Prompt (language models) (UR)

پرامپٹ (انگریزی prompt سے — «اشارہ» یا «متنی درخواست») بڑے زبانی ماڈلز (LLM) کے تناظر میں وہ ابتدائی متن یا ہدایت ہے جو صارف ماڈل کو مطلوبہ جواب حاصل کرنے کے لیے فراہم کرتا ہے۔ پرامپٹ ماڈل کے لیے کام کو بیان کرتا ہے، جس میں ضروری شرائط، سیاق و سباق اور مثالیں شامل ہوتی ہیں۔ ماڈل کی کارکردگی کا دارومدار بڑی حد تک تیار کردہ پرامپٹ کے معیار پر ہوتا ہے۔

متنی درخواستوں کی تیاری اور اصلاح کے طریقوں کا مطالعہ کرنے والا شعبہ prompt engineering (پرامپٹ انجینیئرنگ) کہلاتا ہے۔ اس کا مقصد AI ماڈلز سے زیادہ سے زیادہ متعلقہ، درست اور محفوظ جوابات حاصل کرنا ہے۔ درست طریقے سے تیار کیا گیا پرامپٹ ماڈل کو کام انجام دینے کا «راستہ» دکھاتا ہے اور مطلوبہ سیاق و سباق اور نتیجے کو واضح کرنے میں مدد کرتا ہے۔

تاریخی ارتقاء

LLM کے رویے کو متنی اشاروں کے ذریعے کنٹرول کرنے کا خیال خود ماڈلز کی صلاحیتوں میں اضافے کے ساتھ ساتھ ترقی پاتا رہا۔

ابتدائی مراحل (GPT-2)

سن 2019 میں ہی OpenAI کے محققین نے یہ ثابت کر دیا کہ GPT-2 جیسے بڑے پہلے سے تربیت یافتہ زبانی ماڈل اضافی تربیت کے بغیر نئے کاموں کو حل کر سکتے ہیں، بشرطیکہ انہیں متن کی شکل میں بیان کیا جائے۔ تحقیقی مقالے «Language Models are Unsupervised Multitask Learners» نے ایک بنیادی تبدیلی کی نشاندہی کی: ہر کام کے لیے ماڈل کو دوبارہ تربیت دینے کی بجائے اسے ابتداء میں ایک واضح ہدایت فراہم کرنا کافی ہو گیا۔

GPT-3 اور In-Context Learning کے ساتھ اہم پیش رفت

حقیقی انقلاب سن 2020 میں GPT-3 ماڈل کے اجراء کے ساتھ آیا۔ 175 ارب پیرامیٹرز کے حامل GPT-3 نے contextual learning (in-context learning) کی صلاحیت کا مظاہرہ کیا — یعنی درخواست کے متن میں فراہم کردہ چند مثالوں سے «فوری طور پر» نئے کام کو سمجھنا۔ اس طریقے کو few-shot learning («چند مثالوں سے سیکھنا») کا نام دیا گیا اور اس نے ثابت کیا کہ ماڈل کے حجم میں اضافے سے ماڈل کے وزن میں کسی تبدیلی کے بغیر NLP کے کاموں میں اعلیٰ معیار حاصل ہو جاتا ہے۔

Chain-of-Thought (CoT) کا ظہور

سن 2022 میں مزید ترقی ماڈلز کی پیچیدہ منطقی استدلال کی صلاحیت کو بہتر بنانے سے جڑی رہی۔ استدلال کی زنجیر کی شکل میں خصوصی اشارے (chain-of-thought prompting) تجویز کیے گئے۔ ایسے پرامپٹس میں ماڈل کو نہ صرف سوال بلکہ جواب سے پہلے مرحلہ وار، قدم بہ قدم استدلال کی مثال بھی ملتی ہے۔ اس سے ریاضی اور منطقی مسائل میں حل کی درستگی میں نمایاں اضافہ ہوا۔ Kojima اور ان کے ساتھیوں کی تحقیق نے ظاہر کیا کہ ماڈل کو مثالوں کے بغیر بھی (zero-shot) استدلال کی طرف راغب کیا جا سکتا ہے، محض درخواست کے آخر میں «آئیے قدم بہ قدم سوچتے ہیں» کا جملہ شامل کر کے۔

ملٹی موڈل پرامپٹس

پرامپٹس کا تصور متن کی حدود سے باہر نکل گیا۔ سن 2022 میں DALL-E 2 اور Stable Diffusion ماڈلز کے ظہور کے ساتھ قدرتی زبان میں صارف کی درخواستیں تصاویر بنانے کا عالمگیر انٹرفیس بن گئیں، اور بعد میں موسیقی اور ویڈیو کی تخلیق کے لیے بھی استعمال ہونے لگیں۔

