ChatGPT ਤੋਂ AI Agents ਤੱਕ: ਇੱਕ ਇੰਜੀਨੀਅਰ ਵਜੋਂ ਦੋ ਸਾਲ
ਦੋ ਸਾਲ ਪਹਿਲਾਂ, ਮੈਂ ਸਿਰਫ਼ ਸਵਾਲ ਪੁੱਛਣ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਸੀ।
ਅੱਜ, ਮੈਂ ਕਈ coding agents ਨੂੰ ਸੰਚਾਲਿਤ (orchestrate) ਕਰਦਾ ਹਾਂ। ਮੈਂ MCP ਰਾਹੀਂ ਕੰਪਨੀ ਦੇ ਗਿਆਨ ਨੂੰ ਜੋੜਦਾ ਹਾਂ। ਮੈਂ iOS ਐਪਸ ਵਿੱਚ local models ਚਲਾਉਂਦਾ ਹਾਂ। ਮੈਂ ਇੱਕ memory layer ਬਣਾਈ ਰੱਖਦਾ ਹਾਂ ਤਾਂ ਜੋ agents ਮਿਲ ਕੇ ਕੰਮ ਕਰ ਸਕਣ।
ਮੈਂ ਕੋਈ AI researcher ਨਹੀਂ ਹਾਂ। ਮੈਂ ਇੱਕ ਆਮ ਇੰਜੀਨੀਅਰ ਹਾਂ ਜਿਸ ਨੇ ਲਗਾਤਾਰ ਪ੍ਰਯੋਗ ਕੀਤੇ।
ਇੱਥੇ ਚੈਟ ਤੋਂ agents ਤੱਕ ਦਾ ਮੇਰਾ ਸਫ਼ਰ ਹੈ।
Stage 1: ਭਰੋਸੇਯੋਗਤਾ ਦੀ ਕਮੀ (Reliability Gap) ਸ਼ੁਰੂ ਵਿੱਚ, AI ਜਾਦੂ ਵਾਂਗ ਲੱਗਦਾ ਸੀ। ਫਿਰ, ਇਹ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਲੱਗਿਆ। Models ਅਕਸਰ ਬਹੁਤ ਭਰੋਸੇ ਨਾਲ ਗਲਤ ਜਾਣਕਾਰੀ ਦਿੰਦੇ ਹਨ। ਮੈਂ ਇੱਕ ਸਖ਼ਤ ਸਬਕ ਸਿੱਖਿਆ: ਇੱਕ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਲੱਗਣ ਵਾਲਾ ਜਵਾਬ, ਭਰੋਸੇਯੋਗ ਨਤੀਜਾ ਨਹੀਂ ਹੁੰਦਾ।
Stage 2: ਇੱਕ ਸਾਥੀ ਵਜੋਂ AI Cursor ਵਰਗੇ ਟੂਲਸ ਨੇ ਸਭ ਕੁਝ ਬਦਲ ਦਿੱਤਾ। AI ਇੱਕ ਵੱਖਰੇ ਚੈਟ ਵਿੰਡੋ ਤੋਂ ਹਟ ਕੇ ਮੇਰੇ code editor ਦੇ ਅੰਦਰ ਆ ਗਿਆ। Feedback loop ਬਹੁਤ ਛੋਟਾ ਹੋ ਗਿਆ: • ਇੱਕ ਵਿਚਾਰ ਦਾ ਵਰਣਨ ਕਰੋ। • ਕੋਡ ਤਿਆਰ ਕਰੋ। • ਚਲਾਓ ਅਤੇ ਅਸਫਲਤਾ ਦੇਖੋ। • ਸੁਧਾਰ ਲਈ ਪੁੱਛੋ। • ਦੁਹਰਾਓ।
ਇਸ ਨਾਲ prototypes ਬਣਾਉਣ ਦੀ ਲਾਗਤ ਘਟ ਗਈ। ਛੋਟੇ ਵਿਚਾਰ ਹੁਣ setup ਜਾਂ configuration ਦੌਰਾਨ ਖ਼ਤਮ ਨਹੀਂ ਹੁੰਦੇ। ਉਹ ਅਸਲ ਵਿੱਚ ਅੰਤਿਮ ਮੰਜ਼ਿਲ ਤੱਕ ਪਹੁੰਚਦੇ ਹਨ।
ਮੈਂ ਸਿੱਖਿਆ ਕਿ Context ਹੀ ਸਭ ਕੁਝ ਹੈ ਸ਼ੁਰੂਆਤ ਵਿੱਚ, agents ਫੈਸਲੇ ਭੁੱਲ ਜਾਂਦੇ ਸਨ ਜਾਂ architecture ਨੂੰ ਵਿਗਾੜ ਦਿੰਦੇ ਸਨ। ਮੈਂ "prompt engineering" 'ਤੇ ਧਿਆਨ ਦੇਣਾ ਬੰਦ ਕਰ ਦਿੱਤਾ ਅਤੇ "context engineering" ਸ਼ੁਰੂ ਕਰ ਦਿੱਤੀ। ਮੈਂ ਆਪਣੇ agents ਲਈ ਸਖ਼ਤ ਨਿਯਮ ਲਿਖਣੇ ਸ਼ੁਰੂ ਕੀਤੇ: • ਮੌਜੂਦਾ architecture ਦੀ ਪਾਲਣਾ ਕਰੋ। • ਕੋਡ ਬਦਲਣ ਤੋਂ ਪਹਿਲਾਂ ਯੋਜਨਾ ਸਮਝਾਓ। • ਪੁੱਛੇ ਬਿਨਾਂ ਫਾਈਲਾਂ ਡਿਲੀਟ ਨਾ ਕਰੋ।
ਅਸੀਂ ਸਿਰਫ਼ ਬਿਹਤਰ ਵਾਕ ਨਹੀਂ ਲਿਖ ਰਹੇ ਸੀ। ਅਸੀਂ ਇੱਕ probabilistic system ਲਈ ਇੱਕ ਸਥਿਰ ਮਾਹੌਲ ਬਣਾ ਰਹੇ ਸੀ।
