Claude Fable 5 ನಲ್ಲಿ ಪರಿಣತಿ ಪಡೆಯುವುದು: ನಿಮ್ಮ ಅಜ್ಞಾತ ಅಂಶಗಳನ್ನು (Blind Spots) ಪತ್ತೆಹಚ್ಚುವ ಮೂಲಕ ಪ್ರಾಂಪ್ಟ್ ಮಾಡುವುದು ಹೇಗೆ

AI ಮಾದರಿಗಳು ಸರಳ ಚಾಟ್‌ಬಾಟ್‌ಗಳಿಂದ ಅತ್ಯಾಧುನಿಕ ಏಜೆಂಟಿಕ್ ಕೋಡರ್‌ಗಳಾಗಿ ವಿಕಸನಗೊಳ್ಳುತ್ತಿದ್ದಂತೆ, ಉತ್ಪಾದಕತೆಯ ಅಡಚಣೆಯು ಮಾದರಿಯ ಸಾಮರ್ಥ್ಯದಿಂದ ಬಳಕೆದಾರರ ಸ್ಪಷ್ಟತೆಯ ಕಡೆಗೆ ಬದಲಾಗುತ್ತಿದೆ. Claude ನ Fable 5 ಆಗಮನದೊಂದಿಗೆ, ಮಿತಿಯ ಅಂಶವು AI ನ ಬುದ್ಧಿವಂತಿಕೆಯಲ್ಲ, ಬದಲಾಗಿ ಬಳಕೆದಾರರು ತಮ್ಮದೇ ಆದ "ಅಜ್ಞಾತಗಳನ್ನು" (unknowns) ಗುರುತಿಸುವ ಸಾಮರ್ಥ್ಯವಾಗಿದೆ ಎಂದು Anthropic ಅಭಿವರ್ಧಕ Thariq Shihipar ಸೂಚಿಸುತ್ತಾರೆ.

ಪ್ರಾಂಪ್ಟಿಂಗ್‌ನಲ್ಲಿ ಜ್ಞಾನದ ನಾಲ್ಕು ಚತುರ್ಥಾಂಶಗಳು (Quadrants)

Fable 5 ನಲ್ಲಿ ಪರಿಣತಿ ಪಡೆಯಲು, ಕಳಪೆ ಪ್ರಾಂಪ್ಟಿಂಗ್‌ನ ತಪ್ಪುಗಳನ್ನು ತಪ್ಪಿಸಲು ಅಭಿವರ್ಧಕರು ತಮ್ಮ ಜ್ಞಾನವನ್ನು ವರ್ಗೀಕರಿಸಬೇಕು ಎಂದು Shihipar ವಾದಿಸುತ್ತಾರೆ. ಅವರು ಜ್ಞಾನದ ಕೊರತೆಯನ್ನು ನಾಲ್ಕು ವಿಭಿನ್ನ ವರ್ಗಗಳಾಗಿ ವಿಂಗಡಿಸುತ್ತಾರೆ:

• Known Knowns (ತಿಳಿದಿರುವ ವಿಷಯಗಳು): ನಿಮ್ಮ ಪ್ರಾಂಪ್ಟ್‌ನಲ್ಲಿ ಈಗಾಗಲೇ ಇರುವ ಸ್ಪಷ್ಟ ಸೂಚನೆಗಳು ಮತ್ತು ಡೇಟಾ.
• Known Unknowns (ತಿಳಿದಿರುವ ಅಜ್ಞಾತಗಳು): ನೀವು ಇನ್ನೂ ಪರಿಹರಿಸಿಲ್ಲ ಎಂದು ನಿಮಗೆ ತಿಳಿದಿರುವ ನಿರ್ದಿಷ್ಟ ಪ್ರಶ್ನೆಗಳು ಅಥವಾ ಕೊರತೆಗಳು.
• Unknown Knowns (ತಿಳಿಯದಿದ್ದರೂ ತಿಳಿದಿರುವ ವಿಷಯಗಳು): ಅಷ್ಟೊಂದು ಸ್ಪಷ್ಟವಾದ ಅಂತಃಪ್ರಜ್ಞೆಯ ಜ್ಞಾನವಿದು, ಅದನ್ನು ಬರೆಯಬೇಕೆಂದು ನೀವು ಯೋಚಿಸುವುದಿಲ್ಲ, ಆದರೆ ನೋಡಿದ ತಕ್ಷಣ ಅದನ್ನು ಗುರುತಿಸುತ್ತೀರಿ.
• Unknown Unknowns (ತಿಳಿಯದ ಅಜ್ಞಾತಗಳು): ಅತ್ಯಂತ ಅಪಾಯಕಾರಿ ವರ್ಗ—ನೀವು ಪರಿಗಣಿಸದ ನಿರ್ಣಾಯಕ ಅಂಶಗಳು, ಎಡ್ಜ್ ಕೇಸ್‌ಗಳು (edge cases) ಅಥವಾ ಆರ್ಕಿಟೆಕ್ಚರಲ್ ಅವಶ್ಯಕತೆಗಳು.

