Module: ماژول ۰۲ — هنر و علم مهندسی پرامپت (Prompt Engineering)

Part 1: Video Scenario & Screen Actions

[Camera on Host] Hook and intro: Greet the audience, contrast a lazy search-style prompt with a structured prompt, and tease what they will learn (the CREATE framework, role & negative prompting, real-world before/after transformations, Persian language tricks, and Meta-Prompting).
[Show Slide 1] Display the title slide: “هنر مهندسی پرامپت: چگونه با هوش مصنوعی به درستی صحبت کنیم؟ — از ذهنیت «جستجو» تا تسلط بر «تولید»”. Briefly cut back to the host for the “driving the engine” analogy from the README.
[Show Slide 2] Display “هوش مصنوعی موتور جستجو نیست؛ یک «تولیدکننده» است”: Highlight the difference between searching existing info on Google vs. generating new content with LLMs, and zoom in on the golden rule: “قانون طلایی: ورودی زباله = خروجی زباله (GIGO)”.
[Show Slide 3] Display “آناتومی یک پرامپت بی‌نقص: چارچوب CREATE”: Reveal and highlight each of the 6 boxes one by one—Context (زمینه), Role (نقش), Explicit Task (وظیفه صریح), Audience (مخاطب), Tone & Format (لحن و فرمت), and Examples (مثال‌ها).
[Screen Record] Bonus Insights from README (Zero-Shot, Few-Shot & Chain-of-Thought): Open a chat window and briefly demonstrate Zero-Shot vs. Few-Shot (sentiment classification pattern) and Chain-of-Thought (the farmer with 15 sheep riddle using “مرحله به مرحله فکر کن”).
[Show Slide 4] Display “دو ابزار قدرتمند در مهندسی پرامپت”: Compare Role-Based Prompting (پرامپت‌نویسی مبتنی بر نقش) on the right with Negative Prompting (پرامپت‌نویسی منفی) on the left.
[Screen Record] Live Demo (Negative Prompting from README): Generate a welcome email twice—first without constraints, then with strict negative constraints (no corporate buzzwords like “سینرژی”, no emojis, do not start with “کاربر عزیز”, under 150 words).
[Show Slide 5] Display “مثال ۱: نگارش و تولید محتوای روزمره”: Contrast ❌ “یک ایمیل برای مرخصی بنویس.” with ✅ the CREATE-engineered leave request email specifying role, dates (۱۰ تا ۱۵ مهر), project handoff, and colleague coverage (علی).
[Show Slide 6] Display “مثال ۲: ایده‌پردازی و سئو”: Contrast ❌ “ایده برای وبلاگ ورزشی بده.” with ✅ the targeted prompt for pregnant women interested in safe weightlifting, requesting 10 SEO titles and banning clichés like “فواید ورزش”.
[Show Slide 7] Display “مثال ۳: استخراج داده و فرمت‌بندی”: Contrast ❌ “اسم‌ها را از این متن پیدا کن.” with ✅ the strict extraction prompt requiring a two-column Markdown table (نام and نوع موجودیت) with zero extra text before or after.
[Screen Record] Live Demo (Format Jailbreak from Slide 7 & README): Paste a short paragraph containing person and company names (or the 5 most populous countries JSON exercise from README) and verify that the model outputs only the structured table/JSON without conversational filler.
[Show Slide 8] Display “مثال ۴: برنامه‌نویسی و دیتابیس”: Contrast ❌ “یک کوئری برای پیدا کردن کاربرا بده.” with ✅ the PostgreSQL prompt specifying the 30-day window, exact table schemas (users and orders), and mandatory LEFT JOIN.
[Screen Record] Bonus Demo from README (Iterative Refinement & Prompt Chaining): Show how a basic cover-letter prompt is refined in 3 rounds (basic request -> bold copywriter role -> 3 paragraphs, banned clichés, bulleted achievements) and display the 3-step Prompt Chaining flow (extract raw facts -> sort chronologically -> write 500-word article).
[Show Slide 9] Display “چالش‌ها و راهکارهای زبان فارسی در هوش مصنوعی”: Highlight Challenge 1 (Token Inefficiency and typing “ادامه بده” / “دقیقاً از همان جایی که قطع شدی ادامه بده”) and Challenge 2 (Bookish radio-anchor tone vs. conversational Tehran tone with broken verbs like “می‌روم -> می‌رم”).
[Screen Record] Live Demo (Spoken Persian Rewrite): Take a stiff, formal Persian paragraph generated by AI and run the conversational rewrite prompt from Slide 9 to transform it into natural spoken Persian.
[Show Slide 10] Display “استراتژی میان‌زبانی (Cross-Lingual) برای کارهای پیچیده”: Highlight why LLM logical circuits perform better in English and show the template: English system instructions (Act as an expert data analyst...) + “Output your final analysis entirely in fluent, professional Persian.”
[Show Slide 11] Display “سطح پیشرفته: متا-پرامپتینگ (Meta-Prompting) چیست؟”: Explain how to make the AI engineer the prompt for you by asking clarifying questions first.
[Show Slide 12] Display “مثال متا-پرامپتینگ در عمل”: Contrast ❌ “یک پرامپت برای تولید عکس شهر سایبرپانک بنویس.” with ✅ the interactive Midjourney meta-prompt asking the model to ask 5 questions about mood, colors, and subjects first.
[Screen Record] Live Demo (Meta-Prompting & Hallucination Guardrail): Run the cyberpunk meta-prompt in chat, answer its questions to get the final photography prompt, and show the README’s anti-hallucination safety sentence (“اگر پاسخ در متن ارائه شده نیست، صریحاً بگو ‘نمی‌دانم’ و چیزی را اختراع نکن”).
[Show Slide 13] Display “جمع‌بندی طلایی: چک‌لیست مهندسی پرامپت”: Walk through the 5 final checklist pillars—1. AI is not a search engine, 2. CREATE framework, 3. Role & Negative prompting, 4. Persian language strategies, 5. Meta-Prompting.
[Camera on Host] Outro and call to action: Challenge viewers to rewrite one of their daily prompts using CREATE, invite them to share the before/after in the comments, remind them to like and subscribe, and tease Module 03 (Tools Directory).