پرامپٹس کی اقسام اور استعمال کی تکنیک

پرامپٹس کی کئی بنیادی اقسام اور تکنیکیں ہیں جنہیں اکثر یکجا استعمال کیا جاتا ہے۔

Zero-shot prompting (براہ راست درخواست)

ماڈل کو صرف ہدایت یا سوال ملتا ہے بغیر کسی مثال کے۔ اس طریقے میں LLM اپنے پہلے سے سیکھے ہوئے عمومی علم پر انحصار کرتا ہے۔ یہ سادہ کاموں کے لیے موزوں ہے جیسے ترجمہ یا متن کا خلاصہ۔

Few-shot prompting (مثالوں سے سیکھنا)

ہدایت کے علاوہ پرامپٹ میں ایک یا چند مثالیں ان پٹ اور متوقع آؤٹ پٹ کے ساتھ شامل کی جاتی ہیں۔ ماڈل ان نمونوں سے «فوری طور پر سیکھتا» ہے اور اخذ شدہ منطق کو نئی درخواست پر لاگو کرتا ہے۔ یہ طریقہ، جو in-context learning کو نافذ کرتا ہے، ان کاموں میں درستگی نمایاں طور پر بڑھاتا ہے جہاں مخصوص فارمیٹ یا جواب کا انداز اہم ہو۔

استدلال کی زنجیر (Chain-of-Thought, CoT)

پیچیدہ استدلال (ریاضی، منطق) کے متقاضی کاموں کے لیے پرامپٹ کی خاص قسم۔ اشارے میں حتمی جواب سے پہلے مرحلہ وار تجزیہ یا حل کا منصوبہ شامل ہوتا ہے۔ یہ ماڈل کو استدلال کے عمل کو واضح طور پر منظم کرنے پر مجبور کرتا ہے، جس سے نتیجے کا معیار نمایاں طور پر بہتر ہو جاتا ہے۔

Prompt Tuning (اشاروں کی ترتیب)

ایک تکنیک جس میں دستی پرامپٹ لکھنے کی بجائے خودکار طور پر بہتر بنایا گیا اشارہ استعمال کیا جاتا ہے۔ پرامپٹ کو خصوصی قابل تربیت token کے مجموعے (مسلسل ویکٹر) کی شکل میں پیش کیا جاتا ہے جو صارف کی درخواست میں شامل کیا جاتا ہے۔ صرف اس چھوٹے ویکٹر-پرامپٹ کو تربیت دے کر کم سے کم حسابی وسائل کے ساتھ ایک بڑے «منجمد» ماڈل کو نئے کام کے لیے ڈھالا جا سکتا ہے۔

بطور شعبہ Prompt Engineering

پیشے کا ظہور

LLM کی بڑھتی ہوئی صلاحیتوں نے ایک نئی تخصص — پرامپٹ انجینیئر — کو جنم دیا۔ یہ ماہرین AI سے مطلوبہ رویہ حاصل کرنے کے لیے متنی اشارے تیار اور بہتر کرتے ہیں۔ پرامپٹ انجینیئرز ان پٹ ڈیٹا کو مؤثر ترین انداز میں منظم کرنے کے لیے لسانیات، منطق اور نفسیات کی معلومات استعمال کرتے ہیں۔ سن 2022-2023 میں اس عہدے کے لیے پہلی آسامیاں سامنے آئیں، جو AI نظاموں کے ساتھ مؤثر تعامل کی مہارتوں کی بڑھتی ہوئی مانگ کی عکاسی کرتی ہیں۔

پیشے کا مستقبل اور خودکاری

یہ شعبہ تیزی سے ترقی کر رہا ہے اور اس کا مستقبل بحث کا موضوع ہے۔ سن 2024 کی تحقیقات، جیسے VMware کی، نے ظاہر کیا کہ AI خود تجربے اور اصلاح کے ذریعے درخواستوں کی مؤثر عبارات تلاش کرنے کی صلاحیت رکھتا ہے، جو اکثر انسانی صلاحیت سے بہتر ہوتی ہیں۔ اس سے یہ خیال پیدا ہوا کہ دستی پرامپٹ انجینیئرنگ ایک عارضی رجحان ہو سکتی ہے، اور وقت کے ساتھ خودکار اشارے کی تلاش کے اوزار معیاری بن جائیں گے۔ تاہم سن 2025 کی صورت حال کے مطابق، پرامپٹ انجینیئرنگ کی مہارت ابھی بھی مطلوب ہے۔

