أنشئ مكتبة طلبات قابلة لإعادة الاستخدام / ما يمكنك فعله فعليًا بالذكاء الاصطناعي

أنشئ مكتبة طلبات قابلة لإعادة الاستخدام

الطلبات التي تنجح تستحق الحفظ. مكتبة مشتركة تعني ألا يبدأ أحد من صندوق فارغ، وأن طلبًا جيدًا كُتب مرة واحدة ينتشر في الفريق بأكمله.

البنية

ما الذي يوضّحه الطلب الموثوق به

الدور تصرّف كأخصائي حالة يكتب لعميل بمستوى قراءة الصف السادس.

المهمة اشرح أي الوثائق ينبغي إحضارها إلى الموعد.

الصيغة قائمة مرقّمة قصيرة، أقل من 120 كلمة، بلغة بسيطة.

قاعدة أمان إذا لم تكن متأكدًا من تفصيلة، فقل ذلك؛ ولا تختلق ساعات عمل أو قواعد.

الطلب المحفوظ الذي يحدد الدور والمهمة والصيغة وقاعدة أمان هو ما يجعل النتيجة قابلة للتكرار بدلاً من أن تكون رهن الحظ.

احفظ الطلبات التي تنجح في مستند مشترك حتى لا يعيد أحد بناء طلب جيد من الذاكرة، وحتى يصبح الطلب الذي أتقنه شخص واحد شيئًا يستطيع الفريق بأكمله تولّيه وتشغيله.
أعطِ كل طلب اسمًا بسيطًا يوضّح ما يفعله ونسخة قابلة للتعبئة، بعناصر نائبة موسومة مثل [الصق النص، دون معرّفات العميل] تحل محل التفاصيل الحقيقية.
أضف سطرًا واحدًا إلى كل طلب يحدد ما ينبغي التحقق منه قبل استخدام النتيجة، إذ سيشغّل الطلب المحفوظ نفسه أشخاص لم يكتبوه.
اكتب الصياغة الدقيقة التي نجحت، بما في ذلك الصيغة التي طلبتها وأي مثال أعطيته، لأن التغييرات الصغيرة في الصياغة أو الأمثلة يمكن أن تغيّر ما يعود إليك.
أبقِ أسماء العملاء وأرقام A وتفاصيل الحالات خارج كل طلب محفوظ، كي لا تصبح المكتبة المشتركة أبدًا مكانًا تتراكم فيه بيانات العملاء بصمت.
دع الموظفين يضيفون طلبات ويشيرون إلى تلك التي تثبت جدواها، كي تعكس المكتبة ما ينجح فعليًا في برامجك، لا ما بدا جيدًا مرة واحدة فقط.
دوّن تاريخ كل طلب وراجع المكتبة عندما تتغير أدواتك، لأن صياغة نجحت مع نسخة من أداة قد تبدأ بصمت في إعادة شيء مختلف.

كيف يعمل، وأين يتعطّل

يتعلّم النموذج المهمة من الطلب نفسه

حين تعطي إحدى هذه الأدوات طلبًا، فهي لا تُعاد تدريبها. بل تقرأ صياغتك وأي أمثلة تضمّها، وتنتج الإجابة لهذا التبادل الواحد فقط، معتمدة على النص الدقيق الماثل أمامها. سُمّي هذا السلوك، أي استيعاب مهمة من تعليمات وبضعة أمثلة موضوعة داخل الطلب، بالتعلّم من السياق (in-context learning)، وثبت أنه يعمل على نطاق واسع (Brown وزملاؤه، 2020). ولهذا فإن تعليمة واضحة مع مثال عملي كثيرًا ما تمنحك نتيجة أفضل من طلب مجرّد، ولهذا يستحق الطلب المحدد الذي نجح أن يُحفظ كلمة كلمة.

تغييرات صغيرة في الصياغة يمكن أن تغيّر الإجابة

لأن النموذج يعتمد على نصك الدقيق، يمكن أن يعود الطلب نفسه مختلفًا حين تعيد صياغته، أو تعيد ترتيب الأمثلة، أو تغيّر التنسيق. وجدت دراسة مضبوطة أن تغييرات في تنسيق الطلب وحده، مع بقاء المعنى ثابتًا، حرّكت دقة نموذج على نطاق واسع في المهمة نفسها (Sclar وزملاؤه، 2024). بالنسبة لعمل المؤسسة، يعني هذا أن الطلب الذي نجح شخص ما في تشغيله هو أصل محدد، وأن إعادة كتابته من الذاكرة يمكن أن تغيّر بصمت النتيجة التي يراها العميل في النهاية.

الطلب المحفوظ والمختبَر قطعة صغيرة من ضبط الجودة

حين يعيد الطلب بموثوقية ما تحتاجه، فإن حفظ الصياغة الدقيقة يحوّل نتيجة محظوظة إلى نتيجة قابلة للتكرار. كل من يشغّل النسخة المحفوظة يبدأ من الصياغة التي جرى التحقق منها، فيقل تفاوت الناتج من شخص لآخر، وينصبّ انتباهك على التحقق من النتيجة بدلاً من إعادة بناء الطلب. وإبقاء سطر التحقق ملحقًا بالطلب يعني أن خطوة التحقق تنتقل معه إلى من يشغّله لاحقًا.

