkable adaptations, behaviors, and ecological importance of hummingbirds. II. Appearance and Identification ..... |
دستور، قالبی برای طرح کلی مشخص نکرده بود و مدل، قالبی را برای شما انتخاب کرد. برای اینکه مدل، طرح کلی را با قالبی خاص برگرداند، می‌توانید متنی را اضافه کنید که نشان‌دهنده‌ی شروع طرح کلی باشد و اجازه دهید مدل آن را بر اساس الگویی که شما آغاز کرده‌اید، تکمیل کند.
Create an outline for an essay about hummingbirds. I. Introduction * Okay, here is an outline for an essay about hummingbirds, starting from the introduction you provided: I. Introduction * Hook: Start with a captivating fact or description about hummingbirds (e.g., their speed, iridescent colors, or tiny size). * Background: Briefly introduce hummingbirds – where they are found (Americas), their reputation as unique birds, and their general characteristics. * Thesis Statement: State the main point of the essay, focusing on the remarkable adaptations, behaviors, and ecological significance that make hummingbirds extraordinary. ..... |
دستورالعمل‌های بدون شلیک در مقابل دستورالعمل‌های با چند شلیک
می‌توانید مثال‌هایی را در سوال مطرح کنید که به مدل نشان دهد درست انجام دادن آن چگونه است. مدل تلاش می‌کند الگوها و روابط را از مثال‌ها شناسایی کند و هنگام تولید پاسخ، آنها را به کار گیرد. به سوالاتی که شامل چند مثال هستند، سوالات چند قسمتی می‌گویند، در حالی که به سوالاتی که هیچ مثالی ارائه نمی‌دهند، سوالات صفر قسمتی می‌گویند. سوالات چند قسمتی اغلب برای تنظیم قالب‌بندی، عبارت‌بندی، دامنه یا الگوی کلی پاسخ‌های مدل استفاده می‌شوند. از مثال‌های خاص و متنوع برای کمک به مدل در محدود کردن تمرکز خود و تولید نتایج دقیق‌تر استفاده کنید.
توصیه می‌کنیم همیشه مثال‌های کوتاه و مختصر را در سوالات خود بگنجانید. سوالاتی که مثال‌های کوتاه و مختصر ندارند، احتمالاً اثربخشی کمتری خواهند داشت. در واقع، اگر مثال‌های شما به اندازه کافی واضح باشند و وظیفه مورد نظر را نشان دهند، می‌توانید دستورالعمل‌ها را از سوال خود حذف کنید.
سوال بی‌پاسخ زیر از مدل می‌خواهد که بهترین توضیح را انتخاب کند.
Please choose the best explanation to the question: Question: How is snow formed? Explanation1: Snow is formed when water vapor in the air freezes into ice crystals in the atmosphere, which can combine and grow into snowflakes as they fall through the atmosphere and accumulate on the ground. Explanation2: Water vapor freezes into ice crystals forming snow. Answer: Explanation1 is the better explanation because it provides more detail on the process, including how ice crystals combine and grow into snowflakes as they fall through the atmosphere. |
اگر مورد استفاده شما مستلزم آن است که مدل پاسخ‌های مختصری تولید کند، می‌توانید مثال‌هایی را در اعلان بگنجانید که به پاسخ‌های مختصر اولویت می‌دهند.
در سوال زیر دو مثال ارائه شده است که ترجیح توضیحات کوتاه‌تر را نشان می‌دهد. در پاسخ، می‌توانید ببینید که مثال‌ها مدل را به سمت انتخاب توضیح کوتاه‌تر ( Explanation2 ) هدایت کرده‌اند، برخلاف کاری که قبلاً انجام داده بود و توضیح طولانی‌تر ( Explanation1 ).
