మీరు రెండు JavaScript ఫ్రేమ్‌వర్క్‌ల మధ్య ఎంపిక చేయడంలో ఇబ్బంది పడుతున్నప్పుడు లేదా మీ తదుపరి ప్రాజెక్ట్ కోసం ఒక ఆర్కెస్ట్రేషన్ లైబ్రరీని ఎంచుకోవడానికి ప్రయత్నిస్తున్నప్పుడు, AIని అడగడం సహజంగా అనిపిస్తుంది. మీరు ఒక స్పష్టమైన, ఖచ్చితమైన సమాధానాన్ని ఆశిస్తారు. కానీ మీకు లభించే సమాధానం మీరు ఏ చాట్ విండోను తెరిచారు అనే దానిపై ఎక్కువగా ఆధారపడి ఉంటుంది.

సారా పాన్ చేసిన ప్రత్యక్ష పోలిక దీనిని స్పష్టం చేస్తుంది. ఈ మోడల్స్ ఒకే రకమైన టూల్స్‌ను సూచిస్తాయా లేదా అని చూడాలని ఆమె ChatGPT మరియు Gemini రెండింటి ద్వారా ఐదు డెవలపర్ కేటగిరీలలో ఇరవై ఒకే రకమైన ప్రాంప్ట్‌లను రన్ చేశారు. అవి ఒకేలా లేవు. ఈ ఫలితాలు ఏ ఫ్రేమ్‌వర్క్ వస్తుగతపరంగా ఉత్తమమైనదో చెప్పడం కంటే, ప్రతి మోడల్ ఎలా ఆలోచిస్తుంది, దేనికి ప్రాధాన్యత ఇస్తుంది మరియు దాని పరిమితులు (blind spots) ఎక్కడ ఉన్నాయనే దాని గురించి ఎక్కువ తెలియజేస్తున్నాయి.

ఉమ్మడి అంశం: నిరూపితమైన టూల్స్

రెండు మోడల్స్ ఒకే అభిప్రాయాన్ని వ్యక్తం చేసే ఒకే ఒక్క రంగం ఉంది. స్థిరపడిన, విస్తృతంగా ఉపయోగించబడే టూల్స్ గురించి మాట్లాడేటప్పుడు, వాటి మధ్య ఏకాభిప్రాయం దాదాపు ఆటోమేటిక్‌గా ఉంటుంది. వెర్షన్ కంట్రోల్, రిలేషనల్ డేటాబేస్‌లు, కంటైనరైజేషన్ లేదా ఫౌండేషనల్ ఫ్రంటెండ్ ఫ్రేమ్‌వర్క్‌ల గురించి అడిగితే, ChatGPT మరియు Gemini రెండూ ఒకే పేర్లను సూచిస్తాయి. Git, Docker, PostgreSQL, React—వేలాది బ్లాగ్ పోస్ట్‌లు, కాన్ఫరెన్స్ టాక్లు మరియు GitHub ఇష్యూలలో విశ్లేషించబడిన టూల్స్—నిలకడగా కనిపిస్తాయి.

ఈ ఏకాభిప్రాయం ఉండటానికి కారణం, ఈ టూల్స్‌కు వాదించడానికి వీలులేని వస్తుగత ఆధారాలు (objective footprints) ఉండటం. వీటికి డాక్యుమెంట్ చేయబడిన వైఫల్య విధానాలు, భారీ ఇన్‌స్టాల్ బేస్‌లు మరియు సూక్ష్మమైన లాభనష్టాలను (nuanced trade-offs) కూడా అర్థం చేసుకునేంత పెద్ద కమ్యూనిటీలు ఉన్నాయి. ఒక AI మోడల్ వాటి విశ్వసనీయత గురించి ఊహించాల్సిన అవసరం లేదు. ఇంటర్నెట్ ఇప్పటికే ఆ పనిని పూర్తి చేసింది, మరియు రెండు ట్రైనింగ్ సెట్‌లు కూడా అదే అపారమైన ఏకాభిప్రాయాన్ని ప్రతిబింబిస్తాయి.

విభజన: కొత్త టెక్నాలజీ మరియు AI ఏజెంట్లు

కొత్త లేదా మరింత విభజించబడిన డొమైన్‌లలోకి, ముఖ్యంగా AI టూలింగ్ గురించి మాట్లాడేటప్పుడు, ఆ ఏకాభిప్రాయం దెబ్బతింటుంది. ఏజెంట్ ఫ్రేమ్‌వర్క్‌లు మరియు లార్జ్ లాంగ్వేజ్ మోడల్ ఆర్కెస్ట్రేషన్ వంటి కేటగిరీలలో, రెండు మోడల్స్ స్పష్టంగా విభజించబడ్డాయి.

