اگر از ChatGPT یا ابزارهای مشابه خواسته باشید «یک متن تبلیغاتی خوب بنویس» احتمالا خروجی قابل قبول اما بسیار عمومی دریافت کردهاید. مشکل لزوما از مدل نیست. مدل نمیداند این متن برای چه کسب و کاری است، چه کسی آن را میخواند، قرار است چه کاری انجام دهد، لحن برند چیست و خروجی نهایی چه فرمتی باید داشته باشد. چارچوب CO-STAR دقیقا برای ساختار دادن به همین اطلاعات به کار میرود.
در این روش، به جای نوشتن یک درخواست پراکنده، پرامپت را براساس شش بخش Context، Objective، Style، Tone، Audience و Response میسازیم. در نتیجه مدل به جای حدس زدن منظور ما، اطلاعات بیشتری برای تولید پاسخ مرتبط در اختیار دارد. GovTech سنگاپور نیز CO STAR را در راهنمای پرامپت نویسی خود به عنوان روشی برای طراحی پرامپتهای بهتر معرفی کرده است.
در ادامه میبینیم CO-STAR چیست، هر بخش آن چه کاربردی دارد و چگونه میتوان از آن برای نوشتن پرامپتهای حرفهای در تولید محتوا، بازاریابی و سایر کاربردهای هوش مصنوعی استفاده کرد.
چارچوب CO-STAR چیست؟ چارچوب CO-STAR در پرامپت نویسی چیست؟
چارچوب CO-STAR یک ساختار شش بخشی برای نوشتن پرامپت است که کمک میکند اطلاعات مورد نیاز مدل را منظم و صریح ارائه کنیم.
CO STAR از حروف اول این شش واژه ساخته شده است:
|
حرف |
مفهوم |
سوال اصلی |
|
C |
Context |
مدل چه زمینهای باید بداند؟ |
|
O |
Objective |
دقیقا چه کاری باید انجام دهد؟ |
|
S |
Style |
خروجی با چه سبک نگارشی باشد؟ |
|
T |
Tone |
چه لحن و احساسی داشته باشد؟ |
|
A |
Audience |
مخاطب خروجی چه کسی است؟ |
|
R |
Response |
پاسخ در چه قالبی ارائه شود؟ |
GovTech سنگاپور نیز همین شش مولفه را در معرفی رسمی این فریم ورک بیان میکند و تاکید دارد که ساختار پرامپت مستقیما روی کیفیت و مرتبط بودن پاسخ مدل تاثیر میگذارد.
نکته مهم این است که روش CO-STAR قرار نیست با افزودن چند کلمه جادویی عملکرد هوش مصنوعی را تغییر دهد. ارزش اصلی آن در مجبور کردن خود کاربر به دقیق فکر کردن درباره درخواست است.
اجزای چارچوب CO-STAR چیست؟
برای آموزش CO-STAR بهتر است هر یک از شش بخش را جداگانه بشناسیم.
Context یا زمینه
Context اطلاعاتی است که مدل برای درک مسئله نیاز دارد.
مثلا به جای اینکه بگوییم:
«برای یک فروشگاه اینترنتی مقاله بنویس»
میتوانیم توضیح دهیم:
«ما یک فروشگاه اینترنتی تجهیزات شبکه هستیم که مشتریان اصلی آن مدیران IT شرکتهای کوچک و متوسط هستند.»
همین اطلاعات ساده باعث میشود مدل فضای مسئله را بهتر درک کند.
Objective یا هدف
در این قسمت باید مشخص کنیم خروجی قرار است چه هدفی را محقق کند.
برای مثال:
«یک مقاله آموزشی بنویس که به مخاطب کمک کند بین روتر خانگی و روتر سازمانی انتخاب کند.»
هدف باید تا جای ممکن مشخص باشد. عبارتهایی مانند «یک محتوای خوب تولید کن» Objective مناسبی نیستند.