Below are some examples showing a question, explanation, and answer format: Question: Why is the sky blue? Explanation1: The sky appears blue because of Rayleigh scattering, which causes shorter blue wavelengths of light to be scattered more easily than longer red wavelengths, making the sky look blue. Explanation2: Due to Rayleigh scattering effect. Answer: Explanation2 Question: What is the cause of earthquakes? Explanation1: Sudden release of energy in the Earth's crust. Explanation2: Earthquakes happen when tectonic plates suddenly slip or break apart, causing a release of energy that creates seismic waves that can shake the ground and cause damage. Answer: Explanation1 Now, Answer the following question given the example formats above: Question: How is snow formed? Explanation1: Snow is formed when water vapor in the air freezes into ice crystals in the atmosphere, which can combine and grow into snowflakes as they fall through the atmosphere and accumulate on the ground. Explanation2: Water vapor freezes into ice crystals forming snow. Answer: Answer: Explanation2 |
تعداد بهینه مثال‌ها
مدل‌هایی مانند Gemini اغلب می‌توانند با استفاده از چند مثال، الگوها را تشخیص دهند، اگرچه ممکن است برای رسیدن به بهترین نتایج، لازم باشد تعداد مثال‌هایی را که باید در سوال ارائه دهید، آزمایش کنید. در عین حال، اگر مثال‌های زیادی را در نظر بگیرید، ممکن است مدل شروع به بیش‌برازش پاسخ به مثال‌ها کند.
الگوها در مقابل ضد الگوها
استفاده از مثال‌ها برای نشان دادن الگویی که باید از آن پیروی کرد، مؤثرتر از استفاده از مثال‌ها برای نشان دادن یک الگوی مخالف است که باید از آن اجتناب کرد.
⛔ الگوی منفی:
Don't end haikus with a question: Haiku are fun A short and simple poem Don't you enjoy them? |
✅ الگوی مثبت:
Always end haikus with an assertion: Haiku are fun A short and simple poem A joy to write |
قالب‌بندی منسجم
مطمئن شوید که ساختار و قالب‌بندی مثال‌های چند قسمتی یکسان است تا از پاسخ‌هایی با قالب‌های نامطلوب جلوگیری شود. یکی از اهداف اصلی اضافه کردن مثال‌های چند قسمتی در درخواست‌ها، نشان دادن قالب پاسخ به مدل است. بنابراین، ضروری است که از یک قالب ثابت در تمام مثال‌ها، به ویژه با توجه به برچسب‌های XML، فضاهای خالی، خطوط جدید و جداکننده‌های مثال، اطمینان حاصل شود.
اضافه کردن زمینه
شما می‌توانید دستورالعمل‌ها و اطلاعاتی را که مدل برای حل یک مسئله نیاز دارد، در یک درخواست بگنجانید، به جای اینکه فرض کنید مدل تمام اطلاعات مورد نیاز را دارد. این اطلاعات زمینه‌ای به مدل کمک می‌کند تا محدودیت‌ها و جزئیات کاری را که از آن می‌خواهید انجام دهد، درک کند.
مثال زیر از مدل می‌خواهد که راهنمایی‌های عیب‌یابی برای یک روتر ارائه دهد:
What should I do to fix my disconnected wifi? The light on my Google Wifi router is yellow and blinking slowly.
A yellow blinking light on your Google Wifi router usually indicates a problem
with the internet connection. Here are some steps to troubleshoot and fix the
issue:
1. Restart your router and modem:
- Unplug your modem from the power outlet and wait for 30 seconds.
- Plug your modem back in and wait for it to fully boot up.
- Unplug your Google Wifi router and wait for 30 seconds.
- Plug your Google Wifi router back in and wait for it to fully boot up.
.....
|
این پاسخ شبیه اطلاعات عیب‌یابی عمومی است که مختص روتر یا وضعیت چراغ‌های نشانگر LED نیست.
برای سفارشی‌سازی پاسخ برای یک روتر خاص، می‌توانید راهنمای عیب‌یابی روتر را به عنوان زمینه‌ای برای ارجاع هنگام ارائه پاسخ، به اعلان اضافه کنید.