Stage 3: ਚੈਟ ਵਿੰਡੋ ਤੋਂ ਪਰੇ ਮੈਂ web chats ਤੋਂ APIs ਅਤੇ local models ਵੱਲ ਵਧ ਗਿਆ। Desktop 'ਤੇ model ਚਲਾਉਣਾ ਆਸਾਨ ਹੈ। ਇੱਕ mobile app ਦੇ ਅੰਦਰ model ਨੂੰ ਸ਼ਿਪ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੈ। ਅਚਾਨਕ, ਮੈਨੂੰ ਅਸਲ ਇੰਜੀਨੀਅਰਿੰਗ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨਾ ਪਿਆ: • Model ਦਾ ਆਕਾਰ ਅਤੇ memory ਦੀ ਵਰਤੋਂ। • Startup latency। • Offline execution ਅਤੇ device compatibility।
Stage 4: Agent-Driven Workflows ਧਿਆਨ "ਇਹ function ਲਿਖੋ" ਤੋਂ ਹਟ ਕੇ "ਇਸ repository ਨੂੰ ਸਮਝੋ ਅਤੇ ਇਸ ਟੀਚੇ ਨੂੰ ਪੂਰਾ ਕਰੋ" 'ਤੇ ਚਲਾ ਗਿਆ। ਮੈਂ Model Context Protocol (MCP) ਦੀ ਵਰਤੋਂ ਵੀ ਸ਼ੁਰੂ ਕਰ ਦਿੱਤੀ। ਮੈਂ ਆਪਣੀ ਕੰਪਨੀ ਦੇ ਗਿਆਨ ਪਲੇਟਫਾਰਮ ਲਈ ਇੱਕ MCP integration ਬਣਾਇਆ। Agent ਹੁਣ ਕੰਪਨੀ ਦੇ ਦਸ ਸਾਲਾਂ ਦੇ ਡੇਟਾ ਤੱਕ ਪਹੁੰਚ ਸਕਦਾ ਸੀ। ਚੁਣੌਤੀ model intelligence ਤੋਂ ਹਟ ਕੇ system design ਵੱਲ ਚਲੀ ਗਈ।
ਮੇਰੇ ਸਭ ਤੋਂ ਵੱਡੇ ਸਬਕ: • ਕੋਡਿੰਗ ਆਸਾਨ ਹੈ, ਪਰ ਇੰਜੀਨੀਅਰਿੰਗ ਔਖੀ ਹੈ। • AI ਲਾਗੂ ਕਰਨ (implementation) ਦਾ ਕੰਮ ਸੰਭਾਲਦਾ ਹੈ, ਪਰ ਫੈਸਲਾ ਲੈਣ (judgment) ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਤੁਹਾਡੀ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ। • ਤੁਹਾਨੂੰ ਟੀਚਿਆਂ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਅਤੇ ਅਨੁਮਾਨਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। • ਮਲਟੀ-ਏਜੰਟ ਕੰਮ ਲਈ ਇੱਕ ਮੈਮੋਰੀ ਲੇਅਰ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਤਾਂ ਜੋ ਏਜੰਟਾਂ ਨੂੰ ਦੁਬਾਰਾ ਸ਼ੁਰੂ ਕੀਤੇ ਬਿਨਾਂ ਕੰਮ ਸੌਂਪਿਆ ਜਾ ਸਕੇ।
AI ਲਾਗੂ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸਸਤਾ ਬਣਾ ਦਿੰਦਾ ਹੈ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਹੁਣ ਪ੍ਰਯੋਗ ਕਰਨਾ ਮੁਫ਼ਤ ਹੈ। ਅਸਲ ਕੰਮ ਇਹ ਫੈਸਲਾ ਕਰਨਾ ਹੈ ਕਿ ਕਿਹੜੇ ਵਿਚਾਰ ਅਸਲ ਵਿੱਚ ਬਣਾਉਣ ਦੇ ਯੋਗ ਹਨ।
ਵਿਕਲਪਿਕ ਲਰਨਿੰਗ ਕਮਿਊਨਿਟੀ: https://t.me/GyaanSetuAi