اگر تا حالا از یک مدل زبانی درباره بازار سؤال پرسیده‌اید و پاسخی گرفته‌اید که خوب به نظر می‌رسید اما به درد نمی‌خورد، مشکل احتمالاً در مدل نبوده است. سؤال باز، پاسخ عمومی تولید می‌کند. این مقاله درباره تبدیل سؤال به ابزار است.
چرا سؤال ساده کار نمی‌کند؟
وقتی می‌پرسید «تحلیل تکنیکال این نمودار را بده»، مدل باید چند چیز را حدس بزند: با چه روشی تحلیل کند، چه تایم‌فریمی مهم است، خروجی را چطور ارائه دهد، چقدر جزئیات بدهد، و آیا باید سیگنال بدهد یا نه. هر حدس، یک نقطه انحراف از چیزی است که شما می‌خواستید.
مهم‌تر، سؤال باز هر بار پاسخ متفاوتی می‌گیرد. اگر امروز و فردا یک نمودار را بپرسید، دو تحلیل با ساختار متفاوت می‌گیرید که قابل مقایسه نیستند. و چیزی که قابل مقایسه نباشد، قابل بهبود هم نیست.
هفت جزء یک پرامپت معاملاتی
۱. نقش. با تعریف نقش شروع کنید و سطح تخصص را مشخص کنید. «تو مدیر ریسک یک صندوق پوششی هستی» خروجی متفاوتی از «تو یک تحلیلگر هستی» می‌دهد — واژگان، عمق و اولویت‌ها تغییر می‌کند.
۲. وظیفه در یک جمله. دقیقاً چه کاری باید انجام شود. اگر نمی‌توانید وظیفه را در یک جمله بنویسید، احتمالاً دارید دو کار را در یک پرامپت جمع می‌کنید — آن‌ها را جدا کنید.
۳. تعریف عملیاتی. هر اصطلاح تخصصی که تعریف واحدی ندارد را خودتان تعریف کنید. «شکست معتبر یعنی بسته شدن کندل فراتر از سطح، نه لمس آن» یک جمله است که خروجی را کاملاً تغییر می‌دهد.
۴. قواعد سخت‌گیرانه. اینجا جایی است که کیفیت ساخته می‌شود. حداقل این سه قاعده را بگذارید: - فقط از داده ورودی استفاده کن؛ هیچ عددی از حافظه خودت نساز. - اگر داده‌ای لازم است و موجود نیست، آن را در بخش «داده ناقص» فهرست کن. - هر ادعا باید به یک عدد مشخص از داده ورودی متصل باشد.
۵. ساختار خروجی. بخش‌ها را شماره‌گذاری کنید و برای هر بخش بگویید دقیقاً چه چیزی باید بیاید. جدول‌ها را با ذکر ستون‌ها مشخص کنید. این کار خروجی را قابل اسکن و قابل مقایسه می‌کند.
۶. متغیرها. بخش‌هایی که هر بار تغییر می‌کنند را با علامت مشخص کنید تا پرامپت قابل استفاده مجدد شود. قرارداد رایج، استفاده از دو آکولاد است.
۷. محدودیت. آنچه مدل نباید انجام دهد. در حوزه مالی، ممنوعیت صریح توصیه خرید و فروش، مدل را از تولید سیگنال بی‌پشتوانه به ساختن چارچوب تحلیل هدایت می‌کند.
تکنیک‌های ضدتوهم
توهم مدل در حوزه مالی خطرناک‌تر از حوزه‌های دیگر است، چون یک عدد اشتباه با ظاهر معتبر می‌تواند مستقیم به تصمیم مالی تبدیل شود.
اولین تکنیک، الزام به ذکر منبع درون‌متنی است: «برای هر عدد، محل استخراج آن در داده ورودی را ذکر کن». این کار هم خطا را کم می‌کند و هم بازبینی را ممکن می‌سازد.
دومین تکنیک، افزودن بخش اجباری «داده ناقص» به انتهای ساختار خروجی است. وقتی مدل جایی برای اعلام کمبود دارد، کمتر جای خالی را با حدس پر می‌کند.
سومین تکنیک، درخواست سطح اطمینان است. وادار کردن مدل به تعیین «بالا، متوسط، پایین» برای هر یافته، خروجی را از حالت قطعی‌نمای گمراه‌کننده خارج می‌کند.
چهارمین تکنیک، الزام به نمایش محاسبات است. «فرمول را بنویس، اعداد را جایگذاری کن، سپس نتیجه را بده» هم خطا را کاهش می‌دهد و هم بازبینی را ممکن می‌کند.
یک مثال کامل
فرض کنید می‌خواهید یک پرامپت برای محاسبه اندازه پوزیشن بسازید. نسخه ضعیف این است: «چقدر باید بخرم؟»
نسخه حرفه‌ای چنین ساختاری دارد: نقش مدیر ریسک تعریف می‌شود؛ وظیفه، محاسبه حجم بر مبنای ریسک ثابت مشخص می‌شود؛ قاعده سخت اضافه می‌شود که محاسبه باید کامل نمایش داده شود و اگر ریسک از سقف تعیین‌شده عبور کند باید هشدار صریح داده شود؛ ساختار خروجی شامل جدول محاسبه، مبلغ ریسک به واحد پول، و بررسی تطابق با قواعد است؛ متغیرها شامل سرمایه، درصد ریسک، قیمت ورود و حد ضرر می‌شوند؛ و محدودیت، ممنوعیت پیشنهاد جهت معامله است.
تفاوت در خروجی چشمگیر است: نسخه اول یک عدد می‌دهد که نمی‌دانید از کجا آمده. نسخه دوم یک برگه محاسبه می‌دهد که می‌توانید بازبینی کنید و اگر قاعده‌ای را نقض کرده باشید، هشدار می‌گیرید.
بهبود تدریجی پرامپت
پرامپت خوب معمولاً در نسخه اول نوشته نمی‌شود. روش عملی این است که خروجی را بخوانید و از خودتان بپرسید کجا مدل مجبور به حدس زدن شد. هر حدس، نشانه یک جای خالی در پرامپت است.
تکنیک مفید دیگر، استفاده از خود مدل برای بهبود پرامپت است: پرامپت و خروجی نامطلوب را بدهید و بخواهید نقاطی را که پرامپت مبهم است شناسایی کند. مدل‌ها در این کار به‌طور قابل توجهی خوب عمل می‌کنند.
در نهایت، پرامپت‌هایی که خوب کار می‌کنند را در یک فایل جدا نگه دارید و نسخه‌بندی کنید. یک کتابخانه شخصی از پرامپت‌های آزموده، در بلندمدت ارزش بیشتری از هر تک‌تحلیل دارد.
نکته پایانی
پرامپت خوب، فکر کردن را جایگزین نمی‌کند؛ آن را ساختارمند می‌کند. اگر خودتان نمی‌دانید یک تحلیل خوب چه اجزایی دارد، هیچ پرامپتی این را برایتان جبران نمی‌کند. به‌عبارت دیگر، پرامپت‌نویسی خوب در واقع همان صریح کردن دانش خودتان است — و همین است که آن را ارزشمند می‌کند.