ಬಳಕೆದಾರರು ಇವುಗಳನ್ನು ಪರಿಗಣಿಸಲು ವಿಫಲವಾದಾಗ, ಅವರು ಒಂದು ಬಲೆಯಲ್ಲಿ ಬೀಳುತ್ತಾರೆ: ಅತಿಯಾದ ನಿರ್ದಿಷ್ಟತೆಯು ಉತ್ತಮ ಮಾರ್ಗವಿದ್ದರೂ ಸಹ Fable 5 ಸೂಚನೆಗಳನ್ನು ಕಟ್ಟುನಿಟ್ಟಾಗಿ ಅನುಸರಿಸುವಂತೆ ಮಾಡುತ್ತದೆ, ಹಾಗೆಯೇ ಅತಿಯಾದ ಅಸ್ಪಷ್ಟತೆಯು ಮಾದರಿಯು ನಿರ್ದಿಷ್ಟ ಕಾರ್ಯಕ್ಕೆ ಹೊಂದಿಕೆಯಾಗದ ಕೈಗಾರಿಕಾ ಡಿಫಾಲ್ಟ್‌ಗಳ (industry defaults) ಮೇಲೆ ಅವಲಂಬಿತವಾಗುವಂತೆ ಮಾಡುತ್ತದೆ.

ಅಜ್ಞಾತಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಕಾರ್ಯತಂತ್ರದ ತಂತ್ರಗಳು

ನೇರವಾಗಿ ಅನುಷ್ಠಾನಕ್ಕೆ (implementation) ಹೋಗುವ ಬದಲು, Shihipar "blindspot pass" ಅನ್ನು ಶಿಫಾರಸು ಮಾಡುತ್ತಾರೆ. ಇದು ಒಂದು ಸಾಲು ಕೋಡ್ ಬರೆಯುವ ಮೊದಲು ನಿಮ್ಮ ಮಾನಸಿಕ ಮಾದರಿಯನ್ನು (mental model) ಪರಿಶೀಲಿಸಲು Claude ಅನ್ನು ಬಳಸುವುದನ್ನು ಒಳಗೊಂಡಿದೆ. ಉದಾಹರಣೆಗೆ, ಪರಿಚಯವಿಲ್ಲದ ಕೋಡ್‌ಬೇಸ್‌ನಲ್ಲಿ ಕೆಲಸ ಮಾಡುತ್ತಿದ್ದರೆ, ನೀವು Claude ಗೆ ಹೀಗೆ ಪ್ರಾಂಪ್ಟ್ ಮಾಡಬಹುದು: "ನಾನು ಹೊಸ auth provider ಅನ್ನು ಸೇರಿಸುವ ಕೆಲಸ ಮಾಡುತ್ತಿದ್ದೇನೆ, ಆದರೆ ಈ ಕೋಡ್‌ಬೇಸ್‌ನಲ್ಲಿರುವ auth modules ಬಗ್ಗೆ ನನಗೆ ಏನೂ ತಿಳಿದಿಲ್ಲ. ನನ್ನ ಸಂಬಂಧಿತ unknown unknowns ಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ನೀವು blindspot pass ಮಾಡಬಲ್ಲಿರಾ?"