ChatGPT నిలకడగా OpenAI ఎకోసిస్టమ్‌కు మరియు LangChain కి సంబంధించిన టూల్స్‌ను సిఫార్సు చేసింది. మరోవైపు, Gemini Anthropic యొక్క ఆఫరింగ్‌లను మరియు CrewAIని ప్రోత్సహించింది. ఈ ఎంపికలు యాదృచ్ఛికంగా లేవు. ChatGPT, OpenAI యొక్క ప్రొడక్ట్ యూనివర్స్‌లో భాగంగా ఉంది, మరియు LangChain దాని ఆవిర్భావం నుండి OpenAI మోడల్స్ కోసం అత్యధికంగా చర్చించబడే ఇంటిగ్రేషన్ లేయర్లలో ఒకటిగా ఉంది. Google రూపొందించిన Gemini కి దాని స్వంత ప్రభావం ఉంది, మరియు దాని సిఫార్సులు Anthropic టూలింగ్ మరియు మల్టీ-ఏజెంట్ రోల్ డెఫినిషన్లపై దృష్టి సారించే CrewAI వంటి కొత్త ప్రత్యేక ఫ్రేమ్‌వర్క్‌ల వైపు మొగ్గు చూపాయి.

ఈ విభజన ఒక కీలక వాస్తవాన్ని తెలియజేస్తుంది: అభివృద్ధి చెందుతున్న కేటగిరీలలో, ఇంకా ఏ ఒక్క మార్కెట్ లీడర్ లేరు. సంవత్సరాల తరబడి పేరు తెచ్చుకున్న కమ్యూనిటీ ధృవీకరణ లేకపోవడం వల్ల, మోడల్స్ వాటి ట్రైనింగ్ డేటా దేనికి ఎక్కువ ప్రాధాన్యత ఇస్తుందో దానిపై ఆధారపడతాయి. సాంకేతిక సిఫార్సుగా కనిపించేది తరచుగా తాజాదనం (recency), డాక్యుమెంటేషన్ సాంద్రత మరియు సూక్ష్మమైన కార్పొరేట్ అనుసంధానాల ప్రతిబింబంగా ఉంటుంది.

ఉత్తమంగా సిఫార్సు చేయబడిన టూల్స్‌లో ఉన్న సారూప్యతలు

నిర్దిష్ట పేర్ల విషయంలో విభేదించినప్పటికీ, రెండు మోడల్స్ ఒకే విధమైన లక్షణాలు ఉన్న టూల్స్‌కే ప్రాధాన్యత ఇచ్చాయి. టాప్ సూచనలలో పదేపదే కనిపించే నాలుగు లక్షణాలను పాన్ గమనించారు.

మొదటిది, స్పష్టమైన సాంకేతిక డాక్యుమెంటేషన్. ఇది మార్కెటింగ్ కాపీ లేదా కేవలం వెబ్‌సైట్ పేజీలు కాదు, ఒక సిస్టమ్ ఎలా పనిచేస్తుంది, దాని పరిమితులు ఏమిటి మరియు దాని అంతర్గత నిర్మాణం ఎలా ఉందో వివరించే అసలైన సమాచారం. రెండవది, యాక్టివ్ GitHub రిపోజిటరీలు. ప్రాజెక్ట్‌కు ఇటీవలి కమిట్లు (commits), స్పందించే మెయింటైనర్లు మరియు పరిష్కరించబడుతున్న ఓపెన్ ఇష్యూలు ఉన్నాయో లేదో మోడల్స్ గమనించాయి. మూడవది, మంచి API రిఫరెన్స్‌లు. క్లీన్ మరియు చక్కగా రూపొందించబడిన ఎండ్‌పాయింట్లు మరియు ఊహించదగిన రిక్వెస్ట్-రెస్పాన్స్ ప్యాటర్న్‌లు ఉన్న టూల్స్ ఎక్కువ స్కోరు సాధించాయి. నాల్గవది, బలమైన కమ్యూనిటీలు. Discord సర్వర్‌లు, Stack Overflow ట్యాగ్‌లు లేదా నాణ్యమైన GitHub చర్చల ద్వారా అయినా, రెండు మోడల్స్ సోషల్ ప్రూఫ్‌ను విశ్వసనీయతకు సంకేతంగా పరిగణించినట్లు కనిపిస్తోంది.