Style یا سبک
Style مشخص میکند متن از نظر فرم نگارش چگونه نوشته شود.
برای مثال:
- سبک آموزشی
- تحلیلی
- ژورنالیستی
- داستانی
- تخصصی
- تبلیغاتی
اگر نمونه یا مرجع سبکی مشخصی دارید نیز میتوانید ویژگیهای آن را توضیح دهید.
Tone یا لحن
Style و Tone یکی نیستند.
یک مقاله ممکن است سبک آموزشی داشته باشد، اما لحن آن دوستانه، رسمی، مطمئن یا حتی طنزآمیز باشد.
مثلا:
«لحن حرفهای و صمیمی باشد و از ادعاهای تبلیغاتی اغراقآمیز استفاده نشود.»
Audience یا مخاطب
یکی از ارزشمندترین قسمتهای ساختار CO-STAR مشخص کردن مخاطب است.
توضیح یک موضوع برای مدیرعامل یک شرکت با توضیح همان موضوع برای کارشناس تازهکار یکسان نیست.
بهتر است درباره مخاطب اطلاعاتی مانند سطح دانش، نیاز، مسئله اصلی و حتی حساسیتهای او را مشخص کنید.
Response یا شکل پاسخ
در این قسمت میگویید خروجی دقیقا چه ساختاری داشته باشد.
مثلا:
«یک مقاله ۱۲۰۰ کلمهای با مقدمه، پنج تیتر اصلی، یک جدول و بخش سوالات متداول ارائه کن.»
در بسیاری از مواقع همین بخش جلوی خروجیهای طولانی، بیساختار یا نامتناسب را میگیرد.
چگونه با CO-STAR پرامپت بنویسیم؟
برای پرامپت نویسی با CO-STAR لازم نیست از ابتدا متن پیچیدهای بسازید. کافی است مسئله را به شش سوال تقسیم کنید:
- مدل چه چیزهایی باید درباره مسئله بداند؟
- دقیقا از مدل چه میخواهم؟
- سبک مناسب خروجی چیست؟
- لحن مناسب چیست؟
- مخاطب نهایی چه کسی است؟
- پاسخ نهایی باید چه فرمتی داشته باشد؟
برای مثال فرض کنیم قرار است برای یک کسب و کار مقاله بلاگی تولید کنیم.
پرامپت ضعیف:
«یک مقاله درباره بازاریابی محتوایی بنویس.»
پرامپت ساختاریافته:
- Context: یک آژانس دیجیتال مارکتینگ برای مدیران کسب و کارهای کوچک مقاله منتشر میکند.
- Objective: توضیح بده بازاریابی محتوا چگونه میتواند به جذب مشتری بالقوه کمک کند.
- Style: آموزشی، کاربردی و مبتنی بر مثالهای واقعی کسب و کار.
- Tone: حرفهای، روشن و بدون اغراق تبلیغاتی.
- Audience: صاحبان کسب و کارهای کوچک که دانش تخصصی بازاریابی ندارند.
- Response: مقالهای ۱۲۰۰ کلمهای شامل مقدمه، پنج بخش اصلی، یک جدول و جمعبندی.
همین تغییر ساده، محدوده انتخابهای مدل را مشخصتر میکند.
چگونه با چارچوب CO-STAR پرامپت حرفهای بنویسیم؟
پرامپت حرفهای فقط پرامپت طولانی نیست. گاهی افزودن اطلاعات غیرضروری حتی میتواند درخواست را پیچیدهتر کند. گوگل نیز در راهنمای طراحی پرامپت توصیه میکند دستورها روشن و مستقیم باشند و پرامپت از مقدمههای طولانی و اطلاعات تکراری پرهیز کند. همچنین استفاده از ساختار مشخص، محدودیتها و مثالها میتواند به تولید پاسخ مناسبتر کمک کند.
برای حرفهایتر کردن پرامپت CO STAR این نکات مفید هستند:
- فقط Context مرتبط با وظیفه را وارد کنید.
