تبدیل مقالات آکادمیک به دستورالعمل‌های دقیق برای عامل‌های هوش مصنوعی

تصور کنید به جای اینکه به هوش مصنوعی بگویید «حرفه‌ای بنویس»، یک دفترچه راهنمای عملیاتی دقیق در اختیارش بگذارید که هر خط آن بر اساس پژوهش‌های علمی است. این رویکرد، حدس و گمان در مهندسی پرامپت (Prompt Engineering) — که شبیه هنر سؤال درست پرسیدن از یک مشاور باتجربه است — را به پایان می‌رساند. در واقع، این متدولوژی پیشنهاد می‌کند که یک فایل ساختاریافته به نام skill.md به عنوان یک راهنمای عملیاتی حرفه‌ای برای هوش مصنوعی طراحی شود تا جایگزین حدس و گمان‌های سنتی در نوشتن پرامپت شود.

به گزارش وب‌سایت dev.to در ۵ سپتامبر ۲۰۲۴، یک متدولوژی جدید معرفی شده که از NotebookLM برای پر کردن شکاف میان تئوری‌های آکادمیک و اجرای عملی در عامل‌های هوش مصنوعی (AI Agents) استفاده می‌کند. اکثر دستورالعمل‌های فعلی بر صفت‌های مبهمی مثل «روشن بنویس»، «حرفه‌ای باش»، «انسانی‌تر بنویس» یا «از تکرار بپرهیز» تکیه دارند. این دستورات به دلیل ابهام، به‌ندرت نتایج یکسانی تولید می‌کنند و در عمل اغلب شکست می‌خورند.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی مبنی‌سازی (Grounding) مدل‌ها اشاره کردیم، اتصال خروجی مدل به یک منبع حقیقت، نرخ توهم را کاهش می‌دهد. در این گردش‌کار، کاربر به جای تکیه بر شهود، از مقالات داوری‌شده (Peer-reviewed) برای تعریف الگوهای رفتاری مدل استفاده می‌کند. این رویکرد باعث می‌شود کاربر به جای نگاه کردن به هوش مصنوعی به عنوان یک جعبه جادویی، آن را به عنوان سیستمی ببیند که برای انجام وظایف سطح بالا، به محدودیت‌های مشخص و قاعده‌مند نیاز دارد. این تغییر دیدگاه با رویکردهای جدید در معماری هوش مصنوعی برای تبدیل سریع ایده‌ها به محصول هم‌سو است که تمرکز را از چت‌های ساده به اجرای ساختاریافته منتقل می‌کند.

زمینه و بستر گردش‌کار

هدف نهایی این فرآیند، کپی کردن یک مقاله پژوهشی نیست، بلکه تبدیل ایده‌های آن به دستورالعمل‌هایی است که یک عامل هوش مصنوعی بتواند آن‌ها را دنبال کند. یک مقاله پژوهشی، مفاهیم و شواهدی را ارائه می‌دهد که می‌توان آن‌ها را به قواعد نوشتاری شفاف تبدیل کرد.

طبق گزارش dev.to، این فرآیند با بارگذاری یک مقاله پژوهشی در NotebookLM آغاز می‌شود. در این مرحله، کاربر به جای درخواست یک خلاصه کلی از متن، سؤالات هدفمندی می‌پرسد تا اصولی را که قابلیت تبدیل به قواعد نوشتاری دارند، استخراج کند. این سؤالات متمرکز شامل موارد زیر است:

• اصول اصلی این مقاله چیست؟
• کدام ایده‌ها را می‌توان به قواعد نوشتاری تبدیل کرد؟
• چه الگوهایی باعث می‌شود متن تکراری یا غیرطبیعی به نظر برسد؟
• مقاله چه مثال‌های مشخصی ارائه داده است؟
• کدام توصیه‌ها برای یک دستیار نویسنده هوش مصنوعی کاربردی هستند؟

این رویکرد به کاربر اجازه می‌دهد «نویزهای آکادمیک» را از «دستورالعمل‌های عملیاتی» جدا کند. NotebookLM در اینجا بسیار مفید است زیرا اجازه می‌دهد سؤالات تکمیلی پرسیده شود، در حالی که تمام بحث‌ها متصل به سند منبع باقی می‌مانند. این متد استخراج دانش، شباهت زیادی به سیستم‌های خودکار تبدیل مقالات arXiv به گزارش‌های کاربردی دارد که برای رصد روندهای علمی طراحی شده‌اند.

سازوکار استخراج دانش

هسته اصلی این گردش‌کار، تبدیل مفاهیم آکادمیک به فرمان‌های مستقیم است. باید توجه داشت که یک «خلاصه پژوهشی» با یک «فایل دستورالعمل هوش مصنوعی» متفاوت است؛ دومی نیازمند قواعدی است که بسیار مشخص باشند، برای به خاطر سپردن کوتاه باشند و در هنگام ویرایش، کاربردی باشند.