Part 2: Teleprompter Transcript (Persian)

[Action 1] سلام رفقا! تا حالا شده از هوش مصنوعی یه چیزی بخواین، بعد که جوابش رو می‌بینین با خودتون بگین: «الان دقیقاً کجای حرف من این بود؟ اصلاً این چرا این‌قدر خنگه؟!» خبر خوب اینه که نود درصد مواقع مشکل از هوش مصنوعی نیست؛ مشکل از مدلِ حرف زدن ما باهاشه! توی این ماژول می‌خوایم یاد بگیریم چطوری با فرمول طلایی CREATE پرامپت‌هایی بنویسیم که مو لای درزشون نره، پرامپت‌های ضعیف رو زنده با هم جراحی و تعمیر کنیم، قلق‌های مخصوص زبان فارسی رو یاد بگیریم و آخرش هم برسیم به تکنیک متا-پرامپتینگ؛ یعنی کاری کنیم خودِ هوش مصنوعی برامون پرامپت بنویسه! بزن بریم!

[Action 2] همون‌طور که روی اسلاید اول می‌بینین، موضوع ما «هنر مهندسی پرامپت: از ذهنیت جستجو تا تسلط بر تولید»ئه. اگه یادتون باشه توی ماژول اول کاپوت رو زدیم بالا و موتور هوش مصنوعی رو شناختیم؛ حالا توی ماژول دوم می‌خوایم بشینیم پشت رُل و رانندگی حرفه‌ای با این موتور رو یاد بگیریم. چون قوی‌ترین ماشین فرمول یک دنیا رو هم که بهتون بدن، اگه فرمون رو درست نگیرین، سر پیچ اول رفتین تو جدول!

