من المحفزات إلى الوكلاء: كيف أعاد مهندس في Doubletapp صياغة نهجهم في الذكاء الاصطناعي

أندري جاروف، مطور iOS من شركة Doubletapp، شارك تجربته في التطور التي تعكس مسار الصناعة بأكملها. في البداية - محفزات سحرية بسيطة مثل "make no mistakes" و "write if you need more context" التي كانت تستخرج بشكل سحري تقريباً كوداً عاملاً من ChatGPT. ثم - مرحلة الانبهار بالوكلاء، عندما بدا أنه يمكن أتمتة كل شيء تماماً. لكن في النهاية توصل إلى استنتاج: يحتاج إلى نهج مختلف تماماً. ليس كثيراً حول فن كتابة المحفزات المثالية، بل الهندسة المتعلقة ببناء بنية تحتية موثوقة للذكاء الاصطناعي.

من السحر إلى النظامية

المرحلة الأولى - عصر البرمجة الانطباعية. فتح ChatGPT، كتب المهمة، حصل على قطع من الكود، جمعها في التطبيق. إذا حالفه الحظ، عملت. قم بتشغيل Deep Thinking - النتيجة أكثر استقراراً. بدا الأمر وكأنهم وجدوا عصا سحرية. لكن الواقع كان أقسى. أثبتت النتائج أنها غير مستقرة. تنمو المحفزات في الحجم، لكن الموثوقية تنخفض. يتم حل نفس المهمة بطرق مختلفة في أيام مختلفة. كان يحتاج إلى نهج مختلف تماماً - ليس الطلب من النموذج بالكود، بل تنظيم كيفية تفاعلنا معها.

تطورت الصناعة. انتقلنا من الدردشة البسيطة إلى الوكلاء المحليين، ثم أدركنا أهمية التنسيق، وليس مجرد سلسلة من الاستدعاءات. وفي مرحلة ما، فهمنا جميعاً: يجب ألا نكتب الكود في ChatGPT. بدلاً من ذلك، يجب أن نكتب محفزات تكتب المحفزات الصحيحة. وتشكيل البنية التحتية التي تعمل مع هذه المحفزات بشكل موثوق.

هندسة السياق كأساس

اللحظة الرئيسية - هندسة السياق. هذا لا يعني فقط "أعط سياقاً أكبر، وستفهم النموذج". هذا البناء المنهجي لهندسة ما وكيف تشاهد النموذج المعلومات، وما هي الأدوات المتاحة لها، وكيف ترتبط ببعضها البعض.

العناصر المهمة:

• الإعداد الصحيح للسياق هو نصف نجاح الوكيل
• يجب أن تكون مجموعة الأدوات قابلة للتنبؤ والأمان للنموذج
• يجب أن تكون معالجة الأخطاء والتراجع كما هو الحال في الكود العادي
• الاختبار والمراقبة - ليست خياراً بل متطلباً
• إصدار المحفزات والإعدادات، مثل في Git

هذا لم يعد فن كتابة محفز فائق. هذه هندسة.

التنسيق بدلاً من السحر

ثم تأتي التنسيق. ليس وكيل واحد كبير يفعل كل شيء مرة واحدة. بل نظام حيث يكون كل مكون مسؤولاً عن جزء واحد. يحلل أحدهما السياق، والآخر يعمل مع المنطق، والثالث يتحقق من النتيجة. يشبه هذا البنية المعمارية العادية للتطبيق، ولكن تطبقت على الأنظمة القائمة على الذكاء الاصطناعي.

وهنا يظهر مفارقة مثيرة للاهتمام: تبدأ بالقلق بشأن حقن المحفزات ليس كثغرة غريبة الأطوار، بل كجزء من أمانك، تماماً كما كان الحال بشأن حقن SQL في وقت سابق. تحتاج إلى حدود واقية، والتحقق من صحة بيانات الإدخال، نظافة الواجهات بين المكونات - كل شيء كما هو الحال في التطوير العادي.

ثم يأتي meta-prompting - عندما تساعدك النموذج نفسها على توليد وتحسين المحفزات. لكن هذا لم يعد سحراً، بل أداة.

ما معنى هذا

ينتقل المطورون إلى مستوى جديد: من "اطلب الكود في ChatGPT" إلى "بناء نظام يعرف كيف يعمل مع الذكاء الاصطناعي بشكل موثوق". يصبح تطوير الذكاء الاصطناعي أكثر قابلية للتنبؤ وقابلية للتوسع والكفاءة الهندسية. مثل التطوير العادي، لكن مع تحديات جديدة.