Prompt Engineering Best Practices

الان دیگه همه می‌دونیم AI ابزاریه که می‌تونه کارهای تخصصی رو سریع‌تر و بهتر انجام بده.
ولی اگه ندونی چطور ازش سؤال درست بپرسی،نه‌تنها کمکی نمی‌کنه،بلکه وقتت رو هم می‌گیره تو بدترین سناریو یه پروژه کثیف تحویلت میده

Prompt Engineering یعنی چی؟

پرامپت در واقع دستور ورودی به مدل‌های LLM مثل GPT یا Claude هست که می‌گه چه خروجی‌ای بدی. کیفیت پرامپت دقیقاً کیفیت پاسخ رو تعیین می‌کنه. تفاوت بین خروجی سطحی و خروجی عمیق، از پرامپت شروع می‌شه.

برای اینکه خروجی AI واقعاً ارزش داشته باشه، این چهار بخش رو در پرامپتت رعایت کن:

1. Role (نقش):
   از مدل بخواه در قالب یک نقش حرفه‌ای پاسخ بده.
   مثال: «در نقش یک معمار نرم‌افزار Frontend…»
   You are a Senior Frontend Architect with 8+ years of experience in large-scale SPA projects.

2. Task (وظیفه):
   بگو دقیقاً چه کاری باید انجام بشه.
   مثال: «…معیارهای قابل‌سنجش Performance در SPA رو لیست کن.»
   List measurable performance metrics for a modern SPA.

Context (زمینه):
اطلاعات زمینه‌ای بدین تا مدل بفهمه چه اطلاعاتی بده.
مثال: «…برای پروژه React با TanStack Query.»
The project is built with React, Vite, and TanStack Query, and serves high-traffic users.

1. Output (قالب خروجی):
   قالب دقیق خروجی رو مشخص کن:
   «…۵ مورد، هر کدوم با مثال و کد نمونه.»
   

Provide 5 items For each item, include:
- explanation

- real-world example

- code snippet (if applicable)

تکنیک‌های تخصصی

۱.Zero-Shot vs Few-Shot

• Zero-shot: مستقیم‌ترین دستور رو به مدل می‌دی (برای کارهای ساده) مثل:

Explain browser caching in simple terms.

• Few-shot: اول چند مثال می‌دی تا مدل قالب رو یاد بگیره.

Example Input:

Question: What is SSR?

Answer: Short explanation + pros/cons

Now answer:

What is client-side caching?

۲. Chain-of-Thought (CoT)

به مدل بگو «مرحله‌به‌مرحله فکر کن» تا پاسخ‌های تحلیلی‌تر بده.

Explain step by step how caching affects performance in a React SPA.
Show your reasoning before the final conclusion.

این باعث می‌شه منطق پشت جواب رو ببینی، نه فقط نتیجه رو.

۳.Role / Persona Prompting

یک «نقش» به مدل بدین تا سبک و لحن خروجی تخصصی بشه.

Act as a Staff Frontend Engineer reviewing the architecture of a performance-critical web application.

۴.Prompt Chaining

کارهای پیچیده رو یکجا نریز سر مدل.

Step 1: Propose a high-level architecture.
Step 2: Identify performance bottlenecks.
Step 3: Suggest optimizations.
Step 4: Provide final recommendations.

Meta-Prompting: وقتی AI رو وادار می‌کنی بهتر فکر کنه

اینجا بازی جدی می‌شه.

به‌جای اینکه فقط سؤال بپرسی،از خود مدل بخواه پرامپت رو بهبود بده.

Here is my prompt:

[PASTE PROMPT]

Rewrite it to produce more precise and actionable answers for a senior frontend audience.

یا

Generate 3 improved versions of this prompt, each optimized for:

1) architectural depth

2) performance analysis

3) practical implementation

اینجا AI داره به‌عنوان Prompt Reviewer کار می‌کنه، نه فقط پاسخ‌دهنده.

Prompt Auto-Optimization: آینده‌ی استفاده حرفه‌ای از AI

الان داریم وارد جایی می‌شیم که:

• پرامپت‌ها نسخه‌بندی می‌شن

• خروجی‌ها ارزیابی می‌شن

  و پرامپت به‌صورت تکرارشونده بهتر می‌شه

Evaluate your previous answer.

Identify weaknesses.

Refine the prompt and generate an improved response.

اگه شما هم چیزی میدونید تو کامنت ها اضافه کنین :)

https://www.digitalocean.com/resources/articles/prompt-engineering-best-practices?utm_source=chatgpt.com