ಇತರ ಹೆಚ್ಚಿನ ಪ್ರಯೋಜನಕಾರಿಯಾದ ತಂತ್ರಗಳು ಇಲ್ಲಿವೆ:

• Structured Interviews (ರಚನಾತ್ಮಕ ಸಂದರ್ಶನಗಳು): ಸಿಸ್ಟಮ್ ಆರ್ಕಿಟೆಕ್ಚರ್ ಅನ್ನು ಮೂಲಭೂತವಾಗಿ ಬದಲಾಯಿಸಬಹುದಾದ ಅಸ್ಪಷ್ಟತೆಗೆ ಆದ್ಯತೆ ನೀಡುತ್ತಾ, ಪ್ರಶ್ನೆ-ಪ್ರಶ್ನೆಯ ಮೂಲಕ ನಿಮ್ಮನ್ನು ಸಂದರ್ಶನ ಮಾಡಲು Claude ಗೆ ಕೇಳುವುದು.
• Rapid Prototyping (ವೇಗದ ಪ್ರೊಟೊಟೈಪಿಂಗ್): Claude ಮೂಲಕ ಸಂಪೂರ್ಣವಾಗಿ ವಿಭಿನ್ನ ವಿನ್ಯಾಸದ ದಿಕ್ಕುಗಳನ್ನು ರಚಿಸಲು HTML artifacts ಬಳಸುವುದು, ಇದು ದೃಶ್ಯ ರೂಪದ "unknown knowns" ಗೆ ಪ್ರತಿಕ್ರಿಯಿಸಲು ನಿಮಗೆ ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.
• Implementation Planning (ಅನುಷ್ಠಾನ ಯೋಜನೆ): ಮೆಕ್ಯಾನಿಕಲ್ ರಿಫ್ಯಾಕ್ಟರಿಂಗ್‌ಗೆ ಹೋಗುವ ಮೊದಲು ಡೇಟಾ ಮಾಡೆಲ್‌ಗಳು ಮತ್ತು ಟೈಪ್ ಇಂಟರ್‌ಫೇಸ್‌ಗಳಂತಹ ಅಸ್ಥಿರ ಘಟಕಗಳಿಗೆ ಆದ್ಯತೆ ನೀಡುವ ಯೋಜನೆಯನ್ನು ರಚಿಸಲು Claude ಗೆ ಸೂಚಿಸುವುದು.

ಲೂಪ್ ಮುಕ್ತಾಯಗೊಳಿಸುವುದು: ದಾಖಲೀಕರಣ ಮತ್ತು ಪರಿಶೀಲನೆ

ಕೋಡ್ ಜನರೇಟ್ ಆದ ನಂತರ ಪ್ರಾಂಪ್ಟಿಂಗ್ ಪ್ರಕ್ರಿಯೆಯು ಕೊನೆಗೊಳ್ಳುವುದಿಲ್ಲ. ಕಾರ್ಯಗತಗೊಳಿಸುವಾಗ (execution) ಹೊರಹೊಮ್ಮುವ ಅಜ್ಞಾತಗಳನ್ನು ನಿರ್ವಹಿಸಲು, implementation-notes.md ಫೈಲ್ ಅನ್ನು ನಿರ್ವಹಿಸಲು Claude Code ಅನ್ನು ಬಳಸಲು Shihipar ಸೂಚಿಸುತ್ತಾರೆ. ಇದು ತೆಗೆದುಕೊಳ್ಳಲಾದ ಪ್ರತಿಯೊಂದು ನಿರ್ಧಾರವನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡುತ್ತದೆ, ಇದರಿಂದಾಗಿ ಒಂದು ಕೆಲಸ ತಪ್ಪಾದಲ್ಲಿ, ಅದರ ಹಿಂದಿನ ತರ್ಕವು (reasoning) ಉಳಿದಿರುತ್ತದೆ.

