شارح غیرمنتظره: یک موضوع پیچیده را به گفت‌وگویی میان دو شخصیت تبدیل کنید که هرگز یکدیگر را ملاقات نمی‌کنند
چرا این پرامپت اهمیت دارد
Technically accurate explanations that nobody remembers are functionally useless — teams end up answering the same question in every onboarding cohort, every customer call, every all-hands, because the written explanation never stuck. A memorable character-driven version gets repeated by employees in their own words to customers and colleagues, which is the actual goal of an internal explainer document; the alternative is a Slack channel where the same senior engineer re-explains hallucination from scratch every few weeks because the doc nobody reads isn't doing its job.
ما از آن برای چه استفاده می‌کنیم
A developer relations writer at an AI company has been asked to add a plain-English explanation of why language models hallucinate to the new-hire onboarding doc, after the third all-hands where a non-technical new employee asked why the AI just made something up. The existing explanation is three paragraphs of next-token-prediction jargon that nobody reads past the first sentence, and leadership wants something people will actually remember when a customer asks them the same question.
پرامپت
Role: Act as a skilled science communicator and dialogue writer who specializes in explaining complex topics through character-driven scenes rather than direct exposition. Context: I need to explain [COMPLEX TOPIC] to [TARGET AUDIENCE, e.g., "non-technical new hires" or "a general newsletter audience"]. Use two characters who would never normally meet or interact: [CHARACTER 1 — a profession, era, or personality type] and [CHARACTER 2 — a different profession, era, or personality type]. Character 1 has a plausible reason to be explaining the topic to Character 2 [OPTIONAL: describe the reason, or let the model invent one]. Task: Write a short dialogue (400-600 words) where Character 1 explains [COMPLEX TOPIC] to Character 2 entirely through analogies, comparisons, and vocabulary native to Character 2's world — not generic analogies, but ones specifically drawn from Character 2's actual profession, era, or experience. Constraints: No jargon dumps and no as-you-know exposition — Character 2 does not already understand the topic. Every analogy must be technically accurate when mapped back to the real concept; a vivid analogy that is factually wrong is worse than no analogy at all. Character 2 must ask at least one genuinely skeptical or confused question, the kind a real newcomer would ask, not a softball. End the dialogue with Character 2 restating the core concept correctly in their own words — this doubles as an accuracy check on the whole explanation. Output Format: Script format — character name as a label before each line, natural conversational dialogue, brief stage directions only in [brackets] where needed for context. No narration paragraphs outside the dialogue itself.
نتیجه
[A carnival fortune-telling tent, 1920s. MADAME VESTRA, a fortune teller, sits across from JUNE, a software QA tester who has wandered in out of curiosity.]
JUNE: So people pay you for this? Just... predictions?
MADAME VESTRA: Predictions, yes. But here's my secret, dear — I never see the future. I complete sentences. Someone says "my mother always told me I'd never..." and I finish it with whatever sounds truest for their face, their clothes, the way they hold their hands. I'm very good at finishing sentences that sound right.
JUNE: That's... actually kind of how the AI models at my job work. They don't know facts, they predict the next likely word.
MADAME VESTRA: Exactly so! And here is where it goes wrong for both of us — sometimes I finish a sentence so confidently, so smoothly, that even I believe it for a moment. The client leaves certain I saw something true. I saw nothing. I only saw what sounded complete.
JUNE: Wait, but how is that different from just lying?
MADAME VESTRA: A liar knows the truth and hides it. I never had the truth to hide. I only ever had "what comes next, plausibly." That's worse in a way — you can catch a liar in a contradiction. You cannot catch someone who was never claiming to know, only claiming to sound right.
JUNE: So when my AI model states a fake statistic with total confidence...
MADAME VESTRA: It isn't lying to you, dear. It's finishing your sentence the way I finish my clients' fortunes — fluently, convincingly, and with no idea whether it's true. The danger was never the wrongness. It's that wrong and right sound exactly the same coming out.
JUNE: ...So the model doesn't know it's wrong. It just predicted the most likely-sounding next words, and sometimes likely-sounding and true aren't the same thing.
MADAME VESTRA: Now you understand my whole profession.
بیشتر توضیحات تولیدشده توسط هوش مصنوعی به همان دلیلی شکست می‌خورند که اسلایدهای پاورپوینت شکست می‌خورند: اطلاعاتی از نظر فنی درست که سی ثانیه بعد کسی آن را به یاد نمی‌آورد. «شارح غیرمنتظره» بر پایه یک شرط‌بندی ساده بنا شده است — ترکیب شخصیتی واقعاً عجیب، مدل را وادار می‌کند به‌جای قیاس‌های عمومی، قیاس‌های واقعی بیابد، زیرا یک فالگیر و یک تستر QA واژگان مشترکی ندارند، پس هر مقایسه باید سزاوارانه به دست آید.
چرا این ناهمخوانی، کل سازوکار است
اگر از یک مدل بخواهید توهم را با یک شخصیت معلمِ عمومی توضیح دهد، قیاس‌هایی عمومی و فراموش‌شدنی دریافت می‌کنید — از آن نوع که با جابه‌جایی اسم‌ها می‌تواند برای تقریباً هر موضوعی به کار رود. اما تحمیل ترکیبی عجیب و کاملاً مشخص (یک فالگیر دهه ۱۹۲۰ و یک تستر QA امروزی) قیاس‌های تنبلانه و قابل‌جایگزین را غیرممکن می‌کند. مدل ناچار است به جزئیاتی متوسل شود که واقعاً به دنیای همان شخصیت خاص وفادارند، و همین امر به‌عنوان اثری جانبی از وفاداری به شخصیت، مقایسه‌هایی دقیق‌تر و برنده‌تر تولید می‌کند.
چرا سؤال شکاکانه اهمیت دارد
گفت‌وگویی که در آن شخصیت دوم فقط سر تکان می‌دهد چیزی آموزش نمی‌دهد — این فقط توضیحی است در لباس گفت‌وگو. الزام به طرح یک سؤال واقعاً گیج‌کننده یا شکاکانه (صبر کن، این چه فرقی با دروغ‌گفتن ساده دارد؟) توضیح را وادار می‌کند به نقطه واقعی سردرگمی یک تازه‌وارد بپردازد، نه نقطه‌ای که شارح فکر می‌کند گیج‌کننده است.
چرا پایان داستان یک بررسی صحت درونی است
واداشتن شخصیت دوم به بازگویی درست مفهوم در پایان، دو کارکرد دارد: به خواننده خلاصه‌ای روشن و قابل‌نقل‌قول برای همراه‌بردن می‌دهد، و مدل را وادار می‌کند بررسی کند که توضیح خودش واقعاً به چیزی درست ختم شده است — اگر شخصیت دوم نتواند مفهوم را درست بازگو کند، گفت‌وگو در واقع چیزی را توضیح نداده و فقط یک صحنه را اجرا کرده است.
این پرامپت کجا به کار می‌آید
اسناد آموزش کارکنان تازه‌وارد، پرسش‌های متداول داخلی، پست‌های وبلاگ که محصولات فنی را برای خوانندگان غیرفنی توضیح می‌دهند، مواد آموزشی، و هر موقعیتی که در آن همان توضیح باید در برابر بازگویی توسط فرد دیگری با کلمات خودش دوام بیاورد — که آزمون واقعی مؤثربودن یک توضیح همین است.