تسلط بر Claude Fable 5: چگونه با یافتن نقاط کور خود، پرامپت‌نویسی کنید

با تکامل مدل‌های هوش مصنوعی از چت‌بات‌های ساده به کدنویس‌های عامل‌محور (agentic coders) پیچیده، گلوگاه بهره‌وری از قابلیت مدل به وضوح کاربر تغییر یافته است. Thariq Shihipar، توسعه‌دهنده Anthropic، پیشنهاد می‌کند که با ظهور Claude Fable 5، عامل محدودکننده دیگر هوش هوش مصنوعی نیست، بلکه توانایی کاربر در شناسایی «ناشناخته‌های» خود است.

چهار ربع دانش در پرامپت‌نویسی

Shihipar استدلال می‌کند که برای تسلط بر Fable 5، توسعه‌دهندگان باید دانش خود را دسته‌بندی کنند تا از دام‌های پرامپت‌نویسی ضعیف دوری کنند. او شکاف‌های شناختی را به چهار دسته متمایز تقسیم می‌کند:

  • دانسته‌های معلوم (Known Knowns): دستورالعمل‌های صریح و داده‌هایی که از قبل در پرامپت شما وجود دارند.
  • ناشناخته‌های معلوم (Known Unknowns): سوالات یا شکاف‌های خاصی که آگاهانه می‌دانید هنوز آن‌ها را حل نکرده‌اید.
  • دانسته‌های مجهول (Unknown Knowns): دانش شهودی که آنقدر بدیهی است که فکر نمی‌کنید آن را بنویسید، اما به محض دیدن آن بلافاصله آن را تشخیص می‌دهید.
  • ناشناخته‌های مجهول (Unknown Unknowns): خطرناک‌ترین دسته؛ عناصر حیاتی، حالات مرزی (edge cases) یا الزامات معماری که حتی به آن‌ها فکر هم نکرده‌اید.

وقتی کاربران این موارد را در نظر نمی‌گیرند، در تله‌ای می‌افتند: بیش از حد دقیق بودن باعث می‌شود Fable 5 دستورالعمل‌ها را حتی زمانی که مسیر بهتری وجود دارد، با صلبیت دنبال کند، در حالی که بیش از حد مبهم بودن باعث می‌شود مدل به پیش‌فرض‌های صنعت تکیه کند که ممکن است با وظیفه خاص شما همخوانی نداشته باشند.

تکنیک‌های استراتژیک برای آشکارسازی ناشناخته‌ها

Shihipar به جای پرش مستقیم به سمت پیاده‌سازی، یک «بازبینی نقاط کور» (blindspot pass) را توصیه می‌کند. این کار شامل استفاده از Claude برای بازرسی مدل ذهنی شما، پیش از نوشتن حتی یک خط کد است. به عنوان مثال، اگر در یک پایگاه کد (codebase) ناآشنا کار می‌کنید، می‌توانید از Claude بخواهید: "من در حال کار بر روی افزودن یک ارائه‌دهنده احراز هویت جدید هستم اما هیچ چیز درباره ماژول‌های احراز هویت در این پایگاه کد نمی‌دانم. آیا می‌توانید یک بازبینی نقاط کور انجام دهید تا به من کمک کنید ناشناخته‌های مجهول مرتبط با خودم را پیدا کنم؟"

سایر تکنیک‌های پربازده عبارتند از:

  • مصاحبه‌های ساختاریافته: درخواست از Claude برای مصاحبه با شما سوال به سوال، با اولویت‌بندی ابهاماتی که معماری سیستم را به طور اساسی تغییر می‌دهند.
  • نمونه‌سازی سریع: استفاده از آرتیفکت‌های HTML تا Claude جهت‌گیری‌های طراحی کاملاً متفاوتی را ایجاد کند و به شما اجازه دهد به «دانسته‌های مجهول» بصری واکنش نشان دهید.
  • برنامه‌ریزی پیاده‌سازی: هدایت Claude برای ایجاد برنامه‌ای که اجزای متغیر مانند مدل‌های داده و رابط‌های نوع (type interfaces) را قبل از رفتن به سراغ بازنویسی (refactoring) مکانیکی، در اولویت قرار می‌دهد.

بستن چرخه: مستندسازی و تأیید

فرآیند پرامپت‌نویسی با تولید کد به پایان نمی‌رسد. برای مدیریت ناشناخته‌هایی که در حین اجرا ظاهر می‌شوند، Shihipar پیشنهاد می‌کند از Claude Code برای نگهداری یک فایل implementation-notes.md استفاده کنید. این کار هر تصمیم گرفته شده را ردیابی می‌کند و تضمین می‌کند که اگر کاری از مسیر خارج شد، منطق پشت آن حفظ شده باشد.

برای اطمینان از درک کامل قبل از ادغام (merge) کد، Shihipar از روش «آزمون» استفاده می‌کند. Claude یک گزارش HTML شامل جزئیات تمام تغییرات و بینش‌ها تولید می‌کند و پس از آن یک آزمون برای توسعه‌دهنده برگزار می‌شود. او قانون سختی دارد: تا زمانی که آزمون بدون خطا پاس نشده است، کد را ادغام نکنید. این کار تضمین می‌کند که توسعه‌دهنده «ناشناخته‌های» پروژه را به قلمرو «دانسته‌ها» منتقل کرده است.

نکات کلیدی

  • تمرکز بر «ناشناخته‌های مجهول»: هدف از پرامپت‌نویسی پیشرفته با Fable 5، استفاده از هوش مصنوعی برای آشکار کردن چیزهایی است که حتی فکر پرسیدن آن‌ها را هم نکرده‌اید.
  • اجتناب از تله‌ی دقت بیش از حد: پرامپت‌های خود را متوازن کنید تا نه آنقدر صلب باشند که هوش مصنوعی نتواند بداهه عمل کند، و نه آنقدر مبهم که به راه‌حل‌های عمومی روی بیاورد.
  • پیاده‌سازی یک گردش کار تأییدی: از یادداشت‌های پیاده‌سازی، مصاحبه‌های ساختاریافته و آزمون‌های پس از پیاده‌سازی استفاده کنید تا کد تولید شده توسط هوش مصنوعی را به دانش تسلط‌یافته تبدیل کنید.