راهنمای عمیق اصول، تکنیک‌ها و بهترین شیوه‌های مهندسی Context برای بهره‌برداری کامل از قدرت مدل‌های زبان بزرگ (LLM) و بهینه‌سازی اطلاعات ورودی برای دریافت بهترین خروجی.
تیم تخصصی راهیانا در حوزه هوش مصنوعی و API
import { CodeBlock } from '@/components/CodeBlock';
در دنیای مدل‌های زبان بزرگ (LLMs)، کیفیت خروجی به شدت به کیفیت ورودی بستگی دارد. مهندسی Context، که یک گام فراتر از مهندسی پرامپت (Prompt Engineering) است، بر روی طراحی، سازماندهی و بهینه‌سازی کل اطلاعات ورودی که به یک LLM داده می‌شود، تمرکز دارد. این هنر و علم تضمین می‌کند که مدل تمام اطلاعات لازم برای ارائه یک پاسخ دقیق، مرتبط و مفید را در اختیار دارد.
یک LLM به خودی خود دانشی ایستا و عمومی دارد. برای اینکه بتواند وظایف تخصصی انجام دهد، به Context یا "زمینه" نیاز دارد. یک Context خوب مهندسی‌شده:
این تکنیک به جای اینکه فقط پاسخ نهایی را از مدل بخواهید، از او می‌خواهید که فرآیند استدلال خود را به صورت گام به گام نشان دهد. این کار به مدل کمک می‌کند تا به راه‌حل‌های پیچیده‌تر و دقیق‌تری برسد.
<CodeBlock language="text" text={`
سوال: اگر قیمت هر سیب ۲ دلار باشد و قیمت هر پرتقال ۳ دلار، و من بخواهم ۵ سیب و ۳ پرتقال بخرم، چقدر باید بپردازم؟ پاسخ: ۱۹ دلار.
سوال: اگر قیمت هر سیب ۲ دلار باشد و قیمت هر پرتقال ۳ دلار، و من بخواهم ۵ سیب و ۳ پرتقال بخرم، چقدر باید بپردازم؟ مراحل محاسبه را گام به گام توضیح بده. پاسخ: ۱. هزینه سیب‌ها محاسبه می‌شود: ۵ سیب × ۲ دلار/سیب = ۱۰ دلار. ۲. هزینه پرتقال‌ها محاسبه می‌شود: ۳ پرتقال × ۳ دلار/پرتقال = ۹ دلار. ۳. هزینه کل جمع زده می‌شود: ۱۰ دلار + ۹ دلار = ۱۹ دلار. بنابراین، شما باید ۱۹ دلار بپردازید. `} />
به جای توضیح کامل یک الگو، چند مثال کامل از ورودی و خروجی مورد نظر را به مدل ارائه دهید. مدل با دیدن این مثال‌ها، الگو را یاد گرفته و برای ورودی جدید اعمال می‌کند.
<CodeBlock language="text" text={`
شما یک کپی‌رایتر ارشد در یک آژانس تبلیغاتی هستید که برای برندهای لوکس کار می‌کنید. لحن شما باید پیچیده، الهام‌بخش و جذاب باشد. برای محصول جدید ما، یک کرم ضد پیری با عصاره گل‌های کمیاب، یک شعار تبلیغاتی بنویسید. `} />
پنجره Context مدل‌های LLM محدود است. برای کار با اسناد طولانی، باید اطلاعات را بدون از دست دادن نکات کلیدی، فشرده کنیم. این کار از طریق خلاصه‌سازی هوشمند و استخراج اطلاعات کلیدی (Key Information Extraction) انجام می‌شود.
این تکنیک، قلب سیستم‌های RAG (Retrieval-Augmented Generation) است. به جای ارسال یک سند کامل به LLM، ابتدا سوال کاربر را تحلیل کرده و سپس فقط مرتبط‌ترین بخش‌ها را از یک پایگاه دانش بزرگ (Vector Database) پیدا کرده و به عنوان Context به مدل ارسال می‌کنیم. این رویکرد به LLMها اجازه می‌دهد تا از دانش تخصصی و به‌روز سازمان شما استفاده کنند.
مهندسی Context یک هنر و علم است که با تمرین و تجربه بهبود می‌یابد. تسلط بر این مهارت به ما اجازه می‌دهد تا از یک کاربر معمولی LLM به یک معمار سیستم‌های هوشمند تبدیل شویم و از پتانسیل کامل این فناوری شگفت‌انگیز بهره‌مند شویم.
چگونه ادغام هوش مصنوعی و APIها به ساخت برنامه‌های هوشمندتر و کارآمدتر کمک می‌کند؟ با الگوهای رایج معماری و کاربردهای واقعی این ادغام آشنا شوید.
