دایانا هو (Diana Hu) از شتاب دهنده معروف Y Combinator، اخیراً مصاحبه ای جذاب با بوریس چرنی، خالق و مدیر پروژه Claude Code در شرکت آنتروپیک (Anthropic) انجام داده است. چرنی در این مصاحبه با صراحت اعلام کرد که توانمندی های Claude Code بسیار فراتر از آن چیزی است که عموم مردم تصور می کنند؛ تا جایی که مهندسی پرامپت (Prompt Engineering) تا حد زیادی اهمیت خود را از دست داده است. با توجه به اینکه هوش مصنوعی کلود دیگر نیازی به «بیش از حد فکر کردن» برای نوشتن دستورات ندارد، او پیشنهاد کرد که کاربران Claude Code بهتر است همین حالا اینفلوئنسرهای هوش مصنوعی در توییتر و لینکدین را آنفالو کنند!
مهندسی پرامپت امروز کمتر از همیشه کاربرد دارد
یکی از نکاتی که چرنی با هیجان در مورد آن صحبت کرد، این بود که Claude Code به شدت توانمند است و دیگر نیازی به پرامپت های وسواس گونه و بسیار دقیق ندارد. او برای اثبات این موضوع، مثالی از یک آزمایش داخلی وایرال شده در شرکتشان آورد. در این آزمایش، یک مهندس به کلود دسترسی به کتابخانه OpenCV (یک کتابخانه متن باز بینایی ماشین با چندین هزار الگوریتم پردازش تصویر در لحظه) را داد. سپس از کلود خواسته شد تا تصاویری را رسم کند؛ و کلود دقیقاً این کار را انجام داد! قابلیتی که کاملاً دور از انتظار تیم سازنده بود.
در دنیای هوش مصنوعی، رسیدن به نقطه ای که ابزار بتواند بدون دستورالعمل های پیچیده، از کتابخانه های برنامه نویسی استفاده کند، یک جهش بزرگ محسوب می شود. ما در تیم توسعه و طراحی سایت دانش وب نیز بارها شاهد بوده ایم که استفاده از کدهای پایه و سپردن منطق پیاده سازی به مدل های پیشرفته، بسیار سریع تر از نوشتن خط به خط کدها توسط انسان و یا نوشتن پرامپت های طولانی جواب می دهد.
هدف از بیان این خاطره، انتقال این پیام مهم بود که توانایی های Claude Code بسیار فراتر از نیاز به «مهندسی پرامپت» است. در ادامه، دایانا هو درباره استخراج پتانسیل های مدل (Model Elicitation) پرسید؛ فرآیندی که در آن قابلیت های پنهان مدل های هوش مصنوعی کشف و شکوفا می شود.
دایانا هو پرسید:
«بنابراین، حوزه بزرگ تحقیقاتی در حال حاضر اساساً روی استخراج توانمندی های مدل متمرکز است، درست است؟ یعنی اینکه در کشف این قابلیت ها مهارت پیدا کنیم و از مدل بخواهیم کار درست را انجام دهد.
مردم چگونه می توانند در این زمینه بهتر شوند؟ و در واقع، چگونه می توانند در مهندسی پرامپت پیشرفت کنند؟ آیا هنوز هم نیاز به انجام حجم زیادی از مهندسی پرامپت هست یا این موضوع هم در حال تغییر است؟
به ما بگویید این مسیر به کدام سمت می رود.»
یکی از نکاتی که چرنی مدام روی آن تاکید می کرد این بود که باید به Claude Code وظایف سختی بدهید؛ کارهایی که فراتر از انتظارات شما از توانایی های کلود باشد (دقیقاً مانند مثال OpenCV).
این تصویر به طور خاص برای توضیح مفهوم «راستی آزمایی» طراحی شده است. در این ویزوال، رابط کاربری اپلیکیشن دسکتاپ کلود در دو نسخه Electron (اصلی) و Swift (بازنویسی شده) روی یک ماشین مجازی مک نمایش داده شده است. یک ذره بین دیجیتال، عمل مقایسه پیکسل به پیکسل را که توسط ایجنت Claude Code انجام می شود، نشان می دهد. آواتار کلود در حال بررسی انطباق دقیق رابط کاربری است و پیام «تایید شد» با تیک سبز در زیر آن دیده می شود.
چرنی پاسخ داد:
«بله، به یاد دارم حدود یک سال پیش، یکی از محبوب ترین عناوین شغلی “مهندس پرامپت” بود. بعد از مدتی تغییر کرد و فکر می کنم به “مهندس زمینه” (Context Engineer) تبدیل شد. بنابراین موج های مختلفی از این عناوین وجود دارد که فکر می کنم می آیند و می روند.