- Objective را با یک فعل دقیق شروع کنید.
- Style را با ویژگیهای قابل مشاهده تعریف کنید.
- Tone را با چند صفت محدود و روشن مشخص کنید.
- درباره Audience اطلاعاتی بدهید که واقعا روی پاسخ اثر میگذارد.
- در Response طول، ساختار و اجزای ضروری را مشخص کنید.
در پروژههای حرفهای تولید محتوا این مرحله اهمیت بیشتری دارد. در محتوا مارکتینگ نیز پیش از تولید محتوای متنی، عواملی مانند مخاطب هدف و وضعیت رقبا بررسی میشوند. همین اطلاعات میتوانند به Context و Audience یک پرامپت حرفهای تبدیل شوند.
CO-STAR برای ChatGPT چیست؟
چارچوب CO-STAR برای ChatGPT تفاوت بنیادی با استفاده از آن در سایر مدلهای زبانی ندارد. این فریم ورک مدل خاصی نیست و میتوان منطق آن را برای ابزارهای مولد مختلف به کار برد.
ChatGPT از طریق پرامپت تلاش میکند هدف، زمینه و محدودیتهای درخواست را بفهمد. هرچه اطلاعات مرتبط روشنتر باشند، نیاز مدل به حدس زدن کمتر میشود.
البته CO STAR تضمین نمیکند پاسخ همیشه درست باشد. حتی یک پرامپت بسیار دقیق نیز نمیتواند مشکلاتی مانند اطلاعات اشتباه مدل، محدودیت دانش یا نیاز به منابع خارجی را به طور کامل حل کند.
برای وظایف حساس همچنان باید خروجی بررسی و در صورت نیاز با منابع معتبر اعتبارسنجی شود.
چگونه از CO-STAR برای نوشتن پرامپت استفاده کنیم؟
یک روش عملی این است که ابتدا فقط Objective را بنویسید و سپس پنج بخش دیگر را دور آن بسازید.
مثلا هدف:
«سه ایده کمپین برای معرفی سرویس جدید بنویس.»
حالا سوال کنید:
- Context: سرویس چیست و مزیت آن چیست؟
- Style: ایدهها باید خلاقانه باشند یا داده محور؟
- Tone: برند جدی است یا جوان و پرانرژی؟
- Audience: مشتری چه کسی است؟
- Response: فقط ایده میخواهیم یا نام کمپین، پیام و کانال انتشار هم لازم است؟
با این روش استفاده از CO-STAR برای نوشتن پرامپت تبدیل به یک چک لیست ذهنی میشود.
نمونه پرامپت با چارچوب CO-STAR
فرض کنیم یک فروشگاه آنلاین میخواهد برای محصول جدید خود کمپین اینستاگرامی طراحی کند.
Context: یک فروشگاه آنلاین لوازم ورزشی قصد دارد کفش رانینگ جدیدی برای دوندگان مبتدی معرفی کند. مهمترین مزیت محصول وزن پایین و راحتی در استفاده روزانه است.
Objective: سه ایده برای کمپین معرفی محصول پیشنهاد بده که بتواند مخاطب را به مشاهده صفحه محصول هدایت کند.
Style: ایدهها ساده، اجرایی و مناسب شبکههای اجتماعی باشند.
Tone: پرانرژی، دوستانه و قابل اعتماد.
Audience: زنان و مردان ۲۰ تا ۳۵ ساله که به تازگی دویدن را شروع کردهاند.
Response: برای هر ایده، نام کمپین، کانسپت اصلی، نمونه کپشن و CTA پیشنهاد بده.
این نمونه پرامپت با چارچوب CO-STAR بسیار بیشتر از جمله «برای کفش ما کمپین بساز» اطلاعات قابل استفاده در اختیار مدل قرار میدهد.
چرا استفاده از چارچوب CO-STAR برای پرامپت نویسی مهم است؟
مهمترین مزیت این چارچوب کاهش ابهام است.
