در دنیای پرشتاب استارتاپهای هوش مصنوعی، جایی که هر هفته شرکت جدیدی با وعده انقلاب در فناوری معرفی میشود، پیدا کردن یک «ایده یونیکورن» (Unicorn Idea) کار آسانی نیست. اما «برد منزس» (Brad Menezes)، مدیرعامل استارتاپ سوپربلاکس (Superblocks) که در حوزه کدنویسی سازمانی فعالیت میکند، دیدگاه متفاوتی دارد: به‌جای اختراع دوباره چرخ، کافی‌ست با دقت به پرامپتهای سیستم (System Prompts) شرکتهای هوش مصنوعی موفق نگاه کنید.
پرامپت سیستم چیست و چرا اهمیت دارد؟
پرامپتهای سیستم، همان دستورات طولانی و دقیق (گاهی تا ۵۰۰۰ تا ۶۰۰۰ کلمه) هستند که استارتاپهای هوش مصنوعی به مدلهای بنیادین مانند GPT-4 از OpenAI یا مدلهای شرکت Anthropic میدهند تا محصولی قابل استفاده در سطح اپلیکیشن ارائه دهند.
به گفته منزس:
«هر استارتاپی برای همان مدل بنیادین، یک پرامپت کاملاً متفاوت دارد. این دستور باید دقیقاً مشخص کند که مدل در چه حوزه‌ای، برای چه نوع کاربری و با چه انتظاری عمل کند.»
این پرامپتها معمولاً عمومی نیستند، اما برخی از ابزارها امکان مشاهده یا درخواست نسخه ساده‌شده آنها را برای کاربران فراهم میکنند.
Clark: محصول جدید Superblocks و انتشار پرامپتهای واقعی
به‌مناسبت معرفی محصول جدیدی به‌نام Clark، یک عامل کدنویسی مبتنی بر هوش مصنوعی برای شرکت‌ها، سوپربلاکس فایل پرامپت ۱۹ ابزار محبوب مانند Windsurf، Cursor، Manus، Bolt و Lovable را منتشر کرد. این حرکت توجه بسیاری از فعالان دره سیلیکون را به خود جلب کرد و توییت منزس بیش از دو میلیون بازدید گرفت.
در همین راستا، سوپربلاکس اعلام کرد که در دور سرمایه‌گذاری سری A مبلغ ۲۳ میلیون دلار جذب کرده و مجموع سرمایه این شرکت به ۶۰ میلیون دلار رسیده است.
چگونه پرامپتهای دیگران را تحلیل کنیم؟
منزس معتقد است پرامپت سیستم تنها ۲۰٪ از راز موفقیت است. بخش اصلی به چیزی به‌نام «غنابخشی پرامپت (Prompt Enrichment)» بازمی‌گردد؛ یعنی زیرساخت‌هایی که استارتاپها برای افزودن دستورهای پویا و بررسی خروجی مدل‌ها در کنار پرامپت اصلی می‌سازند.
سه عنصر کلیدی در پرامپتهای موفق:
۱. نقش‌دهی (Role Prompting):
در این بخش به مدل، شخصیت و وظیفه داده میشود. مثلاً پرامپت ابزار Devin به‌شکل زیر شروع میشود:
«تو Devin هستی، یک مهندس نرمافزار واقعی با سیستم‌عامل واقعی. تو یک نابغه برنامه‌نویسی هستی که درک عمیقی از کد دارد.»
۲. ایجاد زمینه (Contextual Prompting):
در این مرحله، مدل محدودیتها و بستر کاری خود را می‌فهمد. مثلاً در پرامپت Cursor آمده:
«فقط در صورت نیاز از ابزار استفاده کن، هرگز نام ابزار را به کاربر نگو. قبل از ویرایش، محتوای فایل مرتبط را بخوان و بیش از سه بار برای اصلاح تلاش نکن.»
۳. استفاده از ابزارها (Tool Use):
این بخش مدل را از تولید متن فراتر می‌برد. مثلاً پرامپت Replit شامل مواردی مانند:
است که به مدل امکان فعالیت‌های عامل‌محور (Agentic Tasks) میدهد.
چه چیزی از این تحلیل‌ها می‌آموزیم؟
به‌گفته منزس:
به همین دلیل، Clark طراحی شد تا کاربران غیر برنامهنویس نیز بتوانند اپلیکیشن بسازند، با قابلیت‌هایی مانند اتصال امن به منابع سازمانی (مانند Salesforce) و کنترل دسترسی.
مطلب پیشنهادی: ساخت فیلم با هوش مصنوعی
نمونه استفاده داخلی در سوپربلاکس
در یک اقدام جالب، مهندسان نرمافزار سوپربلاکس اجازه ندارند ابزارهای داخلی بسازند. تمام ابزارهای داخلی (مثلاً تحلیل دادههای CRM یا تقسیم وظایف تیم فروش) باید توسط کارکنان غیر فنی و با کمک Clark ساخته شود.
«ما تصمیم گرفتیم ابزارها را خودمان بسازیم، نه بخریم.» – برد منزس
جمع‌بندی: مسیر کشف ایدههای میلیاردی در هوش مصنوعی
اگر به‌دنبال ساخت استارتاپی در حوزه هوش مصنوعی هستید، لزوماً نیازی به ساخت مدل جدید یا الگوریتم پیشرفته ندارید. کافی‌ست به پرامپتهای موجود نگاهی دقیق بیندازید، آنها را تحلیل کنید و بفهمید هر شرکت چطور از یک مدل واحد خروجی متفاوت می‌گیرد.
درک عمیق از این ساختار، به شما امکان میدهد راه‌حل‌هایی طراحی کنید که حتی برای کاربران غیر فنی نیز ارزش ایجاد کند؛ درست همان کاری که Clark انجام داده است.
اگر به دنبال خرید اکانت‌های هوش مصنوعی مانند ChatGPT، Claude، Gemini یا Midjourney هستید، جیب استور انتخاب اول شماست.
این فروشگاه با ارائه اکانت‌های فعال‌سازی شده و پشتیبانی کامل، تجربه‌ای بی‌دردسر و حرفه‌ای فراهم میکند.
پرداخت آسان، تحویل فوری و قیمت مناسب، جیب استور را به مرجع خرید اکانت‌های AI در ایران تبدیل کرده است.
هر زمان که نیاز به قدرت هوش مصنوعی داشتید، با جیب استور فقط چند کلیک فاصله دارید.
نظرات کاربران