ظهور مهندسی عاملمحور (Agentic Engineering): بدهی پرامپت (Prompt Debt)
نوشتن پرامپتها به زبان انگلیسی ساده، شبیه به جادو است. آنچه میخواهید را تایپ میکنید و یک نمونه اولیه ظاهر میشود. اما برای سیستمهای بلندمدت، این جادو به یک تله تبدیل میشود.
احتمالاً در حال انباشتن «بدهی پرامپت» هستید.
بدهی پرامپت زمانی رخ میدهد که به جای استفاده از مهندسی دقیق، از زبان طبیعی برای کنترل یک مدل استفاده میکنید. این امر سه مشکل بزرگ ایجاد میکند:
- سرعت تکرار و اصلاح (Iteration) کاهش مییابد. شما برای رفع یک خطا، متن بیشتری اضافه میکنید، اما آن متن باعث از کار افتادن بخش دیگری میشود. بهزودی، پرامپت شما به مجموعهای آشفته از دستورالعملهای تکراری تبدیل میشود.
- تیم شما کنترل خود را از دست میدهد. خواندن یا مدیریت پرامپتی که پر از هشدارهای با حروف بزرگ و موارد استثنایی (edge cases) است، برای همکاران غیرممکن میشود.
- شما در قید و بند یک مدل گرفتار میشوید. پرامپتی که برای یک مدل تنظیم شده است، اغلب در نسخههای جدیدتر و بهتر شکست میخورد. تیمها به دلیل ترس از خراب شدن سیستم خود، در مدلهای قدیمی و گرانقیمت باقی میمانند.
این اتفاق به این دلیل میافتد که شما در حال مبارزه با وزنها (weights) هستید. وقتی یک مدل در برابر دستور شما مقاومت میکند، شما آن را تکرار میکنید. هر دستور تکراری یا تأکیدشده، مانند بافتِ زخم (scar tissue) است؛ نشان میدهد که آموزش مدل در کجا با قصد و نیت شما در تضاد است.
زبان طبیعی برای مهندسی بیش از حد نادقیق است. تغییرات کوچک در کلمات میتواند رفتار مدل را کاملاً تغییر دهد. حتی حقایق بیربط در یک پرامپت نیز میتواند نحوه پاسخگویی مدل را تغییر دهد.
چگونه این مشکل را حل کنید؟
باید از نوشتن دستی پرامپتها دست بکشید و مشخص کردن رفتار مدل را با استفاده از اندازهگیریها آغاز کنید.
- یک پرامپت، پاراگرافی است که امیدوارید مدل از آن پیروی کند.
- یک معیار (metric)، قراردادی است که مدل باید آن را برآورده کند.
آینده مهندسی از «پرامپتنویسی» به سمت «برنامهنویسی» در حال حرکت است. ابزارهایی مانند DSPy و GEPA به شما اجازه میدهند یک هدف و یک معیار تعریف کنید. سپس سیستم برای یافتن بهترین پرامپت جهت دستیابی به آن هدف، جستجو میکند.
این کار پرامپتنویسی را به یک محصول کامپایلشده (compiled artifact) تبدیل میکند. اگر مدل جدید و ارزانتری از راه برسد، وحشت نمیکنید؛ بلکه بهسادگی معیارهای خود را روی مدل جدید اجرا کرده و پرامپت را دوباره تولید میکنید.
درست همانطور که مهندسان از زبان اسمبلی به سمت کامپایلرها حرکت کردند، مهندسان هوش مصنوعی نیز باید از تنظیم دستی رشتهها (strings) به سمت بهینهسازی معیارها حرکت کنند.
از ترغیب کردن مدل با کلمات جادویی دست بردارید. ساختن را با مشخصات قابل اندازهگیری آغاز کنید.
انجمن یادگیری اختیاری: https://t.me/GyaanSetuAi