వీటన్నిటి వెనుక ఒక సరళమైన నమూనా ఉంది. వివరించడానికి సులభంగా ఉండే టూల్స్‌ను AI మోడల్స్ సిఫార్సు చేస్తాయి. ఒక సాఫ్ట్‌వేర్‌కు స్పష్టమైన కాన్సెప్చువల్ బౌండరీ ఉంటే—ఉదాహరణకు "gRPCని ఉపయోగించే ఒక టాస్క్ క్యూ" లేదా "ఊహించదగిన రిడ్యూసర్ ఫంక్షన్‌లను ఉపయోగించే స్టేట్ మేనేజర్"—ఆ మోడల్ దాని గురించి నమ్మకంగా వివరించగలదు. ఒకవేళ ఆర్కిటెక్చర్ గందరగోళంగా ఉన్నా లేదా ఫీచర్ సెట్ సరిగ్గా లింక్ చేయబడని మైక్రోసైట్‌లలో చెల్లాచెదురుగా ఉన్నా, ఎంత ఉపయోగకరమైన టూల్ అయినా కనిపించకుండా పోతుంది.

రెండు వేర్వేరు ఆలోచనా విధానాలు

ఈ విభేదం బ్రాండ్ విధేయత కంటే లోతైనది. "ఉత్తమమైనది" అంటే ఏమిటో అంచనా వేయడంలో ChatGPT మరియు Gemini వేర్వేరు లాజిక్‌ను ఉపయోగిస్తున్నట్లు కనిపిస్తోంది.

ChatGPT బహుముఖ ప్రజ్ఞ (versatility) కోసం ప్రయత్నిస్తుంది. ఇది విస్తృతమైన వర్క్‌ఫ్లోలలో సులభంగా కలిసిపోయే, అనేక సందర్భాలను సరిగ్గా నిర్వహించే మరియు డెవలపర్ల కోసం 'కాంటెక్స్ట్-స్విచ్చింగ్'ను తగ్గించే సాధనాలను ఇష్టపడుతుంది. మీరు ఏదైనా సిఫార్సు కోరినప్పుడు, అది తరచుగా మీ ప్రశ్నను కొద్దిగా పునర్నిర్వచించి, మీరు పేర్కొనని 'ఎడ్జ్ కేస్‌లను' కూడా పరిగణనలోకి తీసుకునేలా దాని పరిధిని విస్తరిస్తుంది. దీని ఫలితం సాధారణంగా ఒక సురక్షితమైన, జనరలిస్ట్ ఎంపికగా ఉంటుంది.

Gemini మరింత యథాతథమైన విధానాన్ని అనుసరిస్తుంది. ఇది మీ ప్రాంప్ట్ యొక్క పదజాలానికి దగ్గరగా ఉంటుంది మరియు సాంకేతిక నిర్దిష్టతకు ప్రాధాన్యత ఇస్తుంది. మీరు పనితీరు (performance) గురించి అడిగితే, అది అన్ని రకాల పనులకు ఉపయోగపడే సాధనాల కంటే, ముడి త్రూపుట్ (raw throughput) లేదా ప్రత్యేకమైన ఆర్కిటెక్చర్ చుట్టూ నిర్మించబడిన సాధనాలను సూచిస్తుంది. దాని సిఫార్సులు కఠినమైన నిర్మాణ రూపకల్పన కలిగిన సాధనాల వైపు మొగ్గు చూపుతాయి, ఆ సాధనాలకు ఎక్కువ సెటప్ అవసరమైనప్పటికీ.

అంటే ChatGPT మీ ప్రశ్నకు కొంచెం విస్తృతమైన వెర్షన్‌కు సమాధానం ఇస్తుంది, అయితే Gemini మీరు టైప్ చేసిన ఖచ్చితమైన ప్రశ్నకు సమాధానం ఇస్తుంది. ఈ రెండు విధానాలలో ఏదీ విశ్వవ్యాప్తంగా మెరుగైనది కాదు. మీరు ప్రోటోటైపింగ్ చేస్తూ వేగంగా ముందుకు వెళ్లాలనుకుంటే, ChatGPT యొక్క బహుముఖ ప్రజ్ఞ వైపు ఉన్న మొగ్గు సమయాన్ని ఆదా చేస్తుంది. మీరు ఒక ప్రొడక్షన్ పైప్‌లైన్‌ను ఆప్టిమైజ్ చేస్తున్నట్లయితే మరియు ప్రతి మిల్లీసెకన్ ముఖ్యం అనుకుంటే, సాంకేతిక బలంపై Gemini యొక్క యథాతథ దృష్టి మరింత ఉపయోగకరంగా ఉంటుంది.

