از مهندسی پرامپت به مهندسی نیت
هوش مصنوعیClaude Opus 5خلاصهٔ کاملتر
دنیل میسلر تو این پست میگه شمارهٔ یکِ کارهایی که آدمها همین حالا میتونن برای مؤثرتر بودن با هوش مصنوعی انجام بدن، اینه که از Prompt Engineering به چیزی که خودش اسمش رو Intent Engineering گذاشته سوئیچ کنن.
پشتوانهٔ حرفش «درس تلخ» ریچارد ساتِنـه: هرچی هوش مصنوعی بهتر بشه، دستورهای گامبهگام ما دربارهٔ اینکه کار باید چطور انجام بشه بیشتر و بیشتر احمقانه به نظر میرسه. به تعبیر نویسنده، تصور ما از باهوشترین راه انجام یه کار، در مقایسه با راه خود مدل، بهمرور داره عقبتر میافته.
نتیجهای که ازش میگیره اینه که باید از آلودهکردن تواناییهای ذاتی مدل با راهنماییهای بهظاهر برترمون پرهیز کنیم، چون در واقع برتر نیستن. به گفتهٔ نویسنده، روزهای اول مهندسی پرامپت دقیقاً همین بود: یه فهرست از مراحل مشخص برای انجام یه کار. اون موقع منطقی بود، چون مدلها اونقدر باهوش نبودن.
پیشنهادش اینه که همون کار رو ادامه بدیم ولی چیزی که بیان میکنیم عوض بشه: نه اینکه کار «چطور» انجام بشه، بلکه «چه چیزی» باید انجام بشه — یعنی توصیف خروجیای که میخوایم. از نظر او این هنوز فنیـاً همون مهندسی پرامپته، فقط سطح بیانش فرق کرده.
توصیهٔ عملیش هم مشخصه: با باهوشترین مدلی که در دسترس داری، همهٔ پرامپتها و اسکفولدینگ فعلیت رو مرور کن، جاهایی که داری این اصل رو نقض میکنی پیدا کن، و پرامپتهای «چطور» رو به پرامپتهای «چی» تبدیل کن.
نکات کلیدی:
- تمرکز از دیکتهٔ روش به توصیف نتیجه جابهجا میشه
- استدلال بر پایهٔ «درس تلخ» ساتِن: راهنمایی گامبهگام ما در برابر مدل بهتر، ارزشش رو از دست میده
- مهندسی پرامپت اولیه فهرستی از مراحل بود، چون مدلها ضعیف بودن
- توصیهٔ عملی: بازبینی پرامپتها و اسکفولدینگ با قویترین مدل موجود
- تبدیل پرامپتهای HOW به پرامپتهای WHAT