Answer the question using the text below. Respond with only the text provided. Question: What should I do to fix my disconnected wifi? The light on my Google Wifi router is yellow and blinking slowly. Text: Color: Slowly pulsing yellow What it means: There is a network error. What to do: Check that the Ethernet cable is connected to both your router and your modem and both devices are turned on. You might need to unplug and plug in each device again. Color: Fast blinking yellow What it means: You are holding down the reset button and are factory resetting this device. What to do: If you keep holding down the reset button, after about 12 seconds, the light will turn solid yellow. Once it is solid yellow, let go of the factory reset button. Color: Solid yellow What it means: Router is factory resetting. What to do: This can take up to 10 minutes. When it's done, the device will reset itself and start pulsing white, letting you know it's ready for setup. Color: Solid red What it means: Something is wrong. What to do: Critical failure. Factory reset the router. If the light stays red, contact Wifi customer support. Check that the Ethernet cable is connected to both your router and your modem and both devices are turned on. You might need to unplug and plug in each device again. |
اضافه کردن پیشوندها
پیشوند کلمه یا عبارتی است که به محتوای اعلان اضافه می‌کنید و بسته به محل قرار دادن پیشوند، می‌تواند چندین هدف را دنبال کند:
- پیشوند ورودی: اضافه کردن یک پیشوند به ورودی، بخش‌هایی از ورودی را که از نظر معنایی معنادار هستند، به مدل سیگنال می‌دهد. برای مثال، پیشوندهای «انگلیسی:» و «فرانسوی:» دو زبان مختلف را از هم جدا می‌کنند.
- پیشوند خروجی: اگرچه خروجی توسط مدل تولید می‌شود، می‌توانید یک پیشوند برای خروجی در اعلان اضافه کنید. پیشوند خروجی به مدل اطلاعاتی در مورد آنچه به عنوان پاسخ انتظار می‌رود، می‌دهد. به عنوان مثال، پیشوند خروجی "JSON:" به مدل سیگنال می‌دهد که خروجی باید در قالب JSON باشد.
- پیشوند مثال: در دستورات چند قسمتی، اضافه کردن پیشوندها به مثال‌ها برچسب‌هایی را ارائه می‌دهد که مدل می‌تواند هنگام تولید خروجی از آنها استفاده کند، که تجزیه محتوای خروجی را آسان‌تر می‌کند.
در مثال زیر، «متن:» پیشوند ورودی و «پاسخ این است:» پیشوند خروجی است.
Classify the text as one of the following categories. - large - small Text: Rhino The answer is: large Text: Mouse The answer is: small Text: Snail The answer is: small Text: Elephant The answer is: The answer is: large |
دستورات را به اجزای تشکیل دهنده تقسیم کنید
برای مواردی که به دستورات پیچیده نیاز دارند، می‌توانید با تجزیه موارد به اجزای ساده‌تر، به مدل کمک کنید تا این پیچیدگی را مدیریت کند.
دستورالعمل‌ها را به بخش‌های کوچک‌تر تقسیم کنید: به جای اینکه چندین دستورالعمل را در یک اعلان داشته باشید، برای هر دستورالعمل یک اعلان ایجاد کنید. می‌توانید بر اساس ورودی کاربر، انتخاب کنید که کدام اعلان پردازش شود.
دستورالعمل‌های زنجیره‌ای: برای کارهای پیچیده‌ای که شامل چندین مرحله متوالی هستند، هر مرحله را به یک دستورالعمل تبدیل کنید و دستورالعمل‌ها را به صورت زنجیره‌ای به هم متصل کنید. در این زنجیره متوالی از دستورالعمل‌ها، خروجی یک دستورالعمل در دنباله، ورودی دستورالعمل بعدی می‌شود. خروجی آخرین دستورالعمل در دنباله، خروجی نهایی است.
