OpenAI ની નવી પ્રોમ્પ્ટિંગ માર્ગદર્શિકા: સ્ટેપ-બાય-સ્ટેપ સ્ક્રિપ્ટ્સ પર નહીં, પરિણામો પર ધ્યાન કેન્દ્રિત કરો

OpenAI એ એક નવું પ્રોમ્પ્ટિંગ ફ્રેમવર્ક બહાર પાડ્યું છે જે પરંપરાગત "chain-of-thought" (વિચારધારાની સાંકળ) ના વળગણને પડકારે છે, અને વપરાશકર્તાઓને કડક સૂચનાઓ કરતાં પરિણામોને પ્રાથમિકતા આપવા માટે પ્રોત્સાહિત કરે છે. આ ફેરફાર વધુ સહજ અને તર્કબદ્ધ (reasoning-heavy) ક્રિયાપ્રતિક્રિયાઓ તરફના પ્રયાણનો સંકેત આપે છે, જ્યાં મોડેલને કડક સ્ક્રિપ્ટને બદલે સ્વાયત્તતા આપવામાં આવે છે.

અસરકારક પ્રોમ્પ્ટિંગના ચાર પાયાના ઘટકો

API પેરામીટર્સનું જટિલ મેન્યુઅલ અથવા વિસ્તૃત સ્કીમા આપવાને બદલે, OpenAI પ્રોમ્પ્ટિંગ આર્કિટેક્ચરને ચાર વૈકલ્પિક ઘટકોમાં સરળ બનાવી રહ્યું છે: Goal (ધ્યેય), Context (સંદર્ભ), Output Format (આઉટપુટ ફોર્મેટ), અને Boundaries (સીમાઓ). મહત્વની વાત એ છે કે, આમાંથી કોઈ પણ ફરજિયાત નથી. સાદા પ્રશ્નો માટે, વધુ પડતી જટિલ સૂચનાઓ સેટ કરવા કરતાં ટૂંકો પ્રોમ્પ્ટ ઘણીવાર વધુ સારા પરિણામો આપે છે.

આ માર્ગદર્શિકાનું મુખ્ય દર્શન "નાના પાયે શરૂઆત કરવી" (start small) છે. OpenAI સૂચવે છે કે વપરાશકર્તાઓએ વિગતવાર પગલાંઓના ક્રમને બદલે ઇચ્છિત પરિણામ સાથે શરૂઆત કરવી જોઈએ. પ્રક્રિયાને બદલે અંતિમ ધ્યેયનું વર્ણન કરીને, તમે GPT-4o જેવા મોડેલ્સને માહિતી શોધવા, તેની સરખામણી કરવા અને તેમની અભિગમને સ્વાયત્ત રીતે એડજસ્ટ કરવાની મંજૂરી આપો છો. પ્રક્રિયાનું વિગતવાર વર્ણન ત્યારે જ ઉપયોગમાં લેવું જોઈએ જ્યારે ચોક્કસ પદ્ધતિ અંતિમ આઉટપુટ જેટલી જ મહત્વપૂર્ણ હોય.

સ્ક્રિપ્ટિંગ કરતાં નિયંત્રણો (Constraints) વધુ મહત્વના

ડેવલપર્સ અને પાવર યુઝર્સ માટે મુખ્ય વાત એ છે કે સ્ટેપ-બાય-સ્ટેપ સ્ક્રિપ્ટ્સ કરતાં નિયંત્રણો (constraints) વધુ અસરકારક છે. AI દ્વારા કરવામાં આવતા દરેક પગલાનું માઇક્રોમેનેજમેન્ટ કરવાને બદલે, OpenAI બિનજરૂરી વર્તનને રોકવા માટે એક અથવા બે "કડક નિયમો" (hard rules) લાગુ કરવાની ભલામણ કરે છે. ઉદાહરણ તરીકે, "મંજૂર કરાયેલ બજેટના આંકડાઓમાં ફેરફાર કરશો નહીં" અથવા "આને ડ્રાફ્ટ તરીકે તૈયાર કરો; તેને મોકલશો નહીં" જેવા નિર્દેશો.