బిల్డర్లు అర్థం చేసుకోవలసిన అంశాలు

బహుశా అత్యంత ముఖ్యమైన విషయం ఏ మోడల్‌ను నమ్మాలి అన్నది కాదు, మీరు నిజంగా డెవలపర్ టూల్స్ నిర్మిస్తుంటే దీని అర్థం ఏమిటి అనేది. AI ఇప్పుడు కేవలం సాఫ్ట్‌వేర్ డాక్యుమెంటేషన్‌ను ఉపయోగించేది మాత్రమే కాదు. అది ఒక మధ్యవర్తి. సెర్చ్ ఇంజిన్‌ను తెరవడానికి, Hacker News బ్రౌజ్ చేయడానికి లేదా సహోద్యోగిని అడగడానికి ముందే, డెవలపర్లు రోజురోజుకూ ఒక షార్ట్‌లిస్ట్ కోసం AIని అడుగుతున్నారు.

మీ సాధనం ఆ ఫిల్టర్‌లో నిలబడాలనుకుంటే, మీరు మెషిన్ అవగాహన (machine comprehension) కోసం ఆప్టిమైజ్ చేయాలి. లార్జ్ లాంగ్వేజ్ మోడల్ ఎటువంటి గందరగోళం లేకుండా అర్థం చేసుకోగలిగేలా డాక్యుమెంటేషన్‌ను రాయండి. క్రమబద్ధమైన కార్యకలాపాలను చూపే పబ్లిక్ GitHub రిపోజిటరీని నిర్వహించండి. API రిఫరెన్సులు నిర్మాణాత్మకంగా మరియు సంపూర్ణంగా ఉండాలి; అవి అథెంటికేషన్ గోడల వెనుక దాగి ఉండకూడదు లేదా PDFల లోపల పూడ్చివేయబడకూడదు. మీ ప్రాజెక్ట్‌ను స్పష్టమైన, నిర్మాణాత్మక భాషలో వివరించండి. అది ఏమిటి, ఏమి కాదు మరియు ఒక స్టాక్‌లో అది ఖచ్చితంగా ఎలా సరిపోతుందో వివరించండి.

ఇది సాంప్రదాయ అర్థంలో సెర్చ్ ఇంజిన్ ఆప్టిమైజేషన్ కాదు. ఇది AI డిస్కవరబిలిటీ (AI discoverability). Pan యొక్క ప్రయోగం చూపినట్లుగా, మోడల్స్ అవి సులభంగా అర్థం చేసుకోగలిగే మరియు నమ్మకంగా సారాంశం చేయగలిగే అంశాల ఆధారంగా అభిప్రాయాలను ఏర్పరుచుకుంటాయి. మీ ప్రాజెక్ట్ శక్తివంతమైనది అయినప్పటికీ, దానిని వివరించడం కష్టమైతే, ఈ మోడల్స్ దానిని సిఫార్సు చేయడానికి వెనుకాడతాయి, ముఖ్యంగా కొత్త లేదా మెరుగైన డాక్యుమెంటేషన్ ఉన్న ప్రత్యామ్నాయాలు ఉన్నప్పుడు.

ఒక చివరి హెచ్చరిక: AI సిఫార్సులను ప్రారంభ బిందువులుగా పరిగణించండి, ర్యాంకింగ్‌లుగా కాదు. అవి శిక్షణ డేటా, నాలెడ్జ్ కటాఫ్స్ మరియు మోడల్-నిర్దిష్ట రీజనింగ్ వైవిధ్యాల ద్వారా రూపొందించబడిన అభిప్రాయాలు. ChatGPT, OpenAI సాధనాలను మరియు Gemini, Anthropic సాధనాలను ప్రోత్సహిస్తున్నప్పుడు, మీరు ఒక ప్రాధాన్యతను చూస్తున్నారు తప్ప, అది నిరూపితమైనది కాదు.

ముగింపు: మీరు సాధనాలను ఎంచుకుంటున్నట్లయితే, రెండు మోడళ్లను అడిగి వాటి సమాధానాల వెనుక ఉన్న తర్కాన్ని పోల్చి చూడండి. కానీ మీరు వాటిని విడుదల (shipping) చేస్తున్నట్లయితే, AIని ఒక యూజర్ పర్సోనాగా భావించి రాయడం ప్రారంభించండి. తమ సాఫ్ట్‌వేర్‌ను మెషిన్‌కు వివరించడం సులభతరం చేసే బృందాలే, డెవలపర్లు అడగడం ప్రారంభించినప్పుడు ముందు వరుసలో కనిపిస్తాయి.

Source: Comparing How ChatGPT and Gemini Recommend Developer Tools by Sarah Pan
Join the GyaanSetu learning community: https://t.me/GyaanSetuAi