[Action 3] اسلاید دوم مهم‌ترین تغییر ذهنی این دوره رو بهمون می‌گه: هوش مصنوعی موتور جستجو نیست؛ یک «تولیدکننده» (Generator) است! ما سال‌ها عادت کردیم توی گوگل دو سه تا کلمه کلیدی نصفه‌نیمه تایپ کنیم تا اطلاعاتی که از قبل وجود داره رو برامون پیدا کنه. ولی هوش مصنوعی سرچ نمی‌کنه؛ داره کلمه به کلمه یه خروجی تازه خلق می‌کنه! پس اگه محدودیت‌ها، زمینه و فرمت رو بهش نگیم، مجبور می‌شه از خودش حدس بزنه. و اینجاست که می‌رسیم به قانون طلایی پایین اسلاید: ورودی زباله مساوی است با خروجی زباله (GIGO — Garbage In, Garbage Out)! پرامپت تنبلانه بدین، جواب تنبلانه می‌گیرین.

[Action 4] خب، پس یه پرامپت بی‌نقص از چه اجزایی تشکیل شده؟ توی اسلاید سوم چارچوب CREATE رو می‌بینین که مثل یه نقشه راه شش‌تکه عمل می‌کنه:
اول، C یعنی Context (زمینه): شما کی هستین و داستان چیه؟ مثلاً «من یه برنامه‌نویس جونیور فرانت‌اندم…»
دوم، R یعنی Role (نقش): هوش مصنوعی قراره کلاهِ چه متخصصی رو سرش بذاره؟ مثلاً «معمار ارشد نرم‌افزار».
سوم، E یعنی Explicit Task (وظیفه صریح): بدون تعارف و با فعل دستوری دقیق بگین چی می‌خواین.
چهارم، A یعنی Audience (مخاطب): این متن قراره به دست کی برسه؟ یه دانش‌آموز تازه‌کار یا مدیرعامل شرکت؟
پنجم، T یعنی Tone & Format (لحن و فرمت): لحنش رسمی باشه یا خودمانی؟ خروجیش جدول مارک‌داون باشه یا بولت‌پوینت؟
و ششم، E آخر یعنی Examples (مثال‌ها): که به جای توضیح اضافه، مستقیم بهش الگو نشون می‌دین!

[Action 5] قبل از اینکه بریم اسلاید بعد، بیاین توی یادداشت‌های تکمیلی ماژول سه تا تکنیک پایه رو هم روی صفحه ببینیم: وقتی بدون هیچ مثالی دستور می‌دین، بهش می‌گن Zero-Shot. وقتی ۳-۴ تا نمونه بهش می‌دین تا الگو رو تقلید کنه (مثل دسته‌بندی احساس جمله‌ها به مثبت و منفی)، بهش می‌گن Few-Shot. و وقتی سر یه معمای منطقی—مثل معمای «کشاورزی که ۱۵ تا گوسفند داره و همه به جز ۸ تا می‌میرن»—تهِ پرامپت اضافه می‌کنین: «مرحله به مرحله فکر کن و قبل از عدد نهایی دلیلت رو توضیح بده»، دارین از تکنیک زنجیره افکار (Chain-of-Thought) استفاده می‌کنین که به مدل یه باند فرود ریاضی می‌ده تا هول نشه و جواب غلط نده!

[Action 6] برگردیم به اسلاید چهارم و دو تا ابزار فوق‌العاده قوی در مهندسی پرامپت:
سمت راست، پرامپت‌نویسی مبتنی بر نقش (Role-Based) رو داریم. مدل‌های زبانی میلیون‌ها متن معمولی اینترنت رو خوندن؛ اگه نقشی بهشون ندین، یه متن معمولی و آبکی تحویلتون می‌دن. اما وقتی می‌گین «به عنوان یک کپی‌رایتر سئو در سطح جهانی عمل کن»، مدل می‌ره از لایه‌های پنهانش واژگان تخصصی و حرفه‌ای اون رشته رو می‌کشه بیرون.
سمت چپ هم پرامپت‌نویسی منفی (Negative Prompting) رو داریم؛ یعنی صراحتاً بگیم چه کارهایی رو نباید انجام بده تا جلوی کلیشه‌ها و پرحرفی‌های مدل رو بگیریم.

