اوپنایآی مستندات جدیدی برای GPT-6 Astra منتشر کرده که نقاط ضعف رفتاری مدل و روشهای کنترلی برای توسعهدهندگان را تشریح میکند. راهنمای منتشرشده نشان میدهد چگونه با پرامپتهای دقیق مدل را به سمت تولید خروجیهای قابل بررسی و اقدام مستقل هدایت کنیم و از بهکارگیری عبارتهای مبهم معروف به «slop words» پرهیز کنیم.
چرا GPT-6 Astra بیشتر سؤال میپرسد و پیامدهای آن
GPT-6 Astra نسبت به نسخههای پیشین مانند GPT-5.6 Sol در مواجهه با موارد نامشخص بیشتر از کاربر سؤالهای روشنکننده میپرسد تا از فرضیات نادرست جلوگیری کند. این رفتار همکاری مدل را مؤثرتر میکند، اما گاهی باعث توقف زودهنگام در جایی میشود که کاربر انتظار ادامهٔ کار یا تولید خروجی دارد.
پرامپتهایی که مدل را به عمل میکشانند
برای افزایش گرایش به اقدام و تولید نتایج ملموس، نکات زیر را در پرامپتنویسی لحاظ کنید:
- نیت کاربر و دامنهٔ کار را از دستورات و گفتوگوی قبلی استنباط کن و تا تکمیل هدف پیش برو.
- اگر کاربر قصد حل یک مشکل یا ایجاد خروجی جدید دارد، در حدی مستقل عمل کن که معمولاً یک توسعهدهنده عمل میکند (مثلاً شاخهٔ جدا بساز، تعارض مرج را بررسی کن، پیشنویس PR ایجاد کن)، مگر اینکه عمل برگشتناپذیر یا مخرب باشد.
- اول خروجیِ قابل بازبینی تولید کن؛ سپس برای تأیید از کاربر درخواست بازخورد کن. قاعدهٔ پیشنهادی: «کاربر باید خروجی مشخص و قابل بررسی را تأیید کند.»
نمونه دستورهای پیشنهادی
- «از گفتوگو و دستورات پیشین نیت کاربر را استنباط کن و تا تهیهٔ یک خروجی بازبینیشدنی ادامه بده.»
- «اگر برای حل مسئله نیاز به ایجاد فایل یا شاخه است، اقدام لازم را انجام بده و نتایج را گزارش کن، مگر اینکه عمل برگشتناپذیر باشد.»
حساسیت به زمینه و مدیریت فایلهای مهارت
GPT-6 Astra توانایی دنبالکردن دستورالعملهای بلند دارد اما به کیفیت و سازگاری اسناد زمینهای حساستر شده است. دستورالعملهای نامشخص یا متناقض در فایلهایی مانند AGENTS.md میتواند باعث توقف یا انحراف کار شود. توصیهها:
- همهٔ فایلهای مهارت و اسناد زمینهای که مدل به آنها دسترسی دارد مرور و ناسازگاریها را رفع کنید.
- در اولویتبندی، دستور کاربر را صریح مشخص کنید تا مدل تردید نداشته باشد.
- برای اشکالزدایی، پرامپتی در اختیار مدل قرار دهید که نام دقیق فایل مهارت و بخشی از دستورالعملی را که باعث توقف شده نقلقول کند؛ این کار منبع خطا را سریعتر مشخص میکند.
قواعد نگارش و فهرست کلمات مبهم (slop words)
برای کنترل سبک خروجی و کاهش جملات کلیشهای یا مبهم، این دستورالعملها کاربردی هستند:
- متن نثرِ موجز، با زبان ساده و فعلهای معلوم بنویس؛ هر پاراگراف یک ایده را توسعه دهد.
- فقط وقتی اطلاعات واقعاً موازی یا متوالی است از فهرست استفاده کن و از فهرستهای تو در تو اجتناب کن.
- از واژگان آشنا، مثالهای ملموس و افعال دقیق استفاده کن؛ نکتهٔ اصلی را ابتدا روشن کن و سپس جزئیات لازم را بیاور.
نمونههای slop words که باید محدود یا حذف شوند
اوپنایآی موارد زیر را بهعنوان نمونههایی از عبارات مبهم معرفی میکند که بهتر است استفاده نشوند یا محدود شوند: «delve into»، «foster»، «leverage» یا ترکیبهای کلی مانند «use/leverage»، عبارات کلیگرا مانند «it’s worth noting»، و عبارتهای ساختگی مرکب با خط تیره مانند «exact-head checks» یا «editorial-row layouts». همچنین از جمعبندیهای کلی یا قیاسهای کممعنی باید پرهیز شود.
راهبردهای ساده برای اجتناب از slop words
بهجای کلیگویی از افعال صریح و جملات کوتاه استفاده کنید و دقیقاً بیان کنید چه کاری انجام میدهید. برای نوشتار فنی، تنها وقتی از اصطلاحات تخصصی بهره ببرید که واقعاً درک مطلب را تسهیل کند. این رویکرد هم خوانایی را بالا میبرد و هم احتمال تولید خروجیهای تکراری یا مبهم را کاهش میدهد.
پیشنهادهای عملی برای توسعهدهندگان
- فهرستی از همهٔ اسناد و فایلهای مهارتی که مدل به آنها دسترسی دارد تهیه و آنها را بازبینی کنید.
- در هر پرامپت صریحاً درخواست کنید خروجیِ قابل بررسی تولید شود و مدل تا تهیهٔ آن برای تأیید منتظر بماند.
- یک پرامپت اشکالزدایی اضافه کنید که مدل را ملزم به ذکر نام فایل و نقلقول بخشی از دستورالعملِ مشکلزا کند تا منبع خطا مشخص شود.
- قواعد سبک (مثلاً اجتناب از slop words، اولویت فعل معلوم و پاراگرافهای کوتاه) را در قالب یک الگوی نوشتاری به مدل ارائه کنید و بهعنوان فایل مرجع نگهدارید.
برای مطالعهٔ بیشتر دربارهٔ پرامپتنویسی و بهترین شیوهها میتوانید مروری در صفحهٔ Prompt engineering در ویکیپدیا و اطلاعات کلی دربارهٔ شرکت اوپنایآی در صفحهٔ اوپنایآی ببینید.
گام بعدی
توسعهدهندگان باید فوراً فایلهای مهارت و اسناد زمینهای را حسابرسی کنند و پرامپتهایی بسازند که مدل را ملزم به ارائهٔ خروجیهای ملموس و ادامهٔ کار تا تکمیل هدف کند. با حذف کلمات مبهم و مشخصکردن اولویتها، GPT-6 Astra در جریانهای کاری تیمی دقیقتر و کاربردیتر عمل خواهد کرد.
