اگر ساعت‌ها وقت خود را صرف شماره‌گذاری اولویت‌ها در دستورات هوش مصنوعی می‌کنید، احتمالاً در حال انجام کاری بیهوده هستید. داده‌های جدید نشان می‌دهند که حذف دو-سوم از دستورات پرامپت می‌تواند بسیار مؤثرتر از بازنویسی دقیق آن‌ها باشد.
طبق گزارشی که در ۲۳ اوت ۲۰۲۶ منتشر شد، یک پژوهشگر با بررسی ۱۴٬۴۰۰ مورد، نحوه‌ی برخورد مدل زبانی بزرگ (LLM) — شبیه کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — با محدودیت‌های متضاد را تحلیل کرد. نتیجه این بود که ساده‌ترین استراتژی، برنده است.
بسیاری از راهنماهای مهندسی پرامپت (Prompt Engineering) — هنر سؤال درست پرسیدن برای گرفتن بهترین جواب — پیشنهاد می‌کنند دستورات را بر اساس اولویت مرتب کنید. اما این رویکرد بر این فرض استوار است که ترتیب قوانین تعیین می‌کند مدل کدام یک را نادیده بگیرد. در واقعیت، توانایی مدل در رعایت قوانین به ترتیب آن‌ها بستگی ندارد، بلکه به تلاقی منطقی آن‌ها وابسته است.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی بهینه‌سازی توکن‌ها اشاره کردیم، کاهش حجم ورودی مستقیماً بر هزینه اثر می‌گذارد. به نقل از گزارش dev.to، این پژوهشگر چندین استراتژی را روی ۴۰۰ پرامپت (هر کدام با ۱۲ قانون) مقایسه کرد. نتایج نرخ خطای «قوانین حیاتی» را به‌صورت تکان‌دهنده‌ای نشان می‌دهد:
- نگه داشتن فقط قوانین حیاتی: نرخ خطای ۱.۲۷٪ (۷۴.۵ توکن در هر فراخوانی)
- حذف قانون متضاد: نرخ خطای ۱.۲۷٪ (۱۸۴.۲ توکن در هر فراخوانی)
- افزودن بند استثنا: نرخ خطای ۱.۲۷٪ (۲۲۹.۷ توکن در هر فراخوانی)
- قرار دادن قوانین حیاتی در انتها: نرخ خطای ۲.۷۸٪ (۲۲۲.۵ توکن در هر فراخوانی)
- شماره‌گذاری اولویت‌ها: نرخ خطای ۳.۸۳٪ (۲۷۰.۵ توکن در هر فراخوانی)
بر اساس مستندات این تحقیق، سه استراتژی مختلف دقیقاً روی ۱۸۳ مورد از ۱۴٬۴۰۰ مورد شکست خوردند. این یعنی وقتی قوانین حیاتی سالم و قابل اجرا باشند، شکست مدل ناشی از خودِ قوانین است، نه روش اصلاح آن‌ها. این رویکرد به نوعی با استراتژی‌های اعتبارسنجی سخت‌گیرانه برای کاهش توهمات عملیاتی همسو است که بر دقت خروجی‌ها تأکید دارد.
این داده‌ها این باور رایج را رد می‌کنند که پرامپت‌های طولانی، فضای پاسخ را «فشرده» می‌کنند. مشکل اصلی، تضاد است. تحقیق نشان داد در حالی که تنها ۴.۴۷٪ از جفت‌قوانین با هم تضاد دارند، اما در مجموعه‌ای با ۱۲ قانون، ۶۶ جفت احتمالی شکل می‌گیرد که نرخ تضاد را به ۹۰.۸٪ می‌رساند.
برای کاربر عملی، این یعنی صرف ساعت‌ها وقت برای اصلاح اولویت‌ها اتلاف وقت است. یک حذف دو دقیقه‌ای از قوانین غیرضروری یا متضاد، به همان سطح عملکرد می‌رساند و هزینه هر فراخوانی API را به‌شدت پایین می‌آورد.
علاوه بر این، مطالعه دریافت که در ۱۰۰٪ موارد، چندین پاسخ مختلف امتیاز حداکثری را کسب می‌کنند. این یعنی خروجی نهایی اغلب توسط عواملی خارج از پرامپت تعیین می‌شود، زیرا دستورات به‌ندرت تمام جزئیات پاسخ را محدود می‌کنند. این موضوع یادآور تغییر رویکرد در مدیریت عامل‌های AI است که در آن شواهد فنی بر قدرت محاسباتی محض اولویت می‌یابند.
این تغییر دیدگاه، پرامپت‌نویسی را از هنر «متقاعد کردن» به منطق «تئوری مجموعه‌ها» تبدیل می‌کند. اگر هوش مصنوعی شما شکست می‌خورد، راه حل توضیح بهتر اولویت‌ها نیست، بلکه حذف کامل تضاد است.
گام بعدی شما
- پرامپت‌های طولانی خود را بررسی کنید و هر قانونی که با قانون دیگر در تضاد است را به‌جای اصلاح، حذف کنید.
- به‌جای شماره‌گذاری اولویت‌ها (Priority 1, 2...)، روی حذف دستورات تکراری تمرکز کنید تا هزینه استنتاج (Inference) — لحظه‌ای که مدل واقعاً جواب تولید می‌کند — کاهش یابد.
- تست کنید که آیا حذف ۵۰٪ از دستورات غیرحیاتی، کیفیت پاسخ شما را تغییر می‌دهد یا خیر.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو