پرامپتنویسی هنوز زندهست — فقط عوض شده
هوش مصنوعیخلاصهٔ کاملتر
سه سال پیش، نویسندهی این مقاله نوشته بود که پرامپتنویسی یه پدیدهی گذراست؛ چون مدلهای هوش مصنوعی اونقدر ضعیف بودن که کاربرا مجبور میشدن با ترفندهای خاص ازشون خروجی درست بگیرن. فرضش این بود که وقتی مدلها بهتر بشن، دیگه نیازی به این دردسرا نیست. حالا داره میگه هم درست فکر میکرد، هم اشتباه.
بخشی که درست بود اینه: پرامپتنویسی سادهتر شده. دیگه لازم نیست یهسری جادو-کلمه حفظ باشی تا از مدل جواب درست بگیری. مدلهای امروزی خیلی بهتر از ۲۰۲۳ منظورت رو میفهمن و نیازی به تکنیکهایی مثل «قدم به قدم فکر کن» نیست.
اما اشتباهش اینجا بود که فکر میکرد پرامپتنویسی بهکل تموم میشه. وقتی مدلها بهتر شدن، کارهایی که ازشون میخوایم هم سنگینتر شد. دیگه فقط یه چتبات نیست که جواب بده؛ الان از هوش مصنوعی میخوایم که ایمیل بفرسته، پایگاه داده آپدیت کنه، تیکت ثبت کنه، و تصمیم بگیره. اگه یه چتبات اشتباه کنه، یه جواب بد میگیری. اگه یه agent اشتباه کنه، ممکنه یه رکورد حذف بشه یا پیام اشتباه به مشتری بره.
پرامپتنویسی امروز در واقع سه چیزه: اول، مدیریت context. مدل بر اساس چیزی که جلوش میذاری تصمیم میگیره — اسناد، پیامهای قبلی، تنظیمات کاربر، قوانین محصول. مشکل سخت اینه که بفهمی کدوم اطلاعات باید توی context باشه و کدوم نه.
دوم، طراحی ابزار. وقتی مدل میتونه فانکشن صدا بزنه، فایل بخونه، یا پیام بده، پرامپت باید بهش یاد بده که از این ابزارها درست استفاده کنه: کِی استفاده کنه، کِی تأیید بگیره، و کِی اصلاً دست نزنه.
سوم، ارزیابی و تست. وقتی پرامپتها بخشی از رفتار سیستم در محیط production هستن، باید مثل هر کد دیگهای تست بشن. باید بدونی کِی یه آپدیت مدل رفتار سیستم رو عوض کرده، کِی یه تغییر در پرامپت یه مسیر رو بهتر و یه مسیر دیگه رو خراب کرده.
نتیجه اینه که پرامپتنویسی دیگه دربارهی «جادوی کلمات» نیست؛ دربارهی ساختن یه حلقهی بازخورد منظم دور رفتاریه که میخوای سیستمت داشته باشه. پرامپتها الان توی productionن و باید مثل کد تولید باهاشون رفتار بشه.
نکات کلیدی:
- پرامپتنویسی ساده از بین رفت، اما نسخهی پیچیدهترش جاشو گرفت
- امروز مهمترین کار، مدیریت context درسته نه پیدا کردن کلمات جادویی
- وقتی مدلها ابزار دارن و اقدام میکنن، باید مرزها و شرایط دقیقاً توی پرامپت تعریف بشه
- پرامپتها الان بخشی از کد تولیدی هستن و به تست و ارزیابی منظم نیاز دارن
- هرچقدر مدل قدرتمندتر بشه، دستورالعملهاش هم باید دقیقتر و مهندسیشدهتر باشن
