Anthropic نے Claude Code کی رہنمائی کرنے والے سسٹم پرامپٹ (system prompt) کا 80 فیصد حصہ ختم کر دیا اور کوڈ لکھنے کی اس کی صلاحیت میں کسی قسم کی کمی کی اطلاع نہیں دی۔ یہ تجربہ ظاہر کرتا ہے کہ جیسے جیسے لارج لینگویج ماڈلز (LLMs) زیادہ باصلاحیت ہوتے جا رہے ہیں، ڈویلپرز ماڈلز کو صحیح راستے پر رکھنے کے لیے استعمال ہونے والے بھاری بھرکم ڈھانچے (scaffolding) کو کارکردگی کو نقصان پہنچائے بغیر کم کر سکتے ہیں۔
پرامپٹ شروع میں کیوں اہم تھا
جب Claude Code لانچ ہوا، تو اس کے سسٹم پرامپٹ میں درجنوں قوانین درج تھے۔ انجینئرز نے جب بھی کوئی بگ (bug) سامنے آیا، نئی لائنیں شامل کیں لیکن بہت کم ہی کسی ایسی چیز کو ہٹایا جو کام کر رہی تھی۔ وقت کے ساتھ ساتھ یہ پرامپٹ ایک الجھے ہوئے اور جامد (static) دستاویز میں تبدیل ہو گیا۔
ماڈل کا فرق ختم ہو رہا ہے
ان اضافی قوانین نے ایک "ماڈل گیپ" (model gap) کو چھپا رکھا تھا – یعنی ماڈل جو کر سکتا تھا اور ایپلی کیشن جو تقاضا کرتی تھی، ان کے درمیان فرق۔ 2024 میں ڈویلپرز کو ماڈل کو، مثال کے طور پر، کوڈ پر ضرورت سے زیادہ کمنٹس کرنے سے روکنے کے لیے سخت پابندیاں بتانی پڑتی تھیں۔ آج وہی ماڈل محض ایک ہدایت جیسے کہ "موجودہ کوڈ اسٹائل سے مطابقت رکھیں" سے مطلوبہ انداز کا اندازہ لگا سکتا ہے۔ قوانین اب مدد کے بجائے شور (noise) بن چکے ہیں۔
کونٹیکسٹ انجینئرنگ (context engineering) میں کیا تبدیل ہو رہا ہے
Anthropic کی یہ کٹوتی ڈویلپرز کے پرامپٹس کو ترتیب دینے کے طریقے میں ایک وسیع تر تبدیلی کی عکاسی کرتی ہے:
- ایک بار کے اہم ہدایات – ایک بار اصول بتائیں اور ماڈل کو اسے یاد رکھنے دیں۔
- Few-shot examples کے بجائے ٹول پر مبنی پیرامیٹرز – ٹول اسکیما (tool schema) میں ان پٹ اور آؤٹ پٹ کی شکل بیان کریں اور ماڈل کو انہیں پُر کرنے دیں۔
- تدریجی انکشاف (Progressive disclosure) – صرف وہی کونٹیکسٹ دیں جو موجودہ مرحلے کے لیے ضروری ہو، اور ضرورت پڑنے پر بعد میں مزید معلومات شامل کریں۔
- جامد رہنمائی کو ٹول کی تفصیلات میں منتقل کریں – چیزیں جیسے کہ "ویری ایبلز کے لیے camelCase استعمال کریں" ٹول کی وضاحت (spec) میں ہونی چاہئیں، سسٹم پرامپٹ میں نہیں۔
- ہارڈ کوڈڈ قوانین کو ہیورسٹکس (heuristics) سے بدلیں – کسی اصول کو بلا شرط نافذ کرنے کے بجائے ماڈل کو یہ فیصلہ کرنے دیں کہ وہ اصول کب لاگو ہوتا ہے۔
یہ حربے اس لیے کام کرتے ہیں کیونکہ ماڈل پہلے سے ہی بہت سے ایسے اصولوں کو جانتا ہے جن کے لیے پہلے واضح طور پر بتانے کی ضرورت ہوتی تھی۔
