Giriş
- Yapay zeka ile kodlama sonuçları istediğiniz gibi olmadığında, rastgele token harcamak yerine niyetiniz için gerçekten gerekli bilgileri ayıklayıp bağlam olarak vermek çok daha etkilidir.
- Modelin bağlam penceresi büyüse bile, fazla bilgi yapay zekanın istenen kısmı bulmasını ve anlamasını aksatabilir.
- Legacy kod tabanında kodlama ajanından daha tatmin edici sonuçlar almak için kullandığım 4 tekniği tanıtıyorum. Bunlar model performansına çok fazla bağlı değildir ve hemen şimdi hem zaman hem maliyet tasarrufu sağlayabilecek pratik yöntemlerdir.
1. Uygulamadan önce keşif ve anlayışla başlamak
- Bir problemi çözmeden veya kodu değiştirmeden önce, alan bilgisi ve kod tabanına dair anlayışı artırmak için zaman ayırmak avantaj sağlar.
- Bu sayede daha doğru teknik terimler kullanmak ve doğru dosyalara referans vererek yapay zekayı tam isabetle yönlendirmek mümkün olur.
- Bu aşamada kodu değiştirmekten kaçınmak, yapay zekaya sorular yönelterek bilgi biriktirmeye odaklanmak daha iyidir.
2. Taklit edeceği kodu göstermek
- LLM’ler ortalamaya yakınsama eğiliminde olduğu için, çıktının seviyesini yükseltmek adına iyi kod örnekleri vermek gerekir.
- Kod konvansiyonlarını uzun uzun yazıyla anlatmak yerine, “bu fonksiyon gibi yaz” diyerek iyi hazırlanmış örnek kod göstermek çok daha etkilidir.
- Özellikle belirli bir pattern’ı migrate ederken, önce birkaçını doğru biçimde dönüştürüp bunları yapay zekaya örnek olarak göstermek, geri kalanını da çok iyi işlemesini sağlar.
3. Eline araç olarak script vermek
- Statik analiz araçlarını yapay zekaya araç olarak vermek, LLM’lerin alt sınırının düşük olmasından kaynaklanan sorunları telafi ederek çıktının kalitesini artırabilir.
- Ayrıca i18n anahtarlarını bulan bir script gibi, tekrarlayan hataların kolayca ortaya çıktığı işleri script’e dönüştürüp yapay zekanın kullanmasını sağlamak, sorunları güvenilir biçimde önleyebilir.
- Benzer şekilde, pattern’ı net olan çıkarma/dönüştürme işleri için bunu doğrudan yapay zekaya yaptırmak yerine, o işi yapan bir script yazdırıp çalıştırmak çok daha doğrudur.
4. Nehrin yukarısını düzeltmek
- Hatalı bir çıktıyı görüp düzeltilmesini istemektense, en başta o sonucun ortaya çıkmasına neden olan “prompt”u iyileştirmek daha avantajlıdır.
- Daha da iyisi, prompt oluşturma sürecini geliştirmektir (örneğin önce örnek kod veya test kodu yazmak gibi).
- Daha da ötesi, bu süreci kuran zihni geliştirmek daha değerlidir. Yapay zekayla gereksiz ping-pong yaşadığınız deneyimleri geriye dönük değerlendirmeli, ne zaman doğrudan müdahale edeceğinizi ve ne zaman yapay zekayı kullanacağınızı ayırt etme becerisi kazanmalısınız.
Sonuç
- Ajanların temel benchmark’larından biri “ne kadar uzun süre çalışabildikleri” olsa da, gerçekte (beni de dahil ederek) çoğu kullanıcıda ajanların sınırlarına kadar iş verebilecek yetkinlik henüz yok.
- “Ajana verilebilecek işleri bulabilen, eline uygun araçları verebilen ve doğru prompting ile onu uzun süre çalıştırabilen” kişilerin yapay zeka çağının en üst düzey yetenekleri olacağını düşünüyorum.
- Bu yazıda tanıtılan tekniklerin, böyle bir yetkinliğe ulaşmak için yapılan çalışmalara yardımcı olmasını umuyorum.
1 yorum
Deneyimlerimle örtüşüyor!