ഞാൻ മികച്ച പ്രോംപ്റ്റുകൾ എഴുതുന്നത് നിർത്തി. പകരം മികച്ച AI സ്കില്ലുകൾ രൂപകൽപ്പന ചെയ്യാൻ തുടങ്ങി.

ആളുകൾ രണ്ട് വർഷത്തോളം പ്രോംപ്റ്റ് എൻജിനീയറിംഗിൽ (prompt engineering) മുഴുകി കഴിഞ്ഞു. മികച്ച പ്രോംപ്റ്റുകളിലൂടെ മികച്ച മറുപടികൾ ലഭിക്കണമെന്നതായിരുന്നു അവരുടെ ലക്ഷ്യം.

AI കോഡിംഗ് ഏജന്റുകളുമായി (AI coding agents) പ്രവർത്തിച്ചതിന് ശേഷം ഞാൻ മറ്റൊരു കാര്യം തിരിച്ചറിഞ്ഞു. ഭാവി മികച്ച പ്രോംപ്റ്റുകളിലല്ല. മറിച്ച്, വീണ്ടും ഉപയോഗിക്കാൻ കഴിയുന്ന (reusable) AI ശേഷികൾ രൂപകൽപ്പന ചെയ്യുന്നതിലാണ്.

Claude Skills ഈ മാറ്റത്തെ പ്രതിനിധീകരിക്കുന്നു.

നമ്മൾ പലപ്പോഴും വലിയ പ്രോംപ്റ്റുകളാണ് എഴുതാറുള്ളത്. ഒരു ആർക്കിടെക്റ്റ് ആയി പ്രവർത്തിക്കാൻ നിങ്ങൾ AI-യോട് ആവശ്യപ്പെടുന്നു. TypeScript ഉപയോഗിക്കാൻ പറയുന്നു. ടെസ്റ്റുകൾ എഴുതാൻ പറയുന്നു. ഇത് ഒരു തവണ നന്നായി പ്രവർത്തിക്കും. എന്നാൽ അടുത്ത ദിവസം അതേ വലിയ ടെക്സ്റ്റ് തന്നെ വീണ്ടും പേസ്റ്റ് ചെയ്യേണ്ടി വരും. ഒടുവിൽ, നിങ്ങളുടെ പ്രോംപ്റ്റ് 700 വരികളുള്ള ഒരു ഡോക്യുമെന്റായി മാറും. അത് പരിപാലിക്കാൻ (maintain ചെയ്യാൻ) ആരും ആഗ്രഹിക്കില്ല.

ഓരോ തവണയും AI എങ്ങനെ പ്രവർത്തിക്കണം എന്ന് പറഞ്ഞു കൊണ്ടിരിക്കുന്നത് നിർത്തുക. ആ അറിവ് ഒരു തവണ പാക്കേജ് (package) ചെയ്യുക.

ഒരു പ്രോംപ്റ്റ് ഒരു സംഭാഷണത്തിന് മാത്രമേ ഉപയോഗിക്കാൻ കഴിയൂ. എന്നാൽ ഒരു സ്കിൽ (skill) പരിധിയില്ലാത്ത സംഭാഷണങ്ങൾക്ക് ഉപയോഗിക്കാം.

മികച്ച സ്കില്ലുകൾ സോഫ്റ്റ്‌വെയർ എൻജിനീയറിംഗ് തത്വങ്ങൾ പിന്തുടരുന്നു.

  • മോശം സ്കിൽ: ഡെവലപ്‌മെന്റിന് സഹായിക്കുന്നു.
  • നല്ല സ്കിൽ: PDF ഫോമുകളിൽ നിന്ന് ഘടനാപരമായ ഡാറ്റ (structured data) വേർതിരിച്ചെടുക്കുന്നു.

ഒരു നല്ല സ്കിൽ ഒരു ജോലി കൃത്യമായി ചെയ്യുന്നു.

എല്ലാ കാര്യങ്ങൾക്കും ഒരു വലിയ ഫയൽ ഉപയോഗിക്കരുത്. ഉത്തരവാദിത്തങ്ങൾ വിഭജിക്കുക. റഫറൻസ് ഫയലുകളും സ്ക്രിപ്റ്റുകളും ഉപയോഗിക്കുക. ഇത് സോഫ്റ്റ്‌വെയറിലെ lazy loading പോലെയാണ്. AI-ക്ക് ആവശ്യമുള്ളപ്പോൾ മാത്രം അത് കോൺടെക്സ്റ്റ് (context) ലോഡ് ചെയ്യുന്നു.

കോഡിംഗിലൂടെ കൂടുതൽ നന്നായി ചെയ്യാൻ കഴിയുന്ന കാര്യങ്ങൾ ചെയ്യാൻ AI-യോട് ആവശ്യപ്പെടുന്നത് നിർത്തുക.

  • AI യുക്തിപരമായി ചിന്തിക്കണം (reasoning).
  • കോഡ് കണക്കുകൂട്ടലുകൾ നടത്തണം (computing).