به نظر من مهارت اصلی در دنیای امروز، کمتر به مهندسی پرامپت ربط دارد و بیشتر حول این محور می چرخد که: چگونه می توانید به کلود یک وظیفه سخت بدهید که حتی به نظر کمی بیش از حد دشوار می رسد؟ و سپس، چگونه بستری فراهم می کنید تا کلود بتواند در طول مسیر، کار خود را راستی آزمایی و تایید (Verify) کند؟
و به اعتقاد من، این بخشِ “راستی آزمایی” دقیقاً همان چیزی است که اکثر افراد در انجام آن اشتباه می کنند.»
در این بخش از مصاحبه، چرنی توضیح داد که چگونه به Claude Tag (نسخه ای از کلود که به عنوان یک ایجنت یا نماینده مستقل درون نرم افزار Slack کار می کند) دسترسی به یک ماشین مجازی مک (Mac Virtual Machine) را داد و سپس یک تسک برنامه نویسی بسیار پیچیده از آن خواست. او از کلود خواست تا اپلیکیشن دسکتاپ کلود را بازنویسی کند و آن را از فریم ورک متن باز Electron به زبان برنامه نویسی بومی اپل، یعنی Swift تغییر دهد. چرنی برای این کار از یک دستور ساده و مستقیم استفاده کرد و اصلاً خودش را درگیر محدودیت ها و دستورالعمل های پیچیده نکرد.
توضیحات او درباره این تسک و پرامپت مربوطه به این شکل بود:
«من گفتم: خیلی خب، کاری که الان از تو می خواهم این است که اپلیکیشن Electron را با زبان Swift بازنویسی کنی. می خواهم اپلیکیشن Electron را در ماشین مجازی مک اجرا کنی، از آن اسکرین شات بگیری و سپس پیکسل به پیکسل آن را با نسخه Swift مقایسه کنی.
تا زمانی که کارت تمام نشده، متوقف نشو!
…بنابراین این واقعاً یکی از آن نمونه هایی است که مدل همین امروز هم قادر به انجامش است؛ فقط باید به آن اجازه دهید کارش را بکند و نیازی به کارهای عجیب و غریب ندارید.
شما به تگ های /goal یا /loop نیازی ندارید. بله، این ها کمک می کنند، اما در واقع تنها چیزی که نیاز دارید این است که کار را به مدل بسپارید، راهی برای ارزیابی خروجی در اختیارش قرار دهید تا در مسیر گیر نکند، و او خودش مسیر را طی می کند.
…و جالب است بدانید که در این مورد خاص، کلود تصمیم گرفت کارهایش را به صورت زنده گزارش دهد (Live blog). او یک کانال داخلی در اسلک ایجاد کرد و هر چند دقیقه یک بار، اسکرین شات هایی از پیشرفت کار خود را در آنجا منتشر می کرد!»
کاربران Claude Code چگونه می توانند حرفه ای تر شوند؟
دایانا هو، مصاحبه کننده، از اینکه یک تسک پیچیده برنامه نویسی تنها با یک پرامپت ساده انجام شده بود، ابراز شگفتی کرد. او سپس پرسید که کاربران Anthropic Claude Code چگونه می توانند به افراد متخصص تری در کار با این ابزار تبدیل شوند. پاسخ چرنی این بود که کار با Claude Code باید به صورت «تجربی» (Empirically) انجام شود؛ یعنی از طریق تجربه مستقیم و مشاهده اینکه کارها چگونه پیش می روند.
او پرسید:
«چه چیزی افرادی را که می توانند به یک درصد برتر کاربران کلود تبدیل شوند، از بقیه متمایز می کند؟ مردم چگونه می توانند یاد بگیرند مثل بوریس از کلود استفاده کنند؟»
چرنی پاسخ داد:
«شاید بهترین راه این باشد که به حرف های اینفلوئنسرهای لینکدین گوش ندهید. به آن ها گوش ندهید و توییتر را نخوانید!
نکته ای که درباره این مدل وجود دارد این است که فکر می کنم همه به دنبال یک “ترفند عجیب و جادویی” برای کار با آن هستند. اما چنین چیزی وجود ندارد؛ هیچ ترفند خاصی در کار نیست.
روش کار مدل به این صورت است که باید به شکل تجربی با آن برخورد کنید. باید به آن یک وظیفه بسیار سخت بدهید.
باید ابزارهایی برای تایید و بررسی کار به آن بدهید؛ دقیقاً همان طور که اگر خودتان در حال انجام آن کار بودید، آن را بررسی می کردید.
باید ببینید مدل در کجا با مشکل مواجه می شود و در آن نقطه تقلا می کند، سپس باید آن را برطرف کنید. این کار را می توانید با بهبود پرامپت، اضافه کردن یک مهارت جدید، یا اگر مدل دچار کمبود اطلاعات و زمینه (Context) است، با ارائه یک MCP (پروتکل زمینه مدل) حل کنید تا بتواند اطلاعات مورد نیازش را فراخوانی کند. واقعیت ماجرا همین است.»