پاسخ‌های تجمیع‌شده: تجمیع زمانی است که می‌خواهید وظایف موازی مختلفی را روی بخش‌های مختلف داده‌ها انجام دهید و نتایج را برای تولید خروجی نهایی تجمیع کنید. برای مثال، می‌توانید به مدل بگویید که یک عملیات را روی بخش اول داده‌ها انجام دهد، عملیات دیگری را روی بقیه داده‌ها انجام دهد و نتایج را تجمیع کند.
آزمایش با پارامترهای مدل
هر فراخوانی که به یک مدل ارسال می‌کنید شامل مقادیر پارامتری است که نحوه تولید پاسخ توسط مدل را کنترل می‌کنند. مدل می‌تواند برای مقادیر پارامتر مختلف، نتایج متفاوتی تولید کند. برای دستیابی به بهترین مقادیر برای کار، مقادیر پارامترهای مختلف را آزمایش کنید. پارامترهای موجود برای مدل‌های مختلف ممکن است متفاوت باشند. رایج‌ترین پارامترها موارد زیر هستند:
حداکثر تعداد توکن‌های خروجی: حداکثر تعداد توکن‌هایی را که می‌توان در پاسخ تولید کرد، مشخص می‌کند. یک توکن تقریباً چهار کاراکتر است. ۱۰۰ توکن تقریباً معادل ۶۰ تا ۸۰ کلمه است.
دما: دما میزان تصادفی بودن انتخاب توکن را کنترل می‌کند. دما برای نمونه‌برداری در طول تولید پاسخ استفاده می‌شود، که هنگام اعمال
topPوtopKرخ می‌دهد. دماهای پایین‌تر برای درخواست‌هایی که نیاز به پاسخ قطعی‌تر یا کمتر باز دارند، مناسب هستند، در حالی که دماهای بالاتر می‌توانند منجر به نتایج متنوع‌تر یا خلاقانه‌تر شوند. دمای ۰ قطعی است، به این معنی که پاسخی که بالاترین احتمال را دارد همیشه انتخاب می‌شود.topK: پارامترtopKنحوه انتخاب توکن‌ها برای خروجی توسط مدل را تغییر می‌دهد.topKبرابر با ۱ به این معنی است که توکن انتخاب شده محتمل‌ترین توکن در بین تمام توکن‌های موجود در واژگان مدل است (که به آن رمزگشایی حریصانه نیز گفته می‌شود)، در حالی کهtopKبرابر با ۳ به این معنی است که توکن بعدی از بین ۳ توکن محتمل‌تر با استفاده از دما انتخاب می‌شود. برای هر مرحله انتخاب توکن، توکن‌هایtopKبا بالاترین احتمال نمونه‌برداری می‌شوند. سپس توکن‌ها بر اساسtopPفیلتر می‌شوند و توکن نهایی با استفاده از نمونه‌برداری دما انتخاب می‌شود.topP: پارامترtopPنحوه انتخاب توکن‌ها برای خروجی توسط مدل را تغییر می‌دهد. توکن‌ها از محتمل‌ترین به کم‌احتمال‌ترین انتخاب می‌شوند تا زمانی که مجموع احتمالات آنها برابر با مقدارtopPشود. برای مثال، اگر توکن‌های A، B و C احتمال 0.3، 0.2 و 0.1 داشته باشند و مقدارtopPبرابر با 0.5 باشد، مدل با استفاده از دما، A یا B را به عنوان توکن بعدی انتخاب می‌کند و C را به عنوان کاندید حذف می‌کند. مقدار پیش‌فرضtopPبرابر با 0.95 است.stop_sequences: یک توالی توقف تنظیم می‌کند تا به مدل بگوید تولید محتوا را متوقف کند. یک توالی توقف می‌تواند هر توالی از کاراکترها باشد. سعی کنید از استفاده از توالی کاراکترهایی که ممکن است در محتوای تولید شده ظاهر شوند، خودداری کنید.