اجعل الطلب قابلًا لإعادة الاستخدام

كيف تحوّل طلبًا إلى قالب يمكن لفريقك إعادة استخدامه

أعطه اسمًا بسيطًا يوضّح ما يفعله، مثل نشرة بلغة بسيطة من سياسة.
استبدل التفاصيل المحددة بعناصر نائبة موسومة بوضوح مثل [الصق النص، دون معرّفات العميل].
أضف سطرًا واحدًا حول ما ينبغي التحقق منه قبل صدور النتيجة.
احفظه في مستند مشترك يمكن لكل الفريق فتحه وتحريره.
دوّن التاريخ، وراجعه عندما تتغير أدواتك.

طلب نجح مرة واحدة قالب قابل لإعادة الاستخدام للفريق

حوّل طلبًا نجح إلى قالب يمكن للفريق إعادة استخدامه

أعد كتابة هذا الطلب كقالب نظيف وقابل لإعادة الاستخدام. استبدل أي تفاصيل محددة بعناصر نائبة موسومة بوضوح، واجعله خاليًا من الأسماء والمعرّفات، وأضف سطرًا واحدًا يذكّر المستخدم بما ينبغي التحقق منه قبل استخدام النتيجة. [الصق الطلب الذي تريد حفظه]

قاعدة أمان. احفظ القالب حيث يمكن للفريق إيجاده، وأبقه خاليًا من معرّفات العميل.

طلب تظن أنه يعمل طلب اختبرته تحت الضغط

اختبر الطلب تحت الضغط قبل إدراجه في المكتبة

هذا طلب أريد حفظه لفريقي. شغّله كما هو مكتوب، ثم أخبرني أين تكون صياغته غامضة، وأين يمكن أن يلصق المستخدم شيئًا يعطّله، وأين يمكن أن يخرج الناتج خاطئًا دون أن يلاحظ المستخدم. اقترح نسخة أكثر إحكامًا واحدة، واسرد ما ينبغي للمستخدم التحقق منه قبل الوثوق بالنتيجة. [الصق الطلب الذي تريد حفظه]

قاعدة أمان. احفظ الطلب المُحكَم حيث يمكن للفريق إيجاده، وأبقه خاليًا من معرّفات العميل. انظر الوحدة 6.

كومة من الطلبات المحفوظة فهرس منظّم وسهل الإيجاد

اكتب فهرسًا قصيرًا كي تبقى المكتبة قابلة للاستخدام

هذه قائمة بعناوين الطلبات التي حفظها فريقي. جمّعها في بضع فئات بسيطة، واقترح وصفًا من سطر واحد لكل منها كي يعرف الموظف الجديد متى يستخدمه، وأشر إلى أي طلبين يبدوان مكرَّرين كي ندمجهما. [الصق قائمة عناوين الطلبات، دون معرّفات العميل]

قاعدة أمان. يمكن للأداة ترتيب العناوين لكنها لا تستطيع الحكم على أي طلب آمن أو حديث، لذا يراجع شخص كل واحد قبل أن يبقى في المكتبة. انظر الوحدة 6.

مثال عملي

الطلب نفسه، مُعاد كتابته من الذاكرة

لدى أخصائي حالة طلب يحوّل بموثوقية إشعار مزايا إلى نشرة بلغة بسيطة، وينتهي بسرد كل تاريخ ومبلغ كي يتحقق منها.
تعجب زميلة بالنتيجة وتعيد كتابة الطلب من الذاكرة، فتُسقط السطر الختامي الذي يطلب سرد التواريخ والمبالغ.
تُقرأ نسخة الزميلة بالسلاسة نفسها، لكن النشرة لم تعد تستخرج المواعيد النهائية في قائمة قابلة للتحقق، فيبقى موعد تقديم مدفونًا في فقرة يسهل تفويته.
تنسخ الطلب المحفوظ كلمة كلمة، فتعود القائمة القابلة للتحقق، وتضيف الصياغة الدقيقة إلى المكتبة المشتركة كي يبدأ الشخص التالي من الطلب الذي جرى اختباره.

قاعدة أمان. لا يكون الطلب المشترك آمنًا إلا إذا كان خاليًا من بيانات العميل. حافظ على نظافة المكتبة واجعل مراجعتها عادة لدى الفريق. انظر الوحدة 4 والوحدة 6.

المصادر

Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., Neelakantan, A., Shyam, P., Sastry, G., Askell, A., Agarwal, S., Herbert-Voss, A., Krueger, G., Henighan, T., Child, R., Ramesh, A., Ziegler, D. M., Wu, J., Winter, C., ... Amodei, D. (2020). Language models are few-shot learners. In Advances in Neural Information Processing Systems 33 (pp. 1877-1901). https://arxiv.org/abs/2005.14165
Sclar, M., Choi, Y., Tsvetkov, Y., & Suhr, A. (2024). Quantifying language models' sensitivity to spurious features in prompt design or: How I learned to start worrying about prompt formatting. In The Twelfth International Conference on Learning Representations (ICLR). https://arxiv.org/abs/2310.11324