اگر مخاطب، هدف یا فرمت مشخص نباشد، مدل مجبور میشود این موارد را خودش حدس بزند. هر حدس نیز میتواند خروجی را یک قدم از انتظار شما دور کند.
مزایای اصلی چارچوب CO-STAR در پرامپت نویسی عبارتاند از:
- مشخص شدن هدف قبل از شروع کار
- کاهش خروجیهای کلی و عمومی
- کنترل بهتر لحن و سبک
- تطبیق محتوا با مخاطب
- تعیین دقیق ساختار پاسخ
- افزایش امکان تکرار یک فرایند در تیمها
GovTech نیز Prompt Engineering را در اصل نوعی تفکر ساختاریافته برای ارتباط موثرتر با هوش مصنوعی توصیف میکند.
اشتباهات رایج در استفاده از چارچوب CO-STAR
بزرگترین اشتباه این است که تصور کنیم همه شش بخش باید همیشه طولانی باشند.
اشتباهات رایج شامل این موارد هستند:
۱. وارد کردن Context نامرتبط و بسیار طولانی
۲. تعریف چند Objective متناقض در یک پرامپت
۳. استفاده از Style مبهم مانند «خیلی حرفهای بنویس»
۴. مشخص کردن چند لحن ناسازگار
۵. تعریف Audience فقط با سن و جنسیت، بدون اشاره به نیاز یا سطح دانش
۶. فراموش کردن محدودیتهای مهم در بخش Response
۷. انتظار صحت قطعی اطلاعات صرفا به دلیل کامل بودن پرامپت
در واقع CO STAR باید ابهام را کم کند، نه اینکه با افزودن اطلاعات غیرضروری ابهام جدید ایجاد کند.
قالب آماده پرامپت CO-STAR برای استفاده
میتوانید قالب CO-STAR زیر را برای پروژههای مختلف شخصیسازی کنید:
- Context:
زمینه، اطلاعات ضروری، شرایط و محدودیتهای مسئله را توضیح بده.
- Objective:
دقیقا مشخص کن مدل چه کاری باید انجام دهد و نتیجه مطلوب چیست.
- Style:
سبک نوشتن یا ارائه پاسخ را مشخص کن.
- Tone:
لحن و حالت ارتباطی مورد نظر را تعریف کن.
- Audience:
مخاطب، سطح دانش و نیاز اصلی او را توضیح بده.
- Response:
فرمت، طول، ساختار و اجزای مورد نیاز خروجی را مشخص کن.
قالب ساده CO-STAR برای استفاده سریع
برای کارهای روزمره لازم نیست هر بار توضیحات مفصل بنویسید. یک نسخه کوتاه نیز کافی است:
- Context: من چه شرایطی دارم؟
- Objective: چه میخواهم؟
- Style: چگونه نوشته شود؟
- Tone: چه لحنی داشته باشد؟
- Audience: برای چه کسی است؟
- Response: خروجی چه شکلی باشد؟
مثلا برای یک کپشن ساده همین شش خط میتواند در کمتر از یک دقیقه تکمیل شود.
آیا چارچوب CO-STAR برای همه پرامپتها مناسب است؟
خیر. استفاده از یک فریم ورک شش بخشی برای پرسشی مانند «پایتخت ژاپن چیست؟» فقط کار را پیچیده میکند.
فریم ورک CO-STAR بیشتر برای کارهایی ارزش دارد که چند متغیر دارند. تولید مقاله، ایمیل، کمپین تبلیغاتی، گزارش، استراتژی محتوا، ایده پردازی و ارتباط با مشتری نمونههای خوبی هستند.
برای کارهای پیچیدهتر نیز CO STAR به تنهایی کافی نیست. ممکن است لازم باشد منابع، مثال خروجی مطلوب، محدودیتهای دقیق، مراحل انجام کار یا معیار ارزیابی را نیز به پرامپت اضافه کنید.
