اصلاحات لحظه‌ای در برابر دستورات ایستا؛ راهکار ارتقای عملکرد مدل‌ها

اگر امروز از یک فایل قوانین دائمی برای کنترل رفتار هوش مصنوعی خود استفاده می‌کنید، احتمالاً در حال مبارزه با نسخه‌ای از مدل هستید که دیگر وجود ندارد. این دستورالعمل‌های سخت‌گیرانه که زمانی برای رفع خطاهای مدل‌های قدیمی نوشته شده‌اند، اکنون مانند زنجیری دست و پای مدل‌های پیشرفته‌تر را می‌بندند. الکس جیکوبز هشدار می‌دهد که یک لیست دائمی از قوانین برای AI می‌تواند به آرشیوی دیجیتال از شکست‌های گذشته تبدیل شود که به‌طور فعال عملکرد فعلی مدل را تخریب می‌کند.

به نقل از یادداشتی که در ۲۰ اوت ۲۰۲۶ منتشر شد، جیکوبز استدلال می‌کند که نگهداری فایل‌هایی مثل CLAUDE.md — که نوعی پرامپت سیستمی (System Prompt) یا همان دستورالعمل‌های بنیادین مدل است و برای اصلاح رفتار مدل استفاده می‌شود — اغلب منجر به ایجاد مجموعه‌ای از «فرامین» سخت‌گیرانه می‌شود که بر اساس نقاط ضعف قدیمی مدل‌ها نوشته شده‌اند. برای بسیاری از توسعه‌دهندگان، این فایل‌ها در ابتدا راهی برای متوقف کردن AI از تکرار اشتباهات آزاردهنده هستند. با این حال، این قوانین اغلب در لحظات اوج استیصال و عصبانیت نوشته می‌شوند. آن‌ها مانند قوانینی هستند که در اثر خشم پس از یک تعامل بد وضع شده‌اند و مدت‌ها پس از تکامل مدل، همچنان نافذ می‌مانند. این چالش با مسئله‌ی فساد دستورالعمل‌ها در تیم‌های توسعه همسو است که ضرورت نسخه‌بندی قوانین پرامپت را برجسته می‌کند.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت و همراستاسازی مدل‌های زبانی اشاره کردیم، تعادل بین کنترل و انعطاف در مدل‌های زبانی کلیدی است. جیکوبز پرامپت سیستمی را به دفترچه خاطراتی تشبیه می‌کند که هر ورودی آن، یادآور چیزی است که به کاربر آسیب زده است. او اشاره می‌کند که بدترین قوانین معمولاً ۴۸ ساعت پس از یک تراژدی وضع شده و به نام قربانی نام‌گذاری می‌شوند؛ در دنیای AI، قانونی که در ماه مارس پس از یک تعامل بد نوشته شده، تبدیل به یک اصلاحیه قانون اساسی می‌شود که هیچ تاریخ انقضایی (Sunset Clause) ندارد.

از آنجا که مدل‌ها هر چهار ماه یک‌بار به‌روز می‌شوند، این قوانین منجمد شده، مدل‌های هوشمندتر را از مسیر پاسخ‌های صحیحی که می‌توانستند به‌تنهایی پیدا کنند، دور می‌کنند. در واقع، کاربر یک سوابق دائمی از بدترین ۳۰ ثانیه رابطه با مدل را نگه داشته است، در حالی که جیکوبز استدلال می‌کند این خطاها پیش‌تر به‌اندازه کافی در تاریخچه گیت (Git history) ثبت شده‌اند.

جیکوبز فایل CLAUDE.md را یک «آرشیو شکایات» می‌نامد که هر مورد از آن، یادآور یک زخم قدیمی است. طبق گزارش او، برخی از این قوانین رایج می‌توانند نتیجه معکوس بدهند:

• ممنوعیت مستندسازی: قانونی مثل «هرگز فایل مستندات نساز مگر اینکه صریحاً خواسته شود» که هدفش جلوگیری از خلاصه‌های مزاحم بوده، در نهایت باعث می‌شود مدل حتی وقتی README لازم است، با لحنی شبیه به بازرس ساختمان و با استناد به همان قانون، از اجرای درخواست شما خودداری کند.
• محدودیت در کامنت‌گذاری: دستوراتی مثل «توضیحات تکراری در کد ننویس» (مثلاً توضیح اینکه i += 1 مقدار i را افزایش می‌دهد) ممکن است مانع از ارائه توضیحات ضروری در بلوک‌های پیچیده کد شود.
• الزام به اصلاح کد به‌جای تست: قانونی که می‌گوید «اگر تست شکست خورد، کد را اصلاح کن نه تست را»، معمولاً حاصل یک بعدازظهر عصبی در روز سه‌شنبه است اما می‌تواند به حالت‌های خطای غیرقابل‌پیش‌بینی منجر شود.
• محدودیت‌های رفتاری: جملاتی مثل «نگو تو کاملاً درست می‌گویی» یا «از git push --force استفاده نکن»، صرفاً یادآورهای لمینت‌شده‌ای از اشتباهات گذشته هستند.