وقتی صحبت از سئو و تولید محتوا در مجموعه هایی مانند دانش وب می شود، ما نیز به همین رویکرد تجربی رسیده ایم. به جای نوشتن پرامپت های ۱۰۰۰ کلمه ای برای گرفتن یک مقاله، صرفاً چهارچوب اصلی رقابت در گوگل، کلمات کلیدی هدف و امکان سرچ در وب را به هوش مصنوعی می دهیم و اجازه می دهیم خودش مسیر رسیدن به محتوای بهینه را پیدا کند.
این تصویر مستقیماً به توصیه بوریس چرنی برای آنفالو کردن اینفلوئنسرها اشاره دارد. در سمت راست، گروهی از شخصیت های کارتونی (اینفلوئنسرها) با مگافون در حال فریاد زدن توصیفات کلیشه ای و سطحی (مثل «پرامپت جادویی!» به زبان فارسی) هستند. در سمت چپ، یک کاربر حرفه ای (Expert User) کاملاً متمرکز بر روی پروژه های پیچیده برنامه نویسی است و به جای گوش دادن به هیاهو، در حال تعامل مستقیم، عمیق و همکارانه با آواتار هوشمند کلود (Claude AI avatar) است.
تعیین جزئیات بیش از حد (Over-Specifying)، نتیجه عکس می دهد
مصاحبه کننده (هو) اشاره کرد که این روش بسیار ساده به نظر می رسد. چرنی در پاسخ گفت که به نظر او «مردم معمولاً بیش از حد روی این موضوع فکر می کنند و سخت می گیرند.» منظور او این بود که با توانمندی های فعلی Claude Code، دیگر نیازی به مشخص کردن وسواس گونه تمام جزئیات نیست.
او ادامه داد:
«فکر می کنم مردم تمایل دارند در مهندسی پرامپت زیاده روی کنند (Over-engineer). دلیلش این است که در گذشته، وقتی سیستم هایی را می ساختیم، این تنها راهی بود که باید کارها را انجام می دادیم.
بنابراین وقتی به برنامه نویسانی نگاه می کنم که سال ها یا دهه هاست در حال کدنویسی هستند، می بینم که این یک خطای بسیار بسیار رایج در میان آن هاست. آن ها سعی می کنند جزئیات را بیش از حد مشخص کنند و می خواهند مدل، وظیفه را دقیقاً به همان روشی انجام دهد که خودشان انجام می دادند.
اما این روش کار کردن مدل های هوش مصنوعی امروزی نیست!
من فکر می کنم افراد زیادی در حال یادگیریِ کنار گذاشتن این عادت هستند و این یک مسیر تکاملی برای فراموش کردن روش های قدیمی است. این مسیری است که در آن یاد می گیرید چگونه با این ابزار، درست مانند یک “همکار انسانی” رفتار کنید.
من فکر می کنم سطح هوش این مدل اکنون به چنین جایگاهی رسیده است.»
نکات کلیدی مقاله
- اهمیت مهندسی پرامپت کمتر از آن است که دستورالعمل های شفاف بدهید و راه هایی برای ارزیابی و تایید کار برای کلود مشخص کنید.
- کلود به قدری پیشرفت کرده است که بسیاری از ترفندهای مرسوم “مهندسی پرامپت” دیگر نیازی نیستند.
- Claude Code بسیار تواناتر از چیزی است که اکثر کاربران تصور می کنند.
- Claude Code را با وظایف و چالش های سخت تر به چالش بکشید.
- آزمون و خطا کردن و بررسی نتایج، بسیار مفیدتر از وسواس در نوشتن پرامپت است.
- بیش از حد روی نوشتن پرامپت ها فکر نکنید و آن را پیچیده نسازید.
نتیجه گیری
دنیای هوش مصنوعی با سرعتی باورنکردنی در حال عبور از مرحله «دستورات ماشینی و فرمولی» به سمت «درک عمیق و عاملیت هوشمند» است. همان طور که بوریس چرنی اشاره کرد، اصرار بر استفاده از ترفندهای پیچیده مهندسی پرامپت، بیشتر شبیه به تلاش برای کنترل میکروسکوپی یک همکار فوق العاده باهوش است که در نهایت منجر به محدود کردن پتانسیل های او می شود. کسب وکارها و متخصصان دیجیتال باید بپذیرند که کلید موفقیت در استفاده از مدل های امروزی مانند Claude Code، تعریف دقیق مسئله، فراهم کردن ابزارهای راستی آزمایی و اعتماد به توانایی حل مسئله ی هوش مصنوعی است. اگر می خواهید در سئو، برنامه نویسی یا تولید محتوا دستِ برتر را داشته باشید، وقت آن رسیده که از چارچوب های سخت گیرانه فاصله بگیرید، به هوش مصنوعی به چشم یک دستیار ارشد نگاه کنید و با سپردن چالش های بزرگ تر، شاهد نتایج شگفت انگیز آن باشید. این دقیقاً همان رویکردی است که مرز بین کاربران عادی و حرفه ای ها را در آینده ی تکنولوژی مشخص می کند.