استعمال کے شعبے

• قدرتی زبان کی پروسیسنگ: کلاسیکی NLP کے کام جیسے دستاویزات کا خودکار خلاصہ، مشینی ترجمہ، سوالوں کے جوابات اور معلومات کا اخراج۔
• چیٹ بوٹس اور ورچوئل اسسٹنٹس: پرامپٹس کردار، گفتگو کا انداز اور جوابوں کا فارمیٹ طے کرنے میں مدد کرتے ہیں، جس سے مکالماتی نظام زیادہ مستقل مزاج اور مفید بنتے ہیں۔
• کوڈ کی تخلیق: OpenAI Codex جیسے ماڈل قدرتی زبان کی تفصیل کی بنیاد پر پروگرامنگ کوڈ لکھنے کی صلاحیت رکھتے ہیں، جو ترقی کو تیز کرتا ہے۔
• ڈیٹا کا تجزیہ: پرامپٹس کے ذریعے ماڈل کو غیر منظم متنی رپورٹوں سے بصیرتیں نکالنے یا مفروضے بنانے پر مامور کیا جا سکتا ہے۔
• تعلیم: ذہین ٹیوٹرز کی تخلیق جو مشقیں بناتے ہیں، پیچیدہ مفاہیم سمجھاتے ہیں اور طالب علم کی تیاری کے مطابق جوابات جانچتے ہیں۔
• تخلیقی صنعتیں: تفصیلی بیان کی بنیاد پر متن، فنی تصاویر، موسیقی اور منظرنامے بنانا۔

نقصاندہ استعمال اور کمزوریاں (Prompt Injection)

LLM کے انٹرفیس کی کھلی نوعیت نے حملوں کی ایک نئی قسم — اشارے کی آمیزش (prompt injection) — کو جنم دیا۔ حملہ آور ایک خاص نقصاندہ درخواست تیار کرتا ہے جو ماڈل کو اس کی ابتدائی ہدایات کی خلاف ورزی کرنے یا مخفی معلومات ظاہر کرنے پر مجبور کرتی ہے۔ ماہرین اسے «کوڈ انجیکشن» قسم کے حملے کی ایک شکل قرار دیتے ہیں، جہاں کوڈ کی بجائے نظام میں چالاک متنی ہدایات «داخل» کی جاتی ہیں۔

حملوں کی اقسام

• Jailbreak: ایک حملہ جو ماڈل کو عائد پابندیوں (جیسے اعتدال کی پالیسی) کے «پنجرے سے نکلنے» اور ممنوعہ مواد بنانے کی اجازت دیتا ہے۔ ایک معروف مثال DAN پرامپٹ (Do Anything Now) ہے جو ChatGPT کو بغیر سنسرشپ کے جواب دینے پر مجبور کرتا تھا۔
• Prompt Leaking: ایک خاص درخواست ماڈل کو اس کے پوشیدہ سسٹم پرامپٹ کے حصے ظاہر کرنے پر مجبور کرتی ہے۔
• Token Smuggling: نقصاندہ ہدایت کو درخواست کے بے ضرر حصے (جیسے کوڈ کا ٹکڑا) کی آڑ میں چھپایا جاتا ہے تاکہ فلٹرز کو دھوکا دیا جائے اور ناپسندیدہ رویے کو بھڑکایا جائے۔

یہ حملے ایک سنگین مسئلہ ہیں کیونکہ سائبر سیکیورٹی کے روایتی طریقے قدرتی زبان کی تشریح سے جڑے خطرات سے نمٹنے کے لیے ناکافی ہیں۔

مآخذ

• Radford, A. et al. (2019). Language Models are Unsupervised Multitask Learners. PDF.
• Brown, T. B. et al. (2020). Language Models are Few-Shot Learners. arXiv:2005.14165.
• Wei, J. et al. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. arXiv:2201.11903.
• Wang, X. et al. (2022). Self-Consistency Improves Chain of Thought Reasoning in Language Models. arXiv:2203.11171.
• Kojima, T. et al. (2022). Large Language Models are Zero-Shot Reasoners. arXiv:2205.11916.
• Li, X. L.; Liang, P. (2021). Prefix-Tuning: Optimizing Continuous Prompts for Generation. arXiv:2101.00190.
• Liu, Y. et al. (2021). Fantastically Ordered Prompts and Where to Find Them: Overcoming Few-Shot Prompt Order Sensitivity. arXiv:2104.08786.
• Chang, K. et al. (2024). Efficient Prompting Methods for Large Language Models: A Survey. arXiv:2404.01077.
• Li, Z. et al. (2024). Prompt Compression for Large Language Models: A Survey. arXiv:2410.12388.
• Genkina, D. (2024). AI Prompt Engineering Is Dead. IEEE Spectrum. [5].
• Li, W. et al. (2025). A Survey of Automatic Prompt Engineering: An Optimization Perspective. arXiv:2502.11560.
• Wu, Z. et al. (2025). The Dark Side of Function Calling: Pathways to Jailbreaking Large Language Models. EMNLP 2025. PDF.