[Action 7] بیاین قدرت پرامپت منفی رو زنده توی چت ببینیم! اگه فقط بگم «یه ایمیل خوش‌آمدگویی برای کاربرای جدید بنویس»، ببینین چی تحویل می‌ده: اولش می‌نویسه «کاربر عزیز»، بعدش کلی کلمات قلمبه‌سلمبه شرکتی می‌بافه و چهار تا ایموجی موشک و ستاره هم بی‌دعوت وسط متن می‌ذاره! حالا توی پرامپت دوم محدودیت منفی می‌ذارم: «از کلمات کلیشه‌ای شرکتی مثل سینرژی و اهرم استفاده نکن، به هیچ وجه ایموجی نذار، ایمیل رو با کاربر عزیز شروع نکن و متن زیر ۱۵۰ کلمه باشه.» خروجی دوم رو ببینین؛ تر و تمیز، حرفه‌ای و آماده ارسال!

[Action 8] حالا بریم سراغ ۴ تا مثال واقعی «قبل و بعد» روی اسلایدها. توی اسلاید پنجم، مثال اول یعنی نگارش روزمره رو می‌بینین. پرامپت ضعیف فقط می‌گه: «یک ایمیل برای مرخصی بنویس.» خب مرخصی چند روزه؟ کی کارها رو جمع می‌کنه؟ اما پرامپت مهندسی‌شده با چارچوب CREATE می‌گه: «به عنوان یک کارمند حرفه‌ای عمل کن. یک ایمیل کوتاه و مودبانه به مدیرم بنویس و برای تاریخ ۱۰ تا ۱۵ مهر مرخصی درخواست کن. اشاره کن که تمام پروژه‌هایم تحویل داده شده‌اند و همکارم علی در غیاب من کارها را پوشش می‌دهد.» این دیگه جای هیچ حدس و گمانی برای مدل نمی‌ذاره!

[Action 9] توی اسلاید ششم، مثال دوم یعنی ایده‌پردازی و سئو رو داریم. به جای پرامپت ضعیفِ «ایده برای وبلاگ ورزشی بده» که ده تا تیتر تکراری از سال ۲۰۰۸ تحویلتون می‌ده، پرامپت مهندسی‌شده مخاطب رو دقیق هدف می‌گیره: «من یک وبلاگ برای زنان باردار علاقه‌مند به وزنه‌برداری ایمن دارم. ۱۰ عنوان بسیار خاص و سئوشده برای وبلاگ تولید کن. موضوعات کلیشه‌ای مثل ‘فواید ورزش’ را حذف کن.» ببینین چقدر نیچ (Niche) و کاربردی شد!

[Action 10] اسلاید هفتم می‌ره سراغ مثال سوم: استخراج داده و فرمت‌بندی. پرامپت ضعیف می‌گه: «اسم‌ها را از این متن پیدا کن.» ولی پرامپت مهندسی‌شده می‌گه: «تمام نام‌های اشخاص و نام‌های شرکت‌ها را از متن زیر استخراج کن. نتایج را اکیداً فقط در قالب یک جدول مارک‌داون با دو ستون خروجی بده: ‘نام’ و ‘نوع موجودیت’. هیچ متن اضافه‌ای قبل و بعد جدول ننویس.»

[Action 11] بیاین همین محدودیت فرمت رو روی صفحه تست کنیم! چه بخوایم اسم‌ها رو توی جدول مارک‌داون بگیریم و چه مثل تمرین دوم فایل راهنما بخوایم ۵ کشور پرجمعیت دنیا رو فقط در قالب یک آرایه JSON با کلیدهای country_name، population و capital بگیریم، اون جمله آخرِ «هیچ متن محاوره‌ای قبل یا بعد از جدول/JSON ننویس» کلید طلایی ماجراست؛ مخصوصاً وقتی می‌خواین خروجی رو مستقیم بدین به یه نرم‌افزار دیگه!

[Action 12] توی اسلاید هشتم هم مثال چهارم یعنی برنامه‌نویسی و دیتابیس رو می‌بینیم. به جای اینکه بگیم «یه کوئری برای پیدا کردن کاربرا بده» و وقتی هم کد کار نکرد بگیم «درستش کن داداش!» (اونم وقتی فیلترشکن هر پنج دقیقه قطع می‌شه و اعصاب نمونده!)، از همون اول محیط رو دقیق مشخص می‌کنیم: «یک کوئری PostgreSQL بنویس تا تمام کاربرانی که در ۳۰ روز گذشته ثبت‌نام کرده‌اند اما هیچ خریدی نداشته‌اند را پیدا کند. جداول ما users (id, created_at) و orders (id, user_id, amount) هستند. حتماً از LEFT JOIN استفاده کن.» توی دیباگ کردن کد هم همیشه شماره خط، متن دقیق ارور و رفتار مورد انتظار رو بهش بدین.

