کد، محصول جانبیِ فهمیدنه
هوش مصنوعیخلاصهٔ کاملتر
نویسنده از یه اتفاق تازه شروع میکنه: حدس ژاکوبین با یه مثال نقض که یه LLM پیداش کرده رد شد، و بلافاصله بعدش چت ترنس تائو، ریاضیدان سرشناس، با ChatGPT دربارهٔ همون نتیجه دستبهدست شد. به گفتهٔ نویسنده حتی اگه ریاضیات سطح بالا برات جذاب نیست، ارزش داره اون چت رو ببینی، چون چیزی که یاد میده ریاضی نیست، شکل گفتوگوئه.
تو این مقاله اومده که بیشتر ما توی «حباب فهم» خودمون با مدل حرف میزنیم: جایی که تخصص داریم خطاها رو میگیریم، ولی لبهٔ دانشمون همونجاییه که میسوزیم — انقدر میفهمیم که جواب رو باور کنیم، نه انقدر که با اطمینان ردش کنیم. تائو اما از همون جملهٔ اول با اصطلاحهای دقیق وارد میشه، یه جزئیات ریز رو میگیره و روی همون عمیق میشه، و بسته به مسیر فکر خودش دامنهٔ سؤال رو باز و بسته میکنه.
حرف فنی نویسنده اینه که کلمههای ما فقط درخواست رو منتقل نمیکنن، عمق بازیابی اطلاعات مدل رو هم قبل از شروع جواب تعیین میکنن. «این کد رو تمیز کن» یه چیزی میده و «طبق اصل DRY بازنویسیش کن» یه چیز خیلی مشخصتر. برای همین نویسنده میگه بهجای پرامپت طولانی و نقشدادن به مدل، سؤال باریک و مشخص بپرس و بذار خروجی از دل پرسشهای پشتسرهم روی هم جمع بشه.
جمعبندیش اینه که خیلیها LLM رو کارخانهٔ تولید دارایی میبینن — کد، تصویر، ایمیل — و چون فقط خروجی نهایی رو میخوان، از مرحلهٔ ساختن فهم رد میشن. خودش موقع طراحی فیچر میپرسه چه کد موجودی قابل استفادهٔ دوبارهست، معماری و گلوگاه کجاست و آیا این راه با فیچر بعدی هم جور درمیاد، و موقع ریویو میپرسه این تابع چند تا caller داره یا خطاها چطور بالا میرن. به قول خودش پول کد نوشتن میگیره، ولی کد محصول جانبیِ فهمیدنه.
نکات کلیدی:
- حدس ژاکوبین با مثال نقضی که یه LLM پیدا کرد رد شد و چت ترنس تائو با ChatGPT دربارهٔ همین نتیجه بود.
- پرامپت کوتاه و پر از اصطلاح دقیق، عمق جواب مدل رو بالا میبره؛ نقشدادن («تو یه نابغهای») و گزارش ۲۰ صفحهای خواستن کمکی نمیکنه.
- «این کد رو تمیز کن» و «طبق اصل DRY بازنویسیش کن» دو دامنهٔ کاملاً متفاوت رو برای مدل باز میکنن.
- نویسنده تمرکزش رو از خواستن کد به خواستن وضوح منتقل کرده: اول فهم ساخته میشه، بعد کد نوشته میشه.