આ "ઓછું એ વધુ છે" (less-is-more) અભિગમ સંદર્ભ વ્યવસ્થાપન (context management) સુધી વિસ્તરેલો છે. માર્ગદર્શિકા એવી ફાઇલો—જેમ કે PDFs, સ્પ્રેડશીટ્સ અથવા ઈમેજ—જોડવાની સલાહ આપે છે જે ખરેખર જવાબને અસર કરશે. ઉચ્ચ-સ્તરના વ્યાવસાયિક કાર્ય માટે, OpenAI "સેલ્ફ-વેરિફિકેશન" (સ્વ-ચકાસણી) લૂપ સૂચવે છે, જ્યાં તમે મોડેલને તેના પોતાના આઉટપુટમાં ચોક્કસ ભૂલો તપાસવા માટે સ્પષ્ટપણે કહો છો, જેમ કે દરેક એક્શન આઈટમ માટે નિર્ધારિત માલિક અને સમયમર્યાદા છે કે નહીં તેની ખાતરી કરવી.

"Chat" અને "Work" વચ્ચેનો તફાવત અને Codex માં સુધારો

OpenAI "Chat" અને "Work" વચ્ચેના તફાવતને પણ ઔપચારિક બનાવી રહ્યું છે. જ્યારે Chat ઝડપી પ્રશ્નો અને શબ્દોના પુનરાવર્તન (rewording) માટે છે, ત્યારે "Work" એવા ભારે કાર્યોનો સંદર્ભ આપે છે જે મોટા પરિણામો મેળવવા માટે અનેક સ્ત્રોતો (જેમ કે Gmail, Slack, અથવા GitHub) માંથી માહિતી મેળવે છે. જોકે Work કાર્યોમાં વધુ ક્રેડિટ્સ વપરાય છે, પરંતુ તેઓ જટિલ અને વારંવાર થતા વર્કફ્લોને સ્વચાલિત કરવા માટે બનાવવામાં આવ્યા છે.

Codex નો ઉપયોગ કરતા ડેવલપર્સ માટે, આ માર્ગદર્શિકા અત્યાધુનિક સ્ટીયરિંગ (steering) અને સેન્ડબોક્સિંગ (sandboxing) ક્ષમતાઓ રજૂ કરે છે. વપરાશકર્તાઓ હવે વર્તમાન રન (run) ને ફરીથી નિર્દેશિત કરવા માટે "Steer" કમાન્ડ અથવા આગામી સૂચનાને લાઇનઅપ કરવા માટે "Queue" નો ઉપયોગ કરી શકે છે. જટિલ કોડિંગ પ્રોજેક્ટ્સનું સંચાલન કરવા માટે, OpenAI એ ચોક્કસ સ્લેશ (slash) કમાન્ડ્સ રજૂ કર્યા છે:

• /plan: એક્ઝિક્યુશન પહેલા કોડનું વિશ્લેષણ કરે છે અને અભિગમ સૂચવે છે.
• /goal: ઉચ્ચ-સ્તરનું લક્ષ્ય નક્કી કરે છે જે મોડેલ અનેક પગલાં દરમિયાન ટ્રેક કરે છે.
• /review: લોકલ અથવા GitHub-ઇન્ટિગ્રેટેડ સુરક્ષા અને લોજિક ઓડિટની મંજૂરી આપે છે.

મુખ્ય તારણો

• પરિણામોને પ્રાથમિકતા આપો: ઇચ્છિત પરિણામ સાથે શરૂઆત કરો; પ્રક્રિયા ત્યારે જ વ્યાખ્યાયિત કરો જો ચોક્કસ પગલાં કાર્ય માટે અનિવાર્ય હોય.
• સ્ક્રિપ્ટ્સને બદલે નિયંત્રણોનો ઉપયોગ કરો: મોડેલના દરેક વ્યક્તિગત હલનચલનને સ્ક્રિપ્ટ કરવાનો પ્રયાસ કરવાને બદલે ભૂલો રોકવા માટે કડક સીમાઓનો ઉપયોગ કરો.
• વિશિષ્ટ કમાન્ડ્સનો લાભ લો: જટિલ, બહુ-પગલાંવાળા ટેકનિકલ વર્કફ્લોનું સંચાલન કરવા માટે Codex સ્લેશ કમાન્ડ્સ જેમ કે /plan અને /goal નો ઉપયોગ કરો.