[Action 13] دو تا تکنیک خیلی باحال دیگه هم توی فایل README داریم که حیفه نگم: اولیش اصلاح و تکرار مرحله‌ای (Iterative Refinement)ئه. لازم نیست همیشه همون بار اول یه پرامپت نیم‌متری بنویسین! مثلاً برای نوشتن Cover Letter، مرحله اول یه درخواست ساده می‌دین، مرحله دوم نقش کپی‌رایتر جسور و استارتاپ هوش مصنوعی رو اضافه می‌کنین، و مرحله سوم می‌گین «حالا بکنش ۳ پاراگراف، کلمات کلیشه‌ای مثل تیم‌پلیر رو حذف کن و ۳ تا دستاورد بولت‌دار بذار وسطش». تکنیک دوم هم زنجیره پرامپت (Prompt Chaining)ئه: برای یه سند ۱۰ صفحه‌ای، پرامپت اول فقط آمار و حقایق خام رو درمی‌آره، پرامپت دوم اونا رو به ترتیب زمانی مرتب می‌کنه، و پرامپت سوم از روی اون جدول زمانی مقاله ۵۰۰ کلمه‌ای رو می‌نویسه!

[Action 14] حالا برسیم به اسلاید نهم که درد مشترک همه ماست: چالش‌ها و راهکارهای زبان فارسی در هوش مصنوعی!
چالش اول، محدودیت توکن‌ها (Token Inefficiency)ست. چون فارسی توکن زیاد می‌سوزونه، وسط مقاله‌های طولانی یهو می‌بینین مدل وسطِ کلمه خفه شد و ایستاد! اصلاً هول نشین؛ فقط توی پیام بعدی بنویسین: «ادامه بده» یا «دقیقاً از همان جایی که قطع شدی ادامه بده».
چالش دوم، لحن کتابی در برابر لحن عامیانهست. چون مدل‌ها فارسی رو از ویکی‌پدیا و سایت‌های خبری یاد گرفتن، اگه بهشون نگین، مثل گوینده اخبار رادیو حرف می‌زنن! برای محتوای صمیمی و سوشال مدیا، حتماً این دستور اسلاید نهم رو بهش بدین: «این متن را با لحن کاملاً محاوره‌ای، صمیمی و دوستانه (مثل صحبت‌های روزمره) بازنویسی کن و فعل‌ها را بشکن (مثلاً می‌روم بشه می‌رم).»

[Action 15] نگاه کنین روی صفحه؛ من یه پاراگراف خشک و رسمی رو می‌دم به مدل و همین دستور شکستن فعل‌ها و لحن روزمره تهران رو بهش اضافه می‌کنم. ببینین چطور متن از حالت بخشنامه اداری درمی‌آد و می‌شه عین حرف زدن یه دوست صمیمی!

[Action 16] اما اگه یه مسئله خیلی پیچیده منطقی، تحلیل داده یا معماری نرم‌افزار داشتیم چی؟ اسلاید دهم ترفند حرفه‌ای‌ها رو بهمون یاد می‌ده: استراتژی میان‌زبانی (Cross-Lingual)! چون مدارهای منطقی مدل‌های زبانی روی داده‌های انگلیسی شکل گرفته، به انگلیسی خیلی دقیق‌تر فکر می‌کنن. پس دستورالعمل‌های سیستم رو به انگلیسی بنویسین، ولی خط آخر بگین خروجی نهایی رو به فارسی سلیس تحویل بده:
"Act as an expert data analyst. Read the following data. Perform a complex trend analysis. Output your final analysis entirely in fluent, professional Persian."
این ترفند ساده کیفیت تحلیل‌های فارسی شما رو زمین تا آسمون عوض می‌کنه!