برای مثال، بحث یک مقاله درباره «تنوع در جملات» به یک قاعده عینی تبدیل می‌شود: «قاعده: طول و ساختار جملات را تغییر بده. جملات کوتاه را وقتی تکراری به نظر می‌رسند ترکیب کن، و جملات طولانی را وقتی ایده‌های زیادی دارند، بشکن».

برای حفظ کیفیت و نظم، فایل مهارت (skill file) حاصل در یک سلسله‌مراتب سخت‌گیرانه سازماندهی می‌شود:

• نقش (Role): تعریف می‌کند که هوش مصنوعی چه کاری باید انجام دهد و لحنش باید شبیه به چه کسی باشد.
• اصول محوری (Core Principles): توضیح ایده‌های اصلی پشت آن مهارت خاص.
• قواعد ویرایشی (Editing Rules): لیستی از قواعد مستقیم برای ساختار جملات، شفافیت، لحن و انتقال بین پاراگراف‌ها.
• حالت‌های مخاطب (Audience Modes): انطباق متن برای مخاطبان مختلف مانند محیط‌های آکادمیک، تجاری، آموزشی یا بازاریابی.
• الگوهای ممنوعه (Prohibited Patterns): یک «لیست سیاه» از عبارات، ساختارها و عادت‌های نوشتاری رایج که باید از آن‌ها اجتناب شود.
• گردش‌کار ویرایش (Editing Workflow): توصیف ترتیبی که هوش مصنوعی باید هنگام ویرایش متن دنبال کند.
• چک‌لیست نهایی (Final Checklist): روشی سریع برای اینکه هوش مصنوعی بتواند صحت کار خود را تأیید کند.

آزمایش و پالایش

قواعد مذکور با افزودن نمونه‌های «قبل و بعد» تقویت می‌شوند. این کار به هوش مصنوعی نشان می‌دهد دقیقاً چه چیزی را باید حذف کند؛ مواردی مانند عبارات آغازین غیرضروری، کلمات مبهم و نوشتارهای سنگین مبتنی بر اسم.

برای نمونه، این سیستم عباراتی که توسط هوش مصنوعی تولید شده و کلیشه‌ای هستند، مانند «باید اشاره کرد که مطالعه نشان می‌دهد بهبود قابل توجهی در عملکرد رخ داده است» را با نسخه‌های بهبودیافته‌ای مثل «مطالعه نشان داد که عملکرد بهبود یافته است» جایگزین می‌کند.

مرحله نهایی شامل تست استرس (Stress-testing) این مهارت در فرمت‌های متنوع است، از جمله:

• پست‌های وبلاگی
• توضیحات فنی
• پاراگراف‌های آکادمیک
• توضیحات محصول
• محتوای بازاریابی

این فرآیند تکرارشونده اغلب مشکلاتی را آشکار می‌کند؛ مثلاً ممکن است خروجی بیش از حد غیررسمی شود یا هوش مصنوعی قواعد را چنان سخت‌گیرانه اجرا کند که تمام پاراگراف‌ها یک‌شکل به نظر برسند. این موضوع نیاز به «قواعد حفاظتی» را نشان می‌دهد. یکی از قواعد حیاتی که در این مسیر اضافه شد این بود: «هرگز ادعاهای پژوهشی، استنادات، داده‌ها یا ملاحظات مهم را اختراع نکن، حذف نکن یا تغییر نده».

با این تغییر متدولوژی، نقش انسان از «مهندس پرامپت» به «طراح سیستم» تغییر می‌کند. NotebookLM بار سنگین پژوهش، مقایسه بخش‌ها و استخراج مثال‌ها را به دوش می‌گیرد، اما انسان همچنان باید تصمیم بگیرد کدام قواعد بیش از حد مبهم هستند و چگونه با مخاطبان خاص برخورد شود. نتیجه، یک دارایی دیجیتال بازاستفاده است که فارغ از پرامپت ورودی، خروجی یکسان و باکیفیتی تولید می‌کند.

برای کسانی که به دنبال مقیاس‌پذیری عملیات هوش مصنوعی خود هستند، گام بعدی شناسایی یک منبع پژوهشی باکیفیت در حوزه تخصصی خودشان — خواه کدنویسی باشد، خواه تحلیل یا حقوق — و به کارگیری این چارچوب استخراج برای ساخت یک کتابخانه اختصاصی از فایل‌های مهارت.

گام بعدی شما

• یک منبع پژوهشی معتبر در حوزه تخصصی خود (حقوق، کدنویسی یا تحلیل) شناسایی کنید.
• با استفاده از NotebookLM، اصول آن را به قواعد «بکن و نکن» تبدیل کنید.
• یک فایل skill.md بسازید و آن را به عنوان پرامپت سیستمی به عامل خود بدهید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.