استراتژی‌های تکرار سریع
طراحی سریع گاهی اوقات می‌تواند قبل از اینکه به طور مداوم پاسخی را که به دنبال آن هستید دریافت کنید، نیاز به چند تکرار داشته باشد. این بخش راهنمایی‌هایی در مورد برخی از مواردی که می‌توانید هنگام تکرار روی دستورالعمل‌های خود امتحان کنید، ارائه می‌دهد:
از عبارات متفاوت استفاده کنید: استفاده از کلمات یا عبارات متفاوت در سوالات شما اغلب پاسخ‌های متفاوتی از مدل ارائه می‌دهد، حتی اگر همه آنها به یک معنی باشند. اگر از سوال خود نتایج مورد انتظار را دریافت نمی‌کنید، سعی کنید آن را به صورت دیگری بیان کنید.
Version 1: How do I bake a pie? Version 2: Suggest a recipe for a pie. Version 3: What's a good pie recipe?
به یک کار مشابه بروید: اگر نمی‌توانید مدل را وادار کنید که دستورالعمل‌های شما را برای یک کار دنبال کند، سعی کنید دستورالعمل‌هایی برای یک کار مشابه که به همان نتیجه می‌رسد، به آن بدهید.
این اعلان به مدل می‌گوید که یک کتاب را با استفاده از دسته‌بندی‌های از پیش تعریف‌شده دسته‌بندی کند:
Which category does The Odyssey belong to: thriller sci-fi mythology biography
The Odyssey belongs to the category of **mythology**. Here's why: * **Mythology:** The Odyssey tells the story of Odysseus, a hero from Greek mythology, and his journey home after the Trojan War. It features gods, monsters, and supernatural events common to Greek mythology. .....پاسخ درست است، اما مدل در محدوده گزینه‌ها باقی نمانده است. همچنین باید مدل را طوری تنظیم کنید که به جای یک جمله کامل، فقط با یکی از گزینه‌ها پاسخ دهد. در این حالت، می‌توانید دستورالعمل‌ها را به صورت یک سوال چندگزینه‌ای بازنویسی کنید و از مدل بخواهید یک گزینه را انتخاب کند.
Multiple choice problem: Which of the following options describes the book The Odyssey? Options:
- thriller
- sci-fi
- mythology
- biography
The correct answer is mythology.
تغییر ترتیب محتوای درخواست: ترتیب محتوای درخواست گاهی اوقات می‌تواند بر پاسخ تأثیر بگذارد. سعی کنید ترتیب محتوا را تغییر دهید و ببینید که چگونه بر پاسخ تأثیر می‌گذارد.
Version 1: [examples] [context] [input] Version 2: [input] [examples] [context] Version 3: [examples] [input] [context]
پاسخ‌های جایگزین
پاسخ جایگزین، پاسخی است که توسط مدل برگردانده می‌شود، زمانی که یا اعلان یا پاسخ، یک فیلتر ایمنی را فعال می‌کند. نمونه‌ای از پاسخ جایگزین این است: «من نمی‌توانم در این مورد کمکی کنم، زیرا من فقط یک مدل زبانی هستم.»
اگر مدل با یک پاسخ جایگزین پاسخ داد، سعی کنید دما را افزایش دهید.
مواردی که باید از آنها اجتناب کرد
- از تکیه بر مدل‌ها برای تولید اطلاعات واقعی خودداری کنید.
- در مسائل ریاضی و منطقی با احتیاط استفاده شود.
جمینی ۳
مدل‌های Gemini 3 برای استدلال پیشرفته و دنبال کردن دستورالعمل‌ها طراحی شده‌اند. آنها به بهترین شکل به دستورالعمل‌هایی پاسخ می‌دهند که مستقیم، ساختارمند و به وضوح وظیفه و هرگونه محدودیت را تعریف می‌کنند. برای دستیابی به نتایج بهینه با Gemini 3، روش‌های زیر توصیه می‌شود:
اصول اصلی ترغیب
- دقیق و صریح باشید: هدف خود را واضح و مختصر بیان کنید. از زبان غیرضروری یا بیش از حد متقاعدکننده خودداری کنید.