ഒരു PDF പാഴ്സ് (parse) ചെയ്യാൻ AI-യോട് ആവശ്യപ്പെടരുത്. പകരം ഒരു പാഴ്സർ (parser) ഉപയോഗിക്കുക. മൂല്യങ്ങൾ കണക്കാക്കാൻ AI-യോട് ആവശ്യപ്പെടരുത്. Python ഉപയോഗിക്കുക. ഡാറ്റ ക്രമീകരിക്കാൻ (sort) AI-യോട് ആവശ്യപ്പെടരുത്. ഒരു സ്ക്രിപ്റ്റ് പ്രവർത്തിപ്പിക്കുക.

പ്രോഗ്രസീവ് ഡിസ്‌ക്ലോഷർ (progressive disclosure) രീതി ഉപയോഗിക്കുക. ഒരു ഇന്റേണിന് ആദ്യ ദിവസം തന്നെ 500 പേജുള്ള ഒരു മാനുവൽ നൽകരുത്. അവർക്ക് ഒരു പേജ് മാത്രം നൽകുക. അവർക്ക് ആവശ്യമുള്ളപ്പോൾ മാത്രം കൂടുതൽ വിവരങ്ങൾ നൽകുക.

ഇത് താഴെ പറയുന്നവയ്ക്ക് കാരണമാകുന്നു:

  • വേഗത്തിലുള്ള മറുപടികൾ
  • കുറഞ്ഞ ടോക്കൺ ഉപയോഗം (token usage)
  • മികച്ച ശ്രദ്ധ (focus)
  • കുറഞ്ഞ ഹാളുസിനേഷൻ (hallucination)

പല ഡെവലപ്പർമാരും ഒരു 'സൂപ്പർ പ്രോംപ്റ്റ്' നിർമ്മിക്കാൻ ശ്രമിക്കാറുണ്ട്. വെബ്‌സൈറ്റുകൾ നിർമ്മിക്കാനും, ബാക്കെൻഡ് എഴുതാനും, ബഗുകൾ പരിഹരിക്കാനും ഒരൊറ്റ പ്രോംപ്റ്റ് മതിയാകണമെന്ന് അവർ ആഗ്രഹിക്കുന്നു. ഇത് മോശം ഡിസൈൻ ആണ്. എല്ലാം ചെയ്യുന്ന ഒരൊറ്റ ക്ലാസ് (class) എഴുതുന്നതുപോലെയാണിത്.

ചെറിയതും കൃത്യമായ ലക്ഷ്യങ്ങളുള്ളതുമായ സ്കില്ലുകളാണ് കൂടുതൽ ഫലപ്രദം.

ഒരു സ്കില്ലിന്റെ ഉദ്ദേശ്യം ഒരു വാചകത്തിൽ വിശദീകരിക്കാൻ നിങ്ങൾക്ക് കഴിയുന്നില്ലെങ്കിൽ, അത് ഒരുപാട് കാര്യങ്ങൾ ചെയ്യാൻ ശ്രമിക്കുന്നു എന്നാണ് അർത്ഥം.

നമ്മൾ സോഫ്റ്റ്‌വെയർ നിർമ്മിക്കുന്നതിൽ നിന്ന് പെരുമാറ്റരീതികൾ (behavior) രൂപകൽപ്പന ചെയ്യുന്നതിലേക്ക് മാറുകയാണ്. നമ്മുടെ പുതിയ സ്റ്റാക്ക് (stack) ഇപ്രകാരമാണ്:

  • Frontend
  • Backend
  • AI Agent
  • Skills
  • Tools

സ്കില്ലുകൾ AI-യെ സ്വയംഭരണാധികാരമുള്ളതാക്കുന്നില്ല (autonomous). അവ വൈദഗ്ധ്യം (expertise) ഉൾക്കൊള്ളുന്നു. ആർക്കിടെക്ചർ, സുരക്ഷ, ഗുണനിലവാരം എന്നിവ നിങ്ങൾ തന്നെയാണ് തീരുമാനിക്കുന്നത്. സ്കില്ലുകൾ ആ തീരുമാനങ്ങളെ പാക്കേജ് ചെയ്യുന്നു.

ചോദ്യങ്ങൾ എങ്ങനെ ചോദിക്കണമെന്ന് പ്രോംപ്റ്റ് എൻജിനീയറിംഗ് നമ്മെ പഠിപ്പിച്ചു. പ്രശ്നങ്ങൾ എങ്ങനെ പരിഹരിക്കണമെന്ന് സ്കിൽ എൻജിനീയറിംഗ് AI-യെ പഠിപ്പിക്കുന്നു.

AI രംഗത്തെ വിജയികൾക്ക് ഏറ്റവും ബുദ്ധിയുള്ള മോഡലുകൾ മാത്രമല്ല ഉണ്ടാവുക. മറിച്ച്, വീണ്ടും ഉപയോഗിക്കാൻ കഴിയുന്ന അറിവിന്റെ (reusable knowledge) മികച്ച ശേഖരം അവർക്കുണ്ടാകും.

Source: https://dev.to/himanshudevgupta/i-stopped-writing-better-prompts-i-started-designing-better-ai-skills-5ckj

Optional learning community: https://t.me/GyaanSetuAi