این اصطکاک به این دلیل رخ می‌دهد که مدل Claude در یک «هارنس» (Harness) یا بستر زمینه‌ای خاص آموزش دیده است. جیکوبز استدلال می‌کند که وزن‌ها (Weights) — یعنی همان تنظیمات داخلی مدل که شبیه به سیناپس‌های مغز برای تشخیص الگوها هستند — در خلاء ایجاد نشده‌اند، بلکه در بستر Claude Code شکل گرفته‌اند. آنچه کاربر دریافت می‌کند، صرفاً یک مدل به اضافه‌ی یک فایل متنی نیست، بلکه مدلی است که در هر اجرا، در برابر آن بستر دقیق شکل گرفته است. در همین راستا، ادغام دستورات سریع در مهارت‌های Claude Code تلاش می‌کند تا اتوماسیون دقیق‌تری را بدون تکیه بر قوانین سخت‌گیرانه فراهم کند.

وقتی کاربر یک فایل متنی ایستا و سفارشی را تحمیل می‌کند، در واقع یک بستر مقدس و بهینه‌شده را با بستری جایگزین می‌کند که هرگز وجود نداشته است. این اتفاق باعث ایجاد «بافت‌های زخم سازمانی» می‌شود؛ دستورالعمل‌هایی که برای مدلی نوشته شده‌اند که دیگر وجود ندارد و حالا نسخه‌ی هوشمندتر را به‌شدت به سمت پاسخ‌های غلط سوق می‌دهند. جیکوبز افزودن خطوط جدید به این فایل‌ها را نوعی «کفر» به اثر اصلی مدل می‌داند.

به‌جای تبدیل زخم‌ها به فایل‌های دائمی، جیکوبز رویکرد «سنت شفاهی» را پیشنهاد می‌کند. او توصیه می‌کند مدل را در لحظه و در همان جلسه چت فعال اصلاح کنید و اجازه دهید این اصلاحات با پایان جلسه بمیرند. او این روش را به نحوه حفظ قوانین شفاهی توسط خاخام‌ها برای قرن‌ها تشبیه می‌کند: یک اصلاح شفاهی در لحظه‌ای که کاربرد دارد زنده می‌ماند، به‌جای آنکه تمام مدل‌های آینده را تا زمان مرگ گرمایی دایرکتوری خانگی (Home Directory) محدود کند. این رویکرد با تعامل با AI مانند یک «دعا» برخورد می‌کند، نه یک «فرمان». برای کسانی که به دنبال جایگزینی حدس و خطا با ساختارهای تأیید شده هستند، چارچوب ballast در Claude Code نمونه‌ای از یک رویکرد ساختاریافته‌تر برای رسیدن به اهداف است.

جیکوبز اشاره می‌کند که در رسیدن به این باور تنها نبوده است. او به «سنت پیتر» استناد می‌کند که با مشاهده نمایش‌های نمایشیِ زیر-عامل‌ها (Subagents)، مناسک حالت برنامه‌ریزی (Plan-mode) و فایل‌های عاملیت با حروف بزرگ و فریادگونه، صرفاً توصیه کرد: «فقط با آن حرف بزنید». در حالی که حتی سنت پیتر هم یک فایل عاملیت ۸۰۰ خطی از «بافت‌های زخم سازمانی» را نگه داشته است، جیکوبز تصمیم گرفته رویکرد «فقط با آن حرف بزنید» را به عنوان انجیل (حقیقت مطلق) بپذیرد.

این تغییر در استراتژی نشان می‌دهد که کارآمدترین راه استفاده از مدل‌های استدلالی بالا، اعتماد به وزن‌های فعلی و بستر اصلی ارائه شده توسط Anthropic است. با رها کردن رویکرد «اصلاحیه قانون اساسی» در پرامپت‌نویسی، کاربران از این ریسک که مدل قوانین قدیمی و عصبی را به رخ آن‌ها بکشد، خلاص می‌شوند.

اگر متوجه شدید هوش مصنوعی شما ناگهان از انجام کارهای ساده خودداری می‌کند، پرامپت‌های سیستمی خود را برای قوانینی که ۶ ماه پیش نوشته شده‌اند بررسی کنید. احتمالاً در حال جنگ با نسخه‌ای از مدل هستید که مدت‌هاست جایگزین شده است.

گام بعدی شما

• فایل‌های قوانین دائمی (مانند CLAUDE.md یا .cursorrules) خود را بازبینی کرده و قوانینی که مربوط به نسخه‌های قدیمی مدل هستند را حذف کنید.
• به‌جای نوشتن دستورات «هرگز نکن»، از اصلاحات لحظه‌ای در هر جلسه چت استفاده کنید تا انعطاف مدل حفظ شود.
• در صورت تکرار خطای مدل، ابتدا بررسی کنید آیا یکی از قوانین قدیمی شما مانع از پاسخ درست مدل در نسخه جدید نشده است؟

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