تحلیل عملکرد عامل‌ها: مانیفست هدفمند نویز پرامپت را کاهش می‌دهد

تصور کنید برای تعمیر یک پیچ کوچک در موتور ماشین، تمام دفترچه‌های راهنمای کارخانه و تاریخچه تولید خودرو را جلوی مکانیک پخش کنید؛ احتمالاً او هرگز آن پیچ را پیدا نمی‌کند. در دنیای کدنویسی با هوش مصنوعی، این اتفاق دقیقاً همان چیزی است که باعث شکست عامل‌های هوش مصنوعی در محیط‌های واقعی می‌شود.

طبق گزارشی که در ۱۰ اکتبر ۲۰۲۶ در وب‌سایت dev.to منتشر شد، وقتی ۴۰۰۰ خط کد را در یک پرامپت می‌ریزید، شاید تنها ۴۰ خط از آن‌ها واقعاً برای تصمیم‌گیری مدل حیاتی باشند. این پدیده «مالیات رقیق‌سازی» نام دارد؛ وضعیتی که در آن مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — نمی‌تواند وزن یکسانی به تمام داده‌ها بدهد و معمولاً بخش‌های میانی متون طولانی را نادیده می‌گیرد.

بسیاری از برنامه‌نویسان به این باور رسیده‌اند که هرچه زمینه (Context) بیشتر باشد، نتیجه بهتر است. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی بهینه‌سازی پنجره‌های متنی اشاره کردیم، گسترش پنجرهٔ زمینه (Context Window) — که شبیه میز کاری است که جا برای چند ورق دارد، نه برای کل کتابخانه — باعث شده تیم‌ها با پرامپت‌ها مانند یک سطل زباله برای ذخیره داده برخورد کنند. به نقل از نویسنده این گزارش، این عادت باعث می‌شود عامل به‌جای جست‌وجوی ساختار واقعی کد، بر اساس «کم‌خطاترین» فایلی که پیدا می‌کند استدلال کند.

برای حل این مشکل، پیاده‌سازی یک «مانیفست سطح فایل» پیشنهاد شده است. این مانیفست سندی کوتاه (مثلاً با نام AGENT_CONTEXT.md) است که هر نوع وظیفه را به لیستی از فایل‌های ضروری متصل می‌کند. برای مثال، اگر هدف تغییر شکل پاسخ یک API است، مانیفست باید عامل را مستقیماً به قرارداد (Contract) و تست‌های مربوطه هدایت کند و فایل‌های تولیدشده را به عنوان موارد «قابل چشم‌پوشی» علامت‌گذاری کند.

قدرت قراردادها

در کارهای مربوط به API، قراردادها بسیار حیاتی‌تر از کد پیاده‌سازی هستند. تیم Powerduck سیستم خود را بر این اساس ساخت: عامل آن‌ها به یک مشخصات OpenAPI محلی اشاره می‌کند و تمام تایپ‌های تولیدشده از این منبع واحد استخراج می‌شوند. این روش نیاز به حدس زدن فایل‌های مرتبط را کاملاً حذف می‌کند.

دو قانون طلایی برای محیط تولید

• حجم زمینه اولیه را به ۳ تا ۵ فایل محدود کنید. تحمل یک دور رفت‌وبرگشت اضافی برای پرسیدن سؤال شفاف‌ساز، بسیار ارزان‌تر از اصلاح یک بیلد خراب است که به‌دلیل نویز در ۴۰۰۰ خط کد رخ داده است.
• بین «منابع مرجع» و «منبع حقیقت» تفاوت قائل شوید. اسکریپت‌های مهاجرت یا شِمای دیتابیس را به عنوان مرجع نهایی علامت بزنید تا مدل یک مثال غیررسمی در README را به کد واقعی ترجیح ندهد.

این تغییر رویکرد، فرض قدیمی «هرچه بیشتر، بهتر» در تولید بازیابی‌افزا (RAG) — که شبیه دانش‌آموزی است که قبل از جواب دادن، اول کتاب درسی را باز می‌کند و از آن نقل می‌آورد — را به چالش می‌کشد. با محدود کردن سیگنال اولیه، برنامه‌نویسان مدل را مجبور می‌کنند تا در مورد آنچه می‌خواند آگاهانه تصمیم بگیرد. این کار علاوه بر کاهش هزینه استنتاج (Inference) — یعنی همان لحظه آشپزی و تولید جواب — احتمال توهم (Hallucination) مدل را که شبیه تعریف اشتباه یک خاطره توسط یک دوست است، کاهش می‌دهد.

اگر می‌خواهید گردش‌کار خود را همین هفته بهینه کنید، ۵ جلسه اخیر خود با عامل‌های هوش مصنوعی را بررسی کنید. اگر در اولین Turn بیش از ۵ فایل پیوست کرده‌اید، شما در حال پرداخت مالیات رقیق‌سازی هستید. با نوشتن یک مانیفست ۲۰ خطی برای یکی از کارهای پرتکرار خود شروع کنید.

پیوست کردن خودکار فایل README را متوقف کنید؛ این فایل معمولاً آخرین چیزی است که عامل به آن نیاز دارد، اما اولین چیزی است که در پرامپت کپی می‌شود.

گام بعدی شما

• بررسی ۵ نشست اخیر با AI و شمارش تعداد فایل‌های پیوست‌شده در شروع گفتگو.
• ایجاد یک فایل AGENT_CONTEXT.md برای یکی از وظایف پرتکرار پروژه.
• جایگزینی فایل‌های README با لینک‌های مستقیم به OpenAPI Spec در پرامپت‌ها.

اما داستان سخت‌افزاری این تحول و نحوه مدیریت حافظه در مدل‌های جدید حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.