एजेंटिक इंजीनियरिंग का उदय: प्रॉम्प्ट ऋण (Prompt Debt)
साधारण अंग्रेजी में प्रॉम्प्ट लिखना जादू जैसा लगता है। आप जो चाहते हैं उसे टाइप करते हैं, और एक प्रोटोटाइप सामने आ जाता है। लेकिन दीर्घकालिक प्रणालियों (long-term systems) के लिए, यह जादू एक जाल बन जाता है।
संभावना है कि आप प्रॉम्प्ट ऋण (prompt debt) जमा कर रहे हैं।
प्रॉम्प्ट ऋण तब होता है जब आप सटीक इंजीनियरिंग का उपयोग करने के बजाय मॉडल को नियंत्रित करने के लिए प्राकृतिक भाषा (natural language) का उपयोग करते हैं। इससे तीन बड़ी समस्याएँ पैदा होती हैं:
- इटरेशन (Iteration) धीमा हो जाता है। आप एक त्रुटि को ठीक करने के लिए अधिक टेक्स्ट जोड़ते हैं, लेकिन वह टेक्स्ट किसी और चीज़ को खराब कर देता है। जल्द ही, आपका प्रॉम्प्ट दोहराए गए निर्देशों का एक ढेर बन जाता है।
- आपकी टीम नियंत्रण खो देती है। बड़े अक्षरों (all-caps) वाली चेतावनियों और एज केस (edge cases) से भरा प्रॉम्प्ट किसी सहकर्मी के लिए पढ़ना या प्रबंधित करना असंभव होता है।
- आप एक ही मॉडल तक सीमित हो जाते हैं। एक मॉडल के लिए ट्यून किया गया प्रॉम्प्ट अक्सर नए और बेहतर संस्करण पर विफल हो जाता है। टीमें पुराने, महंगे मॉडलों पर ही अटकी रहती हैं क्योंकि उन्हें अपना सिस्टम खराब होने का डर होता है।
ऐसा इसलिए होता है क्योंकि आप 'वेट्स' (weights) से लड़ रहे होते हैं। जब कोई मॉडल आपके निर्देश का विरोध करता है, तो आप उसे दोहराते हैं। हर दोहराया गया या जोर दिया गया निर्देश एक 'स्कार टिश्यू' (scar tissue) की तरह है। यह दर्शाता है कि मॉडल का प्रशिक्षण आपके इरादे के विरुद्ध काम कर रहा है।
इंजीनियरिंग के लिए प्राकृतिक भाषा बहुत अनिश्चित है। शब्दों में छोटे बदलाव मॉडल के व्यवहार को पूरी तरह बदल सकते हैं। यहाँ तक कि प्रॉम्प्ट में दिए गए असंबंधित तथ्य भी मॉडल की प्रतिक्रिया को बदल सकते हैं।
आप इसे कैसे ठीक कर सकते हैं?
आपको हाथ से प्रॉम्प्ट लिखना बंद करना होगा और मापों (measurements) के साथ व्यवहार को निर्दिष्ट करना शुरू करना होगा।
- प्रॉम्प्ट एक पैराग्राफ है जिसके पीछे आप उम्मीद करते हैं कि मॉडल उसका पालन करेगा।
- एक मेट्रिक (metric) एक अनुबंध है जिसे मॉडल को पूरा करना ही होगा।
इंजीनियरिंग का भविष्य "प्रॉम्प्टिंग" से "प्रोग्रामिंग" की ओर बढ़ रहा है। DSPy और GEPA जैसे टूल आपको एक लक्ष्य और एक मेट्रिक परिभाषित करने की अनुमति देते हैं। इसके बाद सिस्टम उस लक्ष्य को पूरा करने के लिए सबसे अच्छा प्रॉम्प्ट खोजता है।
यह प्रॉम्प्टिंग को एक 'कंपाइल्ड आर्टिफैक्ट' (compiled artifact) में बदल देता है। यदि कोई नया, सस्ता मॉडल आता है, तो आप घबराते नहीं हैं। आप बस नए मॉडल के विरुद्ध अपने मेट्रिक्स चलाते हैं और प्रॉम्प्ट को फिर से जनरेट करते हैं।
जिस तरह इंजीनियर असेंबली भाषा से कंपाइलर की ओर बढ़े, उसी तरह AI इंजीनियरों को स्ट्रिंग्स को हाथ से ट्यून करने के बजाय मेट्रिक्स को ऑप्टिमाइज़ करने की ओर बढ़ना चाहिए।
मॉडल को जादुई शब्दों से फुसलाना बंद करें। मापने योग्य विशिष्टताओं (measurable specifications) के साथ निर्माण करना शुरू करें।
वैकल्पिक लर्निंग कम्युनिटी: https://t.me/GyaanSetuAi