ಕೋಡ್ ಅನ್ನು ಮರ್ಜ್ (merge) ಮಾಡುವ ಮೊದಲು ಸಂಪೂರ್ಣ ತಿಳುವಳಿಕೆಯನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು, Shihipar "ಕ್ವಿಜ್" (quiz) ವಿಧಾನವನ್ನು ಬಳಸುತ್ತಾರೆ. Claude ಎಲ್ಲಾ ಬದಲಾವಣೆಗಳು ಮತ್ತು ಒಳನೋಟಗಳನ್ನು ವಿವರಿಸುವ HTML ವರದಿಯನ್ನು ಸಿದ್ಧಪಡಿಸುತ್ತದೆ, ನಂತರ ಅಭಿವರ್ಧಕನಿಗಾಗಿ ಒಂದು ರಸಪ್ರಶ್ನೆ ಇರುತ್ತದೆ. ಅವರು ಒಂದು ಕಟ್ಟುನಿಟ್ಟಿನ ನಿಯಮವನ್ನು ಹೊಂದಿದ್ದಾರೆ: ರಸಪ್ರಶ್ನೆಯಲ್ಲಿ ತಪ್ಪುಗಳಿಲ್ಲದೆ ಉತ್ತರಿಸುವವರೆಗೆ ಕೋಡ್ ಅನ್ನು ಮರ್ಜ್ ಮಾಡಬೇಡಿ. ಇದು ಅಭಿವರ್ಧಕರು ಪ್ರಾಜೆಕ್ಟ್‌ನ "ಅಜ್ಞಾತಗಳನ್ನು" "ತಿಳಿದಿರುವ ವಿಷಯಗಳ" ವ್ಯಾಪ್ತಿಗೆ ತರಿದ್ದಾರೆ ಎಂಬುದನ್ನು ಖಚಿತಪಡಿಸುತ್ತದೆ.

ಪ್ರಮುಖ ಅಂಶಗಳು

• "Unknown Unknowns" ಮೇಲೆ ಗಮನಹರಿಸಿ: Fable 5 ನೊಂದಿಗೆ ಸುಧಾರಿತ ಪ್ರಾಂಪ್ಟಿಂಗ್ ಮಾಡುವ ಗುರಿಯೆಂದರೆ ನೀವು ಕೇಳಲು ಯೋಚಿಸದ ವಿಷಯಗಳನ್ನು ಬಹಿರಂಗಪಡಿಸಲು AI ಅನ್ನು ಬಳಸುವುದು.
• ನಿರ್ದಿಷ್ಟತೆಯ ಬಲೆಯಲ್ಲಿ ಬೀಳಬೇಡಿ: AI ಗೆ ತರ್ಕಬದ್ಧವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಲು ಸಾಧ್ಯವಾಗದಷ್ಟು ಕಟ್ಟುನಿಟ್ಟಾಗಿ ಅಥವಾ ಸಾಮಾನ್ಯ ಪರಿಹಾರಗಳಿಗೆ ಮಾರುಹೋಗುವಷ್ಟು ಅಸ್ಪಷ್ಟವಾಗಿರದಂತೆ ನಿಮ್ಮ ಪ್ರಾಂಪ್ಟ್‌ಗಳನ್ನು ಸಮತೋಲನಗೊಳಿಸಿ.
• ಪರಿಶೀಲನಾ ಕಾರ್ಯವಿಧಾನವನ್ನು ಅನುಷ್ಠಾನಗೊಳಿಸಿ: AI-ಜನರೇಟ್ ಮಾಡಿದ ಕೋಡ್ ಅನ್ನು ಪರಿಣತಿ ಹೊಂದಿದ ಜ್ಞಾನವನ್ನಾಗಿ ಪರಿವರ್ತಿಸಲು ಅನುಷ್ಠಾನ ಟಿಪ್ಪಣಿಗಳು (implementation notes), ರಚನಾತ್ಮಕ ಸಂದರ್ಶನಗಳು ಮತ್ತು ಅನುಷ್ಠಾನದ ನಂತರದ ರಸಪ್ರಶ್ನೆಗಳನ್ನು ಬಳಸಿ.