- از ساختار منسجم استفاده کنید: از جداکننده‌های واضح برای جدا کردن بخش‌های مختلف درخواست خود استفاده کنید. برچسب‌های سبک XML (مثلاً
<context>،<task>) یا سرتیترهای Markdown مؤثر هستند. یک قالب انتخاب کنید و آن را به طور منسجم در یک درخواست واحد استفاده کنید. - تعریف پارامترها: هرگونه اصطلاح یا پارامتر مبهم را به صراحت توضیح دهید.
- کنترل حجم خروجی: به طور پیش‌فرض، Gemini 3 پاسخ‌های مستقیم و کارآمد ارائه می‌دهد. اگر به پاسخی محاوره‌ای‌تر یا مفصل‌تر نیاز دارید، باید صریحاً آن را در دستورالعمل‌های خود درخواست کنید.
- مدیریت منسجم ورودی‌های چندوجهی: هنگام استفاده از متن، تصاویر، صدا یا ویدیو، با آنها به عنوان ورودی‌های هم‌رده رفتار کنید. اطمینان حاصل کنید که دستورالعمل‌های شما در صورت نیاز به وضوح به هر روش ارجاع می‌دهند.
- دستورالعمل‌های حیاتی را اولویت‌بندی کنید: محدودیت‌های رفتاری ضروری، تعاریف نقش (پرسونا) و الزامات قالب خروجی را در دستورالعمل سیستم یا در همان ابتدای اعلان کاربر قرار دهید.
- ساختار برای متن‌های طولانی: هنگام ارائه حجم زیادی از متن (مثلاً اسناد، کد)، ابتدا تمام متن را ارائه دهید. دستورالعمل‌ها یا سوالات خاص خود را در انتهای سوال قرار دهید.
- متن لنگر: پس از یک بلوک بزرگ از داده‌ها، از یک عبارت انتقالی واضح برای ایجاد پل بین متن و عبارت جستجو استفاده کنید، مانند «بر اساس اطلاعات فوق...»
تقویت استدلال و برنامه‌ریزی
شما می‌توانید از قابلیت‌های تفکر پیشرفته Gemini 3 برای بهبود کیفیت پاسخ آن برای وظایف پیچیده استفاده کنید، به این صورت که قبل از ارائه پاسخ نهایی، آن را به برنامه‌ریزی یا خودانتقادی وادار کنید.
مثال - برنامه‌ریزی صریح:
Before providing the final answer, please:
1. Parse the stated goal into distinct sub-tasks.
2. Check if the input information is complete.
3. Create a structured outline to achieve the goal.
مثال - خودانتقادی:
Before returning your final response, review your generated output against the user's original constraints.
1. Did I answer the user's *intent*, not just their literal words?
2. Is the tone authentic to the requested persona?
نمونه‌های ساختاریافته‌ی انگیزشی
استفاده از برچسب‌ها یا Markdown به مدل کمک می‌کند تا بین دستورالعمل‌ها، زمینه و وظایف تمایز قائل شود.
مثال XML:
<role>
You are a helpful assistant.
</role>
<constraints>
1. Be objective.
2. Cite sources.
</constraints>
<context>
[Insert User Input Here - The model knows this is data, not instructions]
</context>
<task>
[Insert the specific user request here]
</task>
مثال نشانه‌گذاری:
# Identity
You are a senior solution architect.
# Constraints
- No external libraries allowed.
- Python 3.11+ syntax only.
# Output format
Return a single code block.
الگوی نمونه ترکیب بهترین شیوه‌ها
این الگو اصول اصلی ایجاد انگیزه با Gemini 3 را در بر می‌گیرد. همیشه مطمئن شوید که برای مورد استفاده خاص خود، آن را تکرار و اصلاح می‌کنید.
دستورالعمل سیستم:
<role>
You are Gemini 3, a specialized assistant for [Insert Domain, e.g., Data Science].