گوگل نیز در توصیههای خود بر استفاده از Context، هدف روشن، نمونه و محدودیت متناسب با پیچیدگی وظیفه تاکید میکند.
چگونه با CO-STAR پرامپتهای بهتری بنویسیم؟
بهترین روش این است که چارچوب CO-STAR برای هوش مصنوعی را نه به عنوان فرمول ثابت، بلکه به عنوان نقطه شروع ببینید.
یک پرامپت خوب معمولا در چند مرحله بهتر میشود. ابتدا نسخه اول را بنویسید، خروجی را بررسی کنید و ببینید مشکل دقیقا کجاست. اگر متن بیش از حد عمومی است، Context را بهتر کنید. اگر لحن اشتباه است، Tone را اصلاح کنید. اگر جواب طولانی یا بیساختار است، Response را دقیقتر تعریف کنید.
همچنین به جای نوشتن عباراتی مانند «بهتر بنویس»، مشکل را مشخص کنید. مثلا بگویید «پاراگرافها کوتاهتر باشند، مثال عملی اضافه شود و اصطلاحات تخصصی برای مخاطب مبتدی توضیح داده شوند.»
در تولید محتوای حرفهای، خود پرامپت تنها بخشی از فرایند است. شناخت مخاطب، تحقیق، اعتبارسنجی اطلاعات، استراتژی کلمات کلیدی و ویرایش انسانی همچنان ضروری هستند. محتوا مارکتینگ علاوه بر خدمات تولید محتوای متنی، در زمینه تولید محتوای رپورتاژ آگهی و محتوای شبکههای اجتماعی نیز فعالیت دارد و فرایند تولید محتوا را براساس شناخت مخاطب هدف و تحلیل رقبا پیش میبرد.
در نهایت، ارزش پرامپت نویسی با CO-STAR در این نیست که شش عنوان انگلیسی به درخواست خود اضافه کنیم. ارزش واقعی آن زمانی مشخص میشود که پیش از صحبت با هوش مصنوعی، خودمان بدانیم چه میخواهیم، برای چه کسی میخواهیم و یک پاسخ خوب از نظر ما دقیقا چه ویژگیهایی دارد.
اگر این سه سوال روشن باشند، CO STAR میتواند آنها را به یک ساختار منظم تبدیل کند و فاصله میان چیزی که در ذهن داریم و چیزی که مدل تولید میکند، کمتر شود.
سوالات متداول درباره چارچوب CO-STAR
چارچوب CO-STAR چیست و چه کاربردی دارد؟
CO-STAR یک چارچوب ششمرحلهای برای نوشتن پرامپتهای دقیقتر است که شامل Context، Objective، Style، Tone، Audience و Response میشود. این روش با کاهش ابهام، به تولید پاسخ مرتبطتر و هدفمندتر توسط هوش مصنوعی کمک میکند.
چگونه با چارچوب CO-STAR یک پرامپت حرفهای بنویسیم؟
برای نوشتن پرامپت با CO-STAR، ابتدا زمینه و هدف را مشخص کنید، سپس سبک، لحن و مخاطب را تعیین کرده و در نهایت فرمت و ساختار خروجی موردنظر را توضیح دهید.
تفاوت CO-STAR با سایر چارچوبهای پرامپتنویسی چیست؟
CO-STAR روی شش عامل اصلی شامل زمینه، هدف، سبک، لحن، مخاطب و فرمت پاسخ تمرکز دارد. این ساختار بهویژه برای وظایف پیچیده مانند تولید محتوا، بازاریابی و ایدهپردازی کاربردی است.
آیا استفاده از چارچوب CO-STAR برای ChatGPT ضروری است؟
خیر. استفاده از CO-STAR برای ChatGPT ضروری نیست، اما میتواند با مشخص کردن هدف، زمینه، مخاطب و نوع خروجی، ابهام پرامپت را کاهش داده و به دریافت پاسخ دقیقتر کمک کند.
