به‌جای پرامپت نوشتن، کار رو به AI بسپار
هوش مصنوعیخلاصهٔ کامل‌تر
Bandan Singh تو این مقاله تعریف می‌کنه که یه آخر هفته یه ایجنت ساده ساخته که فعالیت‌های Jira و Confluence تیمشون رو می‌خونه و هر روز یه خلاصه برای مخاطب کسب‌وکاری و فنی ایمیل می‌کنه. کل کار حدود شش ساعت طول کشید. هدف اصلیش این بود که خودش پرامپت ننویسه و دست‌کم ۹۵ درصد کمتر از قبل پرامپت بده.
نسخهٔ اول دقیقاً همون کاری رو کرد که ازش خواسته شده بود، و مشکل همین بود. خروجی برای آدم‌های فنی تنظیم شده بود، در حالی که نویسنده تو حوزهٔ محصول و کسب‌وکار کار می‌کنه. اون هیچ‌وقت به ایجنت نگفته بود کیه و با این گزارش قراره چی‌کار کنه. پس بیشتر کار واقعی این شد که توضیح بده یه گزارش خوب از نظر خودش چه شکلیه و چطور باید به تصمیم‌گیری کمک کنه.
روش ساختش این بود: با یه خط شروع کرد («فعالیت‌های مهم Jira تو ۲۴ ساعت گذشته رو بررسی کن و تغییرات مهم رو برام ایمیل کن»)، اونو تو یه فایل پرامپت گذاشت که Claude Code می‌خونه، از PowerShell اجراش کرد، خروجی رو خوند و از یه LLM دیگه خواست فایل رو بازنویسی کنه. چهار پنج دور همین کار تکرار شد. کم‌کم پرامپت یاد گرفت تیکت‌ها رو تو موضوع‌های کسب‌وکاری گروه کنه، ریسک‌های مشتری، پرداخت، درآمد، امنیت و compliance رو اول بیاره و اصطلاحات فنی رو ساده توضیح بده. بعد صفحه‌های Confluence مثل runbookها و برنامه‌های release هم بهش اضافه شد.
نویسنده اسم این چرخه رو Judgment Loop گذاشته: تو تعریف می‌کنی خوب یعنی چی، AI پرامپت رو می‌نویسه، اجراش می‌کنی، خروجی رو بررسی می‌کنی، AI ایرادها رو درست می‌کنه و فقط وقتی بهش اعتماد کردی خودکارش می‌کنی. به گفتهٔ اون، مهم‌ترین خط پرامپت «حقیقت از خودت نساز»ـه. چون ایجنت از روی یه تیکت تنها نتیجه می‌گیره که چیزی «خیلی حیاتی»ـه، بدون این‌که زمینهٔ کسب‌وکار رو بدونه. حالا اگه نتونه تأثیر روی مشتری، مالک کار یا وضعیت deploy رو تأیید کنه، باید صریح بگه.
اون یه اصطلاح هم ساخته: Prompt Tax، یعنی وقتی که هر بار صرف بازنویسی یه دستور تکراری می‌کنی تا کمبود اطلاعات AI از کارت رو جبران کنی. راه‌حلش اینه که زمینه رو یه بار کامل بدی (هدف، مخاطب، تصمیمی که خروجی باید پشتیبانی کنه، قالب و نمونهٔ خوب و بد) و از AI بخوای اونو به یه پرامپت قابل استفاده تبدیل کنه. به نظرش کتابخونه‌های پرامپت برای همین جواب نمی‌دن، چون زمینهٔ یکی دیگه‌ان.
نویسنده چند تحقیق هم آورده: تو مقالهٔ APE سال ۲۰۲۲، دستورهایی که LLM نوشته بود تو ۱۹ از ۲۴ تسک هم‌سطح یا بهتر از دستورهای آدم بود. یه مطالعهٔ ۲۰۲۵ هم نشون داد پرامپت‌های LLM نسبت به پرامپت‌های ۱۵ متخصص، به برچسب‌های انسانی نزدیک‌تر بودن و نوسان کمتری داشتن. بعضی تحقیق‌ها هم می‌گن جمله‌هایی مثل «مثل یه متخصص رفتار کن» گاهی دقت اطلاعات رو پایین میاره. خودش تأکید می‌کنه این‌ها جهت رو نشون می‌دن، نه اثبات قطعی. پیشنهاد آخرش اینه که یه کار هفتگی تکراری رو انتخاب کنی، بذاری AI پرامپتش رو بنویسه و ازت سؤال بپرسه، و اولین خروجی رو با شک بخونی.
نکات کلیدی:
- ایجنت نمونه حدود شش ساعته ساخته شد و پرامپتش تو چهار پنج دور بازنویسی با یه LLM دیگه شکل گرفت.
- مهم‌ترین خط پرامپت «حقیقت از خودت نساز»ـه، تا ایجنت از یه تیکت تنها نتیجهٔ مطمئن نگیره.
- Prompt Tax یعنی هزینهٔ زمانی بازنویسی مکرر دستورها به‌خاطر نبود زمینه.
- تو مقالهٔ APE (۲۰۲۲)، پرامپت‌های نوشتهٔ LLM تو ۱۹ از ۲۴ تسک هم‌سطح یا بهتر از پرامپت آدم بودن.
- جمله‌های persona مثل «مثل یه متخصص رفتار کن» طبق بعضی تحقیق‌ها می‌تونن دقت رو کم کنن.
