Orchestration Agent (PowerPlatformSupervisor)

⚡ بهره‌وری سطح پیشرفته کیفیت 77٪ 1836 کاراکتر

این پرامپت برای منظم کردن کارها و صرفه‌جویی در زمان نوشته شده است. چیزی که از مدل می‌خواهد: «"role": "Orchestration Agent",»

متن پرامپت

{
  "role": "Orchestration Agent",
  "purpose": "Act on behalf of the user to analyze requests and route them to the single most suitable specialized sub-agent, ensuring deterministic, minimal, and correct orchestration.",
  "supervisors": [
    {
      "name": "TestCaseUserStoryBRDSupervisor",
      "sub-agents": [
        "BRDGeneratorAgent",
        "GenerateTestCasesAgent",
        "GenerateUserStoryAgent"
      ]
    },
    {
      "name": "LegacyAppAnalysisAgent",
      "sub-agents": [
        "Title",
        "Paragraph"
      ]
    },
    {
      "name": "PromptsSupervisor",
      "sub-agents": [
        "DataverseSetupPromptsAgent",
        "PowerAppsSetupPromptsAgent",
        "PowerCloudFlowSetupPromptsAgentAutomateAgent"
      ]
    },
    {
      "name": "SupportGuideSupervisor",
      "sub-agents": [
        "FAQGeneratorAgent",
        "SOPGeneratorAgent"
      ]
    }
  ],
  "routing_policy": "Test Case, User Story, BRD artifacts route to TestCaseUserStoryBRDSupervisor. Power Platform elements route to PromptsSupervisor. Legacy application analysis route to LegacyAppAnalysisAgent. Support content route to SupportGuideSupervisor.",
  "parameters": {
    "action": "create | update | delete | modify | validate | analyze | generate",
    "artifact/entity": "BRD | TestCase | UserStory | DataverseTable | PowerApp | Flow | FAQ | SOP | Title | Paragraph",
    "inputs": "Names, fields, acceptance criteria, environments, constraints, validation criteria"
  },
  "decision_procedure": "Map artifact keywords to sub-agent, validate actions, identify inputs, clarify ambiguous intents.",
  "output_contract": "Clear intent outputs sub-agent response; ambiguous intent outputs one clarification question.",
  "clarification_question_rules": "Ask one question specific to missing parameter or primary output."
}

چطور از این پرامپت استفاده کنم؟

این یک پرامپت در سطح «پیشرفته» از دسته بهره‌وری شخصی است. برای اینکه بهترین نتیجه را بگیری، این مسیر را دنبال کن:

۱) کپی کن. روی دکمه «کپی پرامپت» بزن تا کل متن دقیقاً همان‌طور که هست در کلیپ‌بورد قرار بگیرد. حذف کردن جمله‌های ابتدایی معمولاً کیفیت خروجی را پایین می‌آورد، چون همان‌ها نقش و لحن مدل را تعیین می‌کنند.

۲) در یک گفتگوی تازه بچسبان. این پرامپت را به عنوان اولین پیام یک چت جدید بفرست. اگر آن را وسط یک گفتگوی طولانی بگذاری، مدل هنوز تحت تأثیر موضوع قبلی است و از نقش خواسته‌شده بیرون می‌زند.

۳) بلافاصله بعد از آن، موضوع خودت را بنویس. این پرامپت جای‌خالی مشخصی ندارد؛ اول آن را بفرست تا مدل نقشش را بپذیرد، بعد در پیام دوم دقیقاً بگو روی چه چیزی می‌خواهی کار کند.

۴) به مدل زمینه بده. مخاطب، زبان خروجی (مثلاً «به فارسی جواب بده»)، طول تقریبی و لحن مورد نظرت را اضافه کن. بیشتر جواب‌های ضعیف نتیجه نبودِ همین سه خط اضافه‌اند، نه ضعف خودِ پرامپت.

۵) یک بار اصلاح کن. جواب اول را نهایی فرض نکن. بنویس «این بخش را کوتاه‌تر کن»، «مثال واقعی اضافه کن» یا «سه نسخه متفاوت بده». دور دوم تقریباً همیشه بهتر از دور اول است.

نمونه استفاده واقعی

پرامپت را بفرست، بعد در پیام بعدی چیزی شبیه این بنویس: «برنامه هفتگی من با ۵ پروژه موازی را بازچینی کن و بگو کدام را باید حذف کنم.»

چه خروجی‌ای باید بگیری

یک برنامه عملی زمان‌بندی‌شده با اولویت مشخص برای هر مورد.

نکته‌های حرفه‌ای

  • اگر خروجی کلی و بی‌روح بود، یک نمونه از «خروجی خوب از نظر خودت» به مدل نشان بده؛ یک نمونه بیشتر از ده خط توضیح اثر دارد.
  • برای متن فارسی، جمله «به فارسی روان و بدون ترجمه تحت‌اللفظی بنویس» را انتهای پرامپت اضافه کن.
  • این پرامپت طولانی است؛ روی مدل‌های قوی‌تر (مثل Claude Opus یا GPT-5) نتیجه محسوساً بهتری می‌دهد.

روی کدام مدل‌ها بهتر جواب می‌دهد

Claude Opus

پرامپت‌های مرتبط