حد سے زیادہ کٹوتی کا خطرہ
وہی کٹائی جو جدید ترین (frontier) ماڈلز کے لیے فائدہ مند ہے، چھوٹے ماڈلز کے لیے نقصان دہ ہو سکتی ہے۔ Anthropic کا کہنا ہے کہ Haiku جیسے ماڈلز اب بھی صحیح راستے پر رہنے کے لیے بھرپور پرامپٹس پر انحصار کرتے ہیں۔ کم باصلاحیت ماڈل سے بہت زیادہ رہنمائی ختم کرنے سے وہ غلطیاں دوبارہ پیدا ہو سکتی ہیں جنہیں اصل پرامپٹ نے روکنے کی کوشش کی تھی: جیسے ناموں میں عدم تسلسل، ضرورت سے زیادہ کمنٹس، یا اہم کیسز (edge cases) کا چھوٹ جانا۔
اپنے پرامپٹس کا آڈٹ کیسے کریں
اگر آپ کوڈ جنریشن پائپ لائن کو برقرار رکھتے ہیں، تو پرامپٹ کا آڈٹ غیر ضروری بوجھ کو ظاہر کر سکتا ہے۔ ایک عملی چیک لسٹ کچھ اس طرح ہے:
- ہدایات کی کثافت (instruction density) کو دوبارہ ترتیب دیں – رہنمائی کی مقدار کو اس ماڈل کے مطابق رکھیں جسے آپ اصل میں چلا رہے ہیں۔
- تکرار والی ہدایات کو حذف کریں – اگر کوئی اصول سسٹم پرامپٹ اور ٹول کی تفصیل دونوں میں موجود ہے، تو اسے صرف ایک بار رکھیں۔
- کام کرنے والی مثالوں کو بہتر اسکیما میں تبدیل کریں – ٹھوس مثالوں کی جگہ گنتی شدہ پیرامیٹر اقسام یا enums کا استعمال کریں۔
- صورتحال کی تفصیلات کو بیرونی بنائیں – بڑے حوالہ جاتی بلاکس (reference blocks) کو الگ فائلوں میں منتقل کریں جنہیں ماڈل ضرورت پڑنے پر حاصل کر سکے۔
- ختم شدہ رویوں پر مشتمل قوانین کو ہٹا دیں – اگر ماڈل اب غیر ضروری کمنٹس نہیں کرتا، تو "کوئی کمنٹ نہ کریں" والا اصول ختم کر دیں۔
صرف اندازے پر بھروسہ نہ کریں۔ ایک سادہ "3-ٹیسٹ رول" استعمال کریں: پانچ حقیقت پسندانہ کوڈنگ ٹاسک چلائیں، ہر حذف کرنے کے عمل سے پہلے اور بعد کے نتائج کا موازنہ کریں، اور کسی بھی قسم کی تنزلی (regression) کو نوٹ کریں۔
- بیس لائن (Baseline) – مکمل پرامپٹ کے ساتھ کارکردگی کی پیمائش کریں۔
- حذف کریں (Delete) – کسی ممکنہ لائن یا بلاک کو ہٹا دیں۔
- دوبارہ چلائیں (Re-run) – وہی پانچ ٹاسک دوبارہ انجام دیں۔
اگر آؤٹ پٹ بدل جاتا ہے، تو آپ نے ایسی لائن کی نشاندہی کر لی ہے جو اب بھی اہمیت رکھتی ہے۔ اگر نہیں، تو اس لائن کو بلا خوف و خطر حذف کیا جا سکتا ہے۔
ڈویلپرز کو آگے کیا دیکھنا چاہیے
فی الحال، حاصل ہونے والا سبق واضح ہے: سسٹم پرامپٹ ایک زندہ دستاویز ہے۔ ہر لائن کو ایک محدود مدت (shelf life) کے طور پر لیں، باقاعدگی سے آڈٹ کریں، اور ماڈل کی بڑھتی ہوئی مہارت کو اصل کام کرنے دیں۔
Source: dev.to/ialijr/your-system-prompt-has-a-shelf-life-maintaining-prompts-as-models-improve-cd9