You are precise, analytical, and persistent.
</role>
<instructions>
1. **Plan**: Analyze the task and create a step-by-step plan.
2. **Execute**: Carry out the plan.
3. **Validate**: Review your output against the user's task.
4. **Format**: Present the final answer in the requested structure.
</instructions>
<constraints>
- Verbosity: [Specify Low/Medium/High]
- Tone: [Specify Formal/Casual/Technical]
</constraints>
<output_format>
Structure your response as follows:
1. **Executive Summary**: [Short overview]
2. **Detailed Response**: [The main content]
</output_format>
درخواست کاربر:
<context>
[Insert relevant documents, code snippets, or background info here]
</context>
<task>
[Insert specific user request here]
</task>
<final_instruction>
Remember to think step-by-step before answering.
</final_instruction>
مدل‌های مولد در پسِ پشت صحنه
هدف این بخش پاسخ به این سوال است - آیا در پاسخ‌های مدل‌های مولد، تصادفی بودن وجود دارد یا اینکه آنها قطعی هستند؟
پاسخ کوتاه - بله به هر دو. وقتی یک مدل مولد را فراخوانی می‌کنید، یک پاسخ متنی در دو مرحله تولید می‌شود. در مرحله اول، مدل مولد، ورودی را پردازش می‌کند و یک توزیع احتمال روی توکن‌ها (کلمات) احتمالی که احتمالاً در مرحله بعد می‌آیند، تولید می‌کند. برای مثال، اگر با متن ورودی "سگ از روی ... پرید" فراخوانی کنید، مدل مولد آرایه‌ای از کلمات احتمالی بعدی را تولید می‌کند:
[("fence", 0.77), ("ledge", 0.12), ("blanket", 0.03), ...]
این فرآیند قطعی است؛ یک مدل مولد هر بار که متن درخواست یکسانی را وارد کند، همین توزیع را تولید می‌کند.
در مرحله دوم، مدل مولد این توزیع‌ها را از طریق یکی از چندین استراتژی رمزگشایی به پاسخ‌های متنی واقعی تبدیل می‌کند. یک استراتژی رمزگشایی ساده ممکن است محتمل‌ترین نشانه را در هر گام زمانی انتخاب کند. این فرآیند همیشه قطعی خواهد بود. با این حال، می‌توانید به جای آن، با نمونه‌برداری تصادفی از توزیع بازگشتی توسط مدل، پاسخی تولید کنید. این فرآیند تصادفی (تصادفی) خواهد بود. با تنظیم دما، درجه تصادفی بودن مجاز در این فرآیند رمزگشایی را کنترل کنید. دمای ۰ به این معنی است که فقط محتمل‌ترین نشانه‌ها انتخاب می‌شوند و هیچ تصادفی وجود ندارد. برعکس، دمای بالا، درجه تصادفی بودن بالایی را به نشانه های انتخاب شده توسط مدل تزریق می‌کند و منجر به پاسخ‌های مدل غیرمنتظره‌تر و شگفت‌انگیزتر می‌شود. برای Gemini 3 ، توصیه می‌شود دمای پیش‌فرض ۱.۰ را تغییر ندهید تا از نتایج غیرمنتظره جلوگیری شود.
مراحل بعدی
- حالا که درک عمیق‌تری از طراحی سریع دارید، سعی کنید با استفاده از Google AI Studio دستورالعمل‌های خودتان را بنویسید.
- درباره مدل پیش‌نمایش Gemini 3 Pro بیشتر بدانید.
- برای آشنایی با نحوه‌ی فراخوانی چندوجهی، به «ارسال با فایل‌های رسانه‌ای» مراجعه کنید.
- برای کسب اطلاعات در مورد دستورالعمل تصویر، به راهنمای دستورالعمل Imagen مراجعه کنید.
- برای کسب اطلاعات در مورد دستورالعمل ویدیویی، به راهنمای دستورالعمل Veo مراجعه کنید