OpenAI चे नवीन प्रॉम्प्टिंग गाईड: पायरी-दर-पायरी स्क्रिप्ट्सऐवजी निकालांवर लक्ष केंद्रित करा

OpenAI ने एक नवीन प्रॉम्प्टिंग फ्रेमवर्क प्रसिद्ध केले आहे जे पारंपारिक "chain-of-thought" कडे पाहण्याचा दृष्टिकोन बदलत आहे. हे फ्रेमवर्क वापरकर्त्यांना कडक सूचनांऐवजी निकालांना प्राधान्य देण्याचे आवाहन करते. हा बदल अधिक अंतर्ज्ञानी (intuitive) आणि तर्कशुद्ध (reasoning-heavy) संवादांकडे झुकणारा आहे, जिथे मॉडेलला कडक स्क्रिप्टऐवजी स्वायत्तता (autonomy) दिली जाते.

प्रभावी प्रॉम्प्टिंगचे चार मुख्य घटक

API पॅरामीटर्सची गुंतागुंतीची मॅन्युअल किंवा तपशीलवार स्कीमा देण्याऐवजी, OpenAI प्रॉम्प्टिंग आर्किटेक्चरला चार पर्यायी घटकांमध्ये सोपे करत आहे: Goal, Context, Output Format, आणि Boundaries. महत्त्वाचे म्हणजे, यांपैकी कोणतेही घटक अनिवार्य नाहीत. साध्या प्रश्नांसाठी, अति-इंजिनिअर केलेल्या सूचना संचापेक्षा अनेकदा छोटा प्रॉम्प्ट अधिक चांगले परिणाम देतो.

या गाईडचे मूळ तत्व "लहान सुरुवात करणे" हे आहे. OpenAI सुचवते की वापरकर्त्यांनी तपशीलवार पायऱ्यांऐवजी अपेक्षित निकालाने सुरुवात करावी. प्रक्रियेऐवजी अंतिम ध्येय वर्णन केल्यामुळे, तुम्ही GPT-4o सारख्या मॉडेल्सना माहिती शोधण्यासाठी, तुलना करण्यासाठी आणि त्यांचा दृष्टिकोन स्वायत्तपणे समायोजित करण्यासाठी परवानगी देता. प्रक्रियेचे तपशीलवार वर्णन तेव्हाच वापरले पाहिजे जेव्हा विशिष्ट कार्यपद्धती अंतिम आउटपुटइतकीच महत्त्वाची असते.

स्क्रिप्टिंगपेक्षा मर्यादांना (Constraints) प्राधान्य

डेव्हलपर्स आणि पॉवर युजर्ससाठी मुख्य निष्कर्ष असा आहे की, पायरी-दर-पायरी स्क्रिप्ट्सपेक्षा मर्यादा (constraints) अधिक प्रभावी ठरतात. AI च्या प्रत्येक हालचालीवर नियंत्रण ठेवण्याचा प्रयत्न करण्याऐवजी, OpenAI नको असलेले वर्तन रोखण्यासाठी एक किंवा दोन "कडक नियम" (hard rules) लागू करण्याची शिफारस करते. उदाहरणादाखल, "मंजूर बजेट आकडे बदलू नका" किंवा "याचा मसुदा तयार करा; ते पाठवू नका" यांसारख्या सूचनांचा समावेश होतो.

हा "कमी म्हणजे जास्त" (less-is-more) दृष्टिकोन कॉन्टेक्स्ट मॅनेजमेंटलाही लागू होतो. गाईडमध्ये केवळ अशाच फाईल्स जोडण्याचा सल्ला दिला आहे—जसे की PDFs, स्प्रेडशीट्स किंवा प्रतिमा—ज्या प्रत्यक्षात उत्तरावर परिणाम करतील. उच्च-स्तरीय व्यावसायिक कामासाठी, OpenAI "self-verification" लूप सुचवते, जिथे तुम्ही मॉडेलला त्याच्या स्वतःच्या आउटपुटमध्ये विशिष्ट चुका तपासण्यास स्पष्टपणे सांगता; उदाहरणार्थ, प्रत्येक कृतीसाठी (action item) नियुक्त मालक आणि डेडलाईन असल्याची खात्री करणे.

"Chat" आणि "Work" मधील फरक आणि Codex मध्ये सुधारणा

OpenAI "Chat" आणि "Work" मधील फरक देखील अधिकृत करत आहे. "Chat" हे जलद प्रश्न आणि शब्दांची फेररचना करण्यासाठी आहे, तर "Work" म्हणजे मोठ्या प्रमाणात कामे (deliverables) तयार करण्यासाठी विविध स्त्रोतांकडून (जसे की Gmail, Slack, किंवा GitHub) माहिती मिळवणारी कठीण कामे आहेत. "Work" टास्कसाठी जास्त क्रेडिट्स लागतात, परंतु ते जटिल आणि वारंवार येणाऱ्या वर्कफ्लोचे ऑटोमेशन करण्यासाठी डिझाइन केलेले आहेत.

Codex वापरणाऱ्या डेव्हलपर्ससाठी, हे गाईड प्रगत steering आणि sandboxing क्षमता सादर करते. वापरकर्ते आता चालू रन पुन्हा निर्देशित करण्यासाठी "Steer" कमांड किंवा पुढील सूचना रांगेत लावण्यासाठी "Queue" वापरू शकतात. जटिल कोडिंग प्रकल्प व्यवस्थापित करण्यासाठी, OpenAI ने विशिष्ट स्लॅश (slash) कमांड्स सादर केल्या आहेत:

• /plan: अंमलबजावणीपूर्वी कोडचे विश्लेषण करते आणि एक दृष्टिकोन सुचवते.
• /goal: एक उच्च-स्तरीय उद्दिष्ट सेट करते ज्याचा मागोवा मॉडेल अनेक पायऱ्यांमध्ये घेते.
• /review: स्थानिक किंवा GitHub-इंटिग्रेटेड सुरक्षा आणि लॉजिक ऑडिटची परवानगी देते.

मुख्य निष्कर्ष

• निकालांना प्राधान्य द्या: अपेक्षित निकालाने सुरुवात करा; जर विशिष्ट पायऱ्या कार्यासाठी आवश्यक असतील तरच प्रक्रिया परिभाषित करा.
• स्क्रिप्ट्सऐवजी मर्यादा वापरा: मॉडेलच्या प्रत्येक हालचालीची स्क्रिप्ट करण्याचा प्रयत्न करण्याऐवजी, चुका टाळण्यासाठी कडक मर्यादा (hard boundaries) वापरा.
• विशेष कमांड्सचा वापर करा: जटिल, बहु-स्तरीय तांत्रिक वर्कफ्लो व्यवस्थापित करण्यासाठी Codex स्लॅश कमांड्स जसे की /plan आणि /goal चा वापर करा.