Role Engineering: با agent هوش مصنوعی مثل یه کارمند جدید رفتار کن
هوش مصنوعیخلاصهٔ کامل‌تر
تو این مقاله از MindStudio اومده که role engineering داره جای prompt engineering رو می‌گیره. یعنی به‌جای اینکه کلمه‌به‌کلمهٔ یه درخواست رو با وسواس بنویسی، کار رو همون‌طوری به agent بسپری که یه مدیر به یه کارمند تازه‌وارد می‌سپره. خود Anthropic هم تو راهنماهاش گفته با Claude مثل «یه کارمند باهوش ولی تازه‌کار» رفتار کن که باید قواعد و روال کار رو بهش بگی، نه اینکه دنبال جملهٔ بی‌نقص باشی.
نویسنده می‌گه این تغییر به این خاطره که مدل‌های قبلی شکننده و تحت‌اللفظی بودن، ولی مدل‌های فعلی می‌تونن یه هدف کلی رو درست بفهمن و جزئیاتش رو خودشون پر کنن. به گفتهٔ Anthropic، بخش بزرگی از کدی که الان merge می‌کنن از جلسه‌های طولانی و تقریباً خودکار agentها میاد، نه از پرامپت‌دادن قدم‌به‌قدم. الگوش ساده‌ست: هدف می‌دی، agent کار می‌کنه، تو گاهی سر می‌زنی.
چارچوب پیشنهادی برای واگذاری کار، همون اهداف SMART مدیریتیه (مشخص، قابل‌اندازه‌گیری، دست‌یافتنی، مرتبط و زمان‌دار). نویسنده معتقده مهم‌ترینش برای agentها «قابل‌اندازه‌گیری» بودنه. «سایتمو بهتر کن» هیچ معیاری به agent نمی‌ده، ولی «صفحهٔ اول تو موبایل زیر دو ثانیه لود بشه» یه هدف واقعیه که agent خودش می‌تونه تستش کنه. بدون این، agent نمی‌فهمه کِی کارش تموم شده.
دو تا تیکهٔ دیگه هم لازمه. اول یه knowledge base دائمی (یعنی منبعی از ایمیل‌ها، ترنسکریپت‌ها، جلسه‌های قبلی با AI و ریپوها که agent همیشه بهش دسترسی داره) تا مجبور نباشی هر بار زمینه رو از اول توضیح بدی. دوم یه نمونه از کار خوب، که یعنی خودت حداقل یه بار کار رو درست انجام بدی و به‌عنوان استاندارد بهش بدی. مثال‌هایی که از کارمندهای Anthropic آورده شده، مثل بازنویسی یه اپ دسکتاپ از Electron به Swift یا ساختن یه کامپایلر C با بیش از ده تا agent، هر کدوم حدود دو هفته به‌صورت خودکار اجرا شدن.
برای آموزش agent، پیشنهاد مقاله اینه که یه کار رو ۵ تا ۱۰ بار اجرا کنی، خروجی‌ها رو مثل کار یه کارمند جدید بررسی کنی و یه لیست دقیق از ایرادها جمع کنی و به agent برگردونی. خروجی این فرایند عملاً یه SOP (یعنی دستورالعمل استاندارد کار) میشه که برای هر مدل یا نسخهٔ بعدی هم قابل استفاده‌ست. یعنی با هر ارتقای مدل لازم نیست همه‌چیزو از اول یادش بدی.
ولی هزینه جدیه. به گفتهٔ نویسنده، استفادهٔ سنگین از agentهای طولانی‌مدت می‌تونه به ده‌ها هزار دلار در ماه برسه. راهکارهاش اینان: مدل ارزون‌تر برای کارهای ساده و مدل قوی فقط برای کارهای مهم، نزدیک نگه‌داشتن جلسه‌های مرتبط به هم تا از prompt caching استفاده بشه، batch processing برای کارهایی که عجله ندارن، و حساب‌وکتاب دقیق هزینه قبل از راه انداختن کلی agent موازی.
نکات کلیدی:
- Anthropic پیشنهاد می‌ده با Claude مثل یه کارمند باهوش ولی تازه‌کار رفتار کنی
- از بین معیارهای SMART، قابل‌اندازه‌گیری بودن برای agent حیاتیه چون باهاش کار خودشو چک می‌کنه
- agentهای Anthropic روی کارهایی مثل بازنویسی Electron به Swift حدود دو هفته خودکار کار کردن
- اجرای ۵ تا ۱۰ بارهٔ یه کار و جمع کردن ایرادها، یه SOP قابل استفادهٔ مجدد می‌سازه
- هزینهٔ توکن agentهای طولانی‌مدت می‌تونه به ده‌ها هزار دلار در ماه برسه
- انتخاب مدل مناسب، prompt caching و batch processing راه‌های اصلی کم کردن هزینه‌ان
