اگر امروز از هوش مصنوعی برای تولید کد یا متن استفاده می‌کنید، احتمالاً متوجه شده‌اید که تفاوت میان یک خروجی «متوسط» و یک نتیجه در سطح «دکترا»، به فرمول‌های پرامپت‌نویسی شما نیست، بلکه به میزان تخصص شما در آن موضوع برمی‌گردد. متخصصان حوزه‌های مختلف می‌توانند از مدل‌های AI یکسان، ارزش به مراتب بیشتری نسبت به افراد generalist یا عمومی استخراج کنند. در حالی که هر کسی می‌تواند کد یا متنی متوسط تولید کند، تفاوت کیفیت نهایی به تخصص موجود کاربر بستگی دارد، نه به فرمول‌های خاص برای نوشتن پرامپت.
مدل زبانی بزرگ (LLM) — شبیه کتابخانه‌داری است که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — در واقع نقش یک generalist یا همه‌فن‌حریف را ایفا می‌کند. این مدل‌ها شکاف‌های فنی را برای آماتورهایی که مهارت‌هایی مثل CSS یا ریاضیات پیشرفته ندارند می‌پوشانند. همان‌طور که در تحلیل قبلی ما درباره‌ی حلقه‌های بررسی تخاصمی (adversarial review loops) برای رفع باگ‌های بحرانی اشاره کردیم، مشخص است که در جریان کاری AI، انسان همچنان گلوگاه اصلی است. اطلاعات اغلب از پیش در دل مدل وجود دارند؛ چالش اصلی این است که کاربر دانش کافی برای بیرون کشیدن آن‌ها را داشته باشد.
به نقل از گزارشی که شان گودکه (Sean Goedecke) در ۳ اوت ۲۰۲۶ منتشر کرد، تعامل ریاضی‌دان برجسته، ترنس تائو (Terence Tao) با ChatGPT درباره «حدس ژاکوبین» نمونه‌ای دقیق از این موضوع است. تائو از قالب‌های پیچیده پرامپت استفاده نمی‌کند، بلکه با تکیه بر درک عمیق ریاضی را مدل را از سه مکانیسم خاص هدایت می‌کند:
- سیگنال‌دهی تخصص: او با استفاده از زبان فنی و موجز، مدل را به جای حالت «توضیح برای آماتورها»، به وضعیت «گفتگو با ریاضی‌دانان» می‌برد تا خروجی‌های پیشرفته‌تری بگیرد. در این راستا، برخی پژوهش‌ها نشان داده‌اند که حتی استفاده از جملات احساسی در پرامپت‌ها می‌تواند مدل‌ها را به سمت تلاش بیشتر برای پاسخ‌دهی هدایت کند، هرچند تخصص کاربر همچنان تعیین‌کننده است.
- پاسخ‌های استراتژیک: تائو به‌جای تضاد مستقیم، زمانی که پاسخ مدل بیش از حد پیچیده است، با ظرافت شناسایی می‌کند و صرفاً اشاره می‌کند که نتیجه «پیچیده‌تر از آنچه امیدوار بود» است.
- کنترل جهت‌دار: او پیشنهادهای مدل برای گام‌های بعدی را نادیده می‌گیرد و به‌جای آن، جهش‌های ذهنی خودش را می‌زند و پرسش‌های هدفمندی مثل «آیا X در اینجا کاربرد دارد؟» می‌پرسد.
این دینامیک در مهندسی نرم‌افزار نیز تکرار می‌شود. برنامه‌نویسی که تئوری قوی و تسلط کاملی بر معماری کدبیس خود دارد، می‌تواند مدل LLM را سخت‌تر به چالش بکشد؛ مثلاً بپرسد آیا راهکار ساده‌تری وجود دارد یا به الگوهای داخلی موجود در پروژه ارجاع دهد. این سطح از تسلط برای جلوگیری از خطاهای عملیاتی حیاتی است، چرا که تضاد میان انعطاف‌پذیری و قطعیت در LLMها می‌تواند در مقیاس‌های بزرگ منجر به شکست‌های سیستمی شود. بدون این آشنایی و تسلط، کاربر مجبور است به اصول کلی و عمومی مدل تکیه کند که اغلب جزئیات عملیاتی و concreta (عینی) سیستم را نادیده می‌گیرند.
برای شما به عنوان کاربر، این یعنی مهندسی پرامپت (Prompt Engineering) — که شبیه هنر سؤال درست پرسیدن برای گرفتن بهترین جواب از یک مشاور است — دیگر به عنوان یک مهارت مستقل در حال کاهش اهمیت است. برنده واقعی و مزیت رقابتی واقعی اکنون در پیوند میان تسلط بر حوزه تخصصی (domain mastery) و قدرت هدایت AI نهفته است. اگر دانش موضوعی ندارید، LLM برای شما یک «کف» حمایتی مفید ایجاد می‌کند، اما بدون توانایی تشخیص اینکه چه چیزی در خروجی «عجیب» به نظر می‌رسد، هرگز نمی‌توانید به «سقف» کیفیت برسید. در واقع، بسیاری از کاربردهای گسترده AI ممکن است در سطح ساده باشند و تنها به مسائل طبقه‌بندی تقلیل یابند، اما دستیابی به نتایج سطح بالا مستلزم همان تخصص انسانی است.
حتی با قدرتمندتر شدن مدل‌هایی مثل GPT-5.6 Sol، تخصص انسانی حیاتی می‌ماند؛ زیرا سخت‌ترین بخش فرآیند، برقراری ارتباط دقیق برای رسیدن به راهکار مطلوب است. مدل مواد خام را فراهم می‌کند، اما متخصص است که فیلتر و نقشه نهایی را ارائه می‌دهد.
گام بعدی شما
- با هوش مصنوعی به‌جای یک «جعبه جادویی»، مانند یک «همکار متخصص» رفتار کنید.
- انتخاب‌های معماری مدل را با ارجاع به محدودیت‌های خاص محیط یا کدبیس خودتان به چالش بکشید.
- تمرکز خود را از یادگیری «قالب‌های پرامپت» به deepening تخصص در حوزه کاری‌تان تغییر دهید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو