शुरुआत में
- जब AI coding का नतीजा मनमुताबिक न हो, तो बिना सोचे-समझे tokens खर्च करने के बजाय इरादे के लिए सचमुच ज़रूरी जानकारी चुनकर context के रूप में देना कहीं अधिक असरदार होता है.
- वजह यह है कि model का context window बड़ा हो जाने पर भी, बहुत ज़्यादा जानकारी उल्टा AI के लिए ज़रूरी हिस्से को ढूंढना और समझना मुश्किल बना सकती है.
- legacy codebase में coding agent से अधिक संतोषजनक नतीजे पाने के लिए मैं जो 4 तकनीकें इस्तेमाल करता हूँ, उनका परिचय. ये model performance पर बहुत अधिक निर्भर नहीं हैं, और अभी इसी समय आपका time और cost दोनों बचाने वाले व्यावहारिक तरीके हैं.
1. implementation से पहले exploration और understanding से शुरू करें
- समस्या हल करने या code बदलने से पहले, domain और codebase की समझ बढ़ाने में समय लगाना फायदेमंद होता है.
- इससे आप अधिक सटीक technical terms का इस्तेमाल कर सकते हैं, सही files को refer करा सकते हैं, और AI को ज़्यादा pinpoint तरीके से काम करने दे सकते हैं.
- इस चरण में code modification से बचना और AI से सवाल पूछते हुए knowledge इकट्ठा करने पर ध्यान देना बेहतर है.
2. follow करने लायक code दिखाएँ
- LLM औसत की तरफ converging करने की प्रवृत्ति रखता है, इसलिए output की quality बढ़ाने के लिए अच्छे code examples देना ज़रूरी है.
- code convention को लंबे लेखन में समझाने से कहीं बेहतर है कि अच्छी तरह लिखा हुआ example code दिखाकर कहा जाए, 'इसी function की तरह लिखो'.
- खासकर जब किसी specific pattern को migrate करना हो, तो पहले कुछ हिस्सों को सही तरीके से convert करके AI को example के रूप में दिखाएँ; फिर वह बाकी काम बहुत अच्छी तरह संभाल लेता है.
3. scripts को tools की तरह हाथ में दें
- static analysis tools को AI के लिए usable tool के रूप में देने से LLM की कमज़ोर निचली सीमा वाली समस्याओं की भरपाई की जा सकती है और output की quality बेहतर होती है.
- और i18n keys ढूँढने वाले script की तरह, जिन कामों में बार-बार गलती होने की संभावना रहती है, उनके लिए script बनाकर AI से उसका उपयोग करवाने पर समस्या को भरोसेमंद तरीके से रोका जा सकता है.
- इसी तरह, जिन extraction/transform tasks का pattern स्पष्ट हो, उन्हें सीधे AI से करवाने के बजाय उस काम के लिए script लिखवाकर चलाना कहीं अधिक सटीक होता है.
4. धारा के ऊपर वाले हिस्से को ठीक करें
- गलत output देखकर सिर्फ उसे ठीक करने को कहने से बेहतर है, शुरुआत में ही ऐसे output के कारण रहे 'prompt' को सुधारना.
- इससे भी आगे, prompt बनाने की process को सुधारना और अच्छा है (जैसे example code या test code पहले लिखना).
- और उससे भी आगे, उस process को बनाने वाले दिमाग को सुधारना और बेहतर है. AI के साथ हुए अनावश्यक ping-pong अनुभवों पर पीछे मुड़कर सोचें, और यह समझने की क्षमता बढ़ाएँ कि कब खुद हस्तक्षेप करना है और कब AI का उपयोग करना है.
अंत में
- agents के प्रमुख benchmarks में से एक है 'वे कितनी देर तक काम कर सकते हैं', लेकिन व्यवहारिक रूप से (मुझे शामिल करते हुए) अधिकांश users में अभी इतनी क्षमता नहीं है कि वे agents से उनकी सीमा तक काम करवा सकें.
- मेरा मानना है कि 'जो agent को सौंपे जाने लायक काम पहचान सके, उसे सही tools दे सके, और सही prompting के साथ उससे लंबे समय तक काम करवा सके' वही AI युग का top-tier talent बनेगा.
- उम्मीद है कि इस लेख में बताई गई तकनीकें ऐसे talent बनने की training में मदद करेंगी.
1 टिप्पणियां
यह मेरे अनुभव से भी मेल खाता है!