پرامپت کمتر، نتیجهٔ بهتر با Claude Opus 5
هوش مصنوعیخلاصهٔ کاملتر
تو این مقاله اومده که Claude Opus 5 وقتی بهش دستورهای خشک و مرحلهبهمرحله میدی، معمولاً بدتر کار میکنه نه بهتر. دلیلش اینه که مدلهای جدید خودشون ترتیب کار، قالب خروجی و نحوهٔ استفاده از ابزار رو میفهمن، و انبوه قاعدههایی که برای جبران نقطهضعفهای یه مدل ضعیفتر نوشته شده بودن، جلوی استدلال خود مدل رو میگیرن. راهحل پیشنهادی سادهست: هدف، حصارها و روش تشخیص موفقیت رو توصیف کن و بذار مدل کارشو بکنه.
اصطلاحی که نویسنده به کار میبره «unhobbling» یا برداشتن پابنده: یه مدل توان انجام درست کار رو داره، ولی سیستمپرامپت و دستورهای دور و برش اونو به الگوی تنگتری هل میدن که برای نسخهٔ قدیمیتر طراحی شده بود. به گفتهٔ نویسنده، خود تیم Claude Code تو Anthropic با هر ریلیز مدل جدید بخشهای بزرگی از سیستمپرامپتشون رو حذف میکنن، چون داربستهای آموزشی قدیمی از یه جایی به بعد نهتنها کمک نمیکنن، بلکه خروجی رو خراب میکنن.
تغییر اصلی، حرکت از دستور رویهای به دستور هدفمحوره. یعنی سه چیز رو مشخص کن: نتیجهای که میخوای، اونقدر روشن که «تموم شد» معنی واقعی داشته باشه؛ حصارها، یعنی مرزهایی که مدل نباید ازشون رد بشه؛ و شرطهای پایان، یعنی معیارهای قابل بررسی که ثابت میکنن کار واقعاً تموم و درسته. یه تکنیک عملی هم اینه که قبل از شروع صریح بگی «خوب» یعنی چی — اگه استاندارد رو تعریف نکنی، مدل هدفی برای زدن نداره.
نویسنده معتقده مهمترین قطعهای که بیشتر آدمها اشتباه میگیرن، عبارتبندی هوشمندانهٔ پرامپت نیست، بلکه راستیآزماییه. اگه توی توصیف کار بگی چه تستی باید پاس بشه و خروجی با چی سنجیده بشه، مدل میتونه وسط کار خودشو اصلاح کنه به جای اینکه یه پاس بزنه و تو بعداً برش گردونی. این حلقهٔ تولید، بررسی و بازنگری خیلی به روش کار یه آدم بلد نزدیکتره تا یه اسکریپت خطی، و رابطهٔ آدم با ایجنت رو بیشتر شبیه مدیریت میکنه تا دستورنویسی.
دربارهٔ اسکیلها و سیستمپرامپتهای شخصی، توصیه حذف کامل نیست؛ بازبینی بعد از هر آپدیت بزرگه. دستورهای اجرایی از نوع «اول این، بعد اون» بیشترین شانس رو دارن که حالا مزاحم باشن، ولی دستورهای زمینهای مثل محل فایلها، رنگ برند و قراردادهای قالببندی باید بمونن، چون مدل راهی برای حدس زدنشون نداره. نویسنده آخر هشدار میده که این توصیهها از دل کار مهندسی و کدبیسهای بزرگ اومده و لزوماً عیناً به کار دانشی و پژوهشی منتقل نمیشه — روی کارهای واقعی خودت تستش کن.
نکات کلیدی:
- سیستمپرامپت با هر مدل جدید باید بازنویسی بشه، نه اینکه انباشته بشه
- دستور بیش از حد دقیق، مدل توانمند رو محدود میکنه
- هدف + حصارها + شرط پایان، بهتر از اسکریپت گامبهگام جواب میده
- راستیآزمایی خودکار مهمتر از عبارتبندی پرامپته
- دستورهای اجرایی قدیمی رو حذف کن، ولی زمینه و ترجیحات رو نگه دار
- توصیههای سازندههای ابزار لزوماً به کار دانشی منتقل نمیشه
