اگر هنوز برای بهبود خروجی عاملهای هوش مصنوعی خود به نوشتن پرامپتهای طولانیتر متوسل میشوید، احتمالاً در تلهای افتادهاید که اکثر توسعهدهندگان در آن گیر کردهاند. حقیقت این است که راز پایداری یک عامل، در مستندات بیشتر نیست، بلکه در محدودیتهای سختگیرانهتر است. این مکاشفه در ۱۰ اوت ۲۰۲۶ توسط توسعهدهندهای در وبسایت dev.to منتشر شد که بیش از ۵۰ مهارت (Skill) برای عاملهای کدنویس ساخته و دریافت که اکثر «بهترین روشهای» رایج در محیط عملیاتی شکست میخورند. این چالشها در واقع تکرار همان وابستگی شدید عاملها به متن است که پیشتر به عنوان سدی در برابر مهندسی سطح تولید تحلیل کرده بودیم.
همانطور که در تحلیل قبلی ما دربارهی حافظههای تیمی در Tencent Cloud اشاره کردیم، صنعت اکنون از حافظههای کلی به سمت «مهارتهای» اجرایی و خاص حرکت میکند. یک مهارت را نباید مثل یک کتاب درسی برای هوش مصنوعی دید، بلکه شبیه به یک چکلیست دقیق است که مانع از انحراف عامل از مسیر اصلی میشود.
از مستندسازی تا اجرا
تجربه این توسعهدهنده حاصل ساخت سیستمهای متنوعی بود؛ از خط لولههای تحلیل سهام و سیستمهای تولید محتوا گرفته تا ابزارهای تبدیل اسناد و یک تجمیعکننده برای GitHub Trending. او دریافت وقتی یک مدل زبانی بزرگ (LLM) — مثل کتابخانهداری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب میدهد — با حجم زیادی از زمینه (Context) بمباران شود، تمایل دارد فقط الگوهای سطحی را کپی کند و محتوای واقعی و جوهری را نادیده بگیرد.
بر اساس این تجربه، عصر «مهندسی پرامپت» (Prompt Engineering) — هنر سؤال درست پرسیدن، شبیه کسی که میداند چطور از یک مشاور باتجربه بهترین جواب را بگیرد — در حال تبدیل شدن به «مهندسی محدودیت» است. برای برنامهنویسان، این یعنی زمان کمتری برای نوشتن متن و زمان بیشتری برای ساخت لایههای اعتبارسنجی که در صورت بروز خطا، سریعاً و با صدای بلند هشدار دهند (Fail Loudly). این رویکرد در واقع جایگزینی دستورالعملهای انتزاعی با مراجع عملیاتی است تا کد تولید شده واقعاً آمادهی محیط عملیاتی باشد.
طبق گزارش dev.to، موثرترین مهارتها از ۵ قانون طلایی پیروی میکنند:
۵ قانون طلایی مهارتهای عامل
- کوتاه نگه داشتن مهارتها: یک فایل مهارت ۱۷۴ کیلوبایتی شامل ۱۳ چارچوب نویسندگی و تئوریهای آکادمیک، خروجیهایی بیروح و کلی تولید میکرد. کاهش این حجم به ۳ اصل و ۵ محدودیت سخت، بلافاصله کیفیت را بالا برد. اگر مهارتی به فهرست مطالب نیاز دارد، دیگر یک «مهارت» نیست، بلکه یک کتاب است.
- استفاده از گیتهای سخت (Hard Gates): مدلهای زبانی با توصیههای نرم مثل «مطمئن شو کیفیت بالا است» مشکل دارند. بهجای آن باید از اسکریپتهایی استفاده کرد که در صورت عدم تطابق، خطا دهند. مثالهایی از این دست شامل شرط گذاشتن برای «امتیاز عنوان ≥ ۶.۵» یا بررسی وجود حداقل ۲ تصویر با دستور
grep -c '
گفتگو