[Action 17] حالا بریم سراغ اسلاید یازدهم و سطح پیشرفته: متا-پرامپتینگ (Meta-Prompting) چیست؟ خیلی وقت‌ها ما می‌خوایم یه کار تخصصی انجام بدیم (مثلاً تولید تصویر توی میدجرنی یا نوشتن یه قرارداد)، ولی خودمون اصطلاحات تخصصی اون حوزه رو بلد نیستیم که پرامپتش رو بنویسیم! متا-پرامپتینگ می‌گه: به جای اینکه دو ساعت فسفر بسوزونی، از خودِ هوش مصنوعی بخواه اول ازت چند تا سوال بپرسه تا نیازت رو بفهمه، و بعد خودش بهترین پرامپت ممکن رو برات مهندسی کنه!

[Action 18] توی اسلاید دوازدهم مثال عملیش رو می‌بینین: پرامپت معمولی می‌گه «یک پرامپت برای تولید عکس شهر سایبرپانک بنویس». اما متا-پرامپت تعاملی می‌گه: «من می‌خواهم یک پرامپت تصویرسازی بسیار دقیق برای تولید یک شهر سایبرپانک آینده‌نگرانه در میدجرنی بنویسم، اما اصطلاحات تخصصی عکاسی و نورپردازی را بلد نیستم. لطفاً ۵ سوال درباره حس و حال، رنگ‌ها و سوژه‌هایی که می‌خواهم از من بپرس. وقتی جواب دادم، بهترین و بهینه‌ترین پرامپت ممکن را برای من تولید کن تا آن را کپی کنم.»

[Action 19] ببینین وقتی این متا-پرامپت رو توی چت می‌زنم چی می‌شه: مدل هول نمی‌زنه یه پرامپت الکی بده؛ اول ۵ تا سوال دقیق ازم می‌پرسه، من به فارسی ساده جواب می‌دم و اون در نهایت یه پرامپت انگلیسی کارگردانی‌شده با لنز و نورپردازی بهمون تحویل می‌ده! راستی، یه جمله نجات‌بخش هم از بخش تله‌های فایل README همیشه یادتون باشه: هر وقت دارین روی یه فایل یا سند کار می‌کنین، تهِ پرامپت بنویسین: «اگر پاسخ در متن ارائه شده نیست، صریحاً بگو ‘نمی‌دانم’ و چیزی را اختراع نکن.» و هیچ‌وقت یه PDF پنجاه‌صفحه‌ای رو نندازین جلوی مدل و فقط بگین «خلاصه‌اش کن»؛ همیشه مشخص کنین دنبال خلاصه کدوم بخش (مثلاً ریسک‌های مالی) هستین!

[Action 20] رسیدیم به اسلاید سیزدهم و چک‌لیست طلایی مهندسی پرامپت:
۱. هوش مصنوعی جستجوگر نیست؛ باهاش مثل یه همکار متخصص و ساختاریافته صحبت کنین.
۲. همیشه چارچوب CREATE (زمینه، نقش، وظیفه، مخاطب، لحن/فرمت و مثال) رو توی ذهنتون داشته باشین.
۳. از نقش دادن و پرامپت منفی (کارهایی که نباید بکنه) غافل نشین.
۴. توی زبان فارسی، در صورت قطع شدن متن بنویسین «ادامه بده»، لحن محاوره‌ای رو صراحتاً بخواین و برای کارهای سنگین از پرامپت انگلیسی با خروجی فارسی استفاده کنین.
۵. و هر وقت نوشتن پرامپت سخت بود، با متا-پرامپتینگ فرمون رو بدین دست خودِ هوش مصنوعی!

[Action 21] خب رفقا، دمتون گرم که تا آخر ماژول دوم همراه من بودین! تمرین این جلسه خیلی ساده‌ست: یکی از پرامپت‌هایی که این هفته نوشتین و جواب خوبی نگرفتین رو بردارین، با چارچوب CREATE بازنویسیش کنین و تفاوت خروجی قبل و بعدش رو توی کامنت‌ها برام بنویسین. لایک و سابسکرایب یادتون نره، و بپرین ماژول سوم که می‌خوایم دایرکتوری کامل بیش از ۴۰ ابزار برتر هوش مصنوعی دنیا رو با هم زیر و رو کنیم. تا ویدیوی بعد، پرامپت‌هاتون دقیق و خروجی‌هاتون کم‌توهم!