Anthropic ने Claude Code को गाइड करने वाले सिस्टम प्रॉम्प्ट का 80% हिस्सा हटा दिया और कोड लिखने की इसकी क्षमता में कोई गिरावट नहीं होने की बात कही। यह प्रयोग दिखाता है कि जैसे-जैसे लार्ज लैंग्वेज मॉडल्स (LLMs) अधिक सक्षम होते जा रहे हैं, डेवलपर्स मॉडल को ट्रैक पर रखने के लिए इस्तेमाल किए जाने वाले भारी-भरकम ढांचे (scaffolding) को बिना प्रदर्शन को नुकसान पहुँचाए कम कर सकते हैं।
प्रॉम्प्ट पहले क्यों महत्वपूर्ण था
जब Claude Code लॉन्च हुआ, तो इसके सिस्टम प्रॉम्प्ट में दर्जनों नियम सूचीबद्ध थे। इंजीनियरों ने जब भी कोई बग दिखाई दी, नई लाइनें जोड़ दीं, लेकिन जो चीज़ काम कर रही थी उसे शायद ही कभी हटाया गया। समय के साथ, प्रॉम्प्ट एक उलझे हुए, स्थिर (static) दस्तावेज़ में बदल गया।
मॉडल गैप कम हो रहा है
उन अतिरिक्त नियमों ने एक "मॉडल गैप" (model gap) को छिपा रखा था – यानी मॉडल जो कर सकता था और एप्लिकेशन की जो मांग थी, उसके बीच का अंतर। 2024 में, डेवलपर्स को मॉडल को, उदाहरण के लिए, कोड में अत्यधिक कमेंट करने से रोकने के लिए सख्त बाधाएं (constraints) बतानी पड़ती थीं। आज वही मॉडल "मौजूदा कोड स्टाइल से मेल खाएं" जैसे एक एकल निर्देश से वांछित स्टाइल का अनुमान लगा सकता है। नियम अब मदद के बजाय शोर (noise) बन गए हैं।
कॉन्टेक्स्ट इंजीनियरिंग में क्या बदल रहा है
Anthropic द्वारा की गई कटौती डेवलपर्स द्वारा प्रॉम्प्ट को स्ट्रक्चर करने के तरीके में एक व्यापक बदलाव को दर्शाती है:
- One-time critical instructions – एक बार नियम बताएं और मॉडल को उसे याद रखने दें।
- Tool-driven parameters instead of few-shot examples – टूल स्कीमा में इनपुट और आउटपुट के स्वरूप (shapes) का वर्णन करें और मॉडल को उन्हें भरने दें।
- Progressive disclosure – केवल वर्तमान चरण के लिए आवश्यक कॉन्टेक्स्ट ही दें, यदि आवश्यक हो तो बाद में और जानकारी जोड़ें।
- Move static guidance to tool descriptions – "variables के लिए camelCase का उपयोग करें" जैसी चीज़ें टूल के स्पेसिफिकेशन में होनी चाहिए, सिस्टम प्रॉम्प्ट में नहीं।
- Replace hardcoded rules with heuristics – नियम को बिना शर्त लागू करने के बजाय मॉडल को यह तय करने दें कि नियम कब लागू होता है।
ये रणनीतियाँ इसलिए काम करती हैं क्योंकि मॉडल पहले से ही कई उन परंपराओं (conventions) को जानता है जिन्हें पहले स्पष्ट रूप से बताने की आवश्यकता होती थी।
जरूरत से ज्यादा कटौती करने का जोखिम
वही छंटनी (pruning) जो फ्रंटियर मॉडल्स के लिए फायदेमंद है, छोटे मॉडल्स को नुकसान पहुँचा सकती है। Anthropic का कहना है कि Haiku जैसे मॉडल्स को ट्रैक पर रहने के लिए अभी भी अधिक विस्तृत (richer) प्रॉम्प्ट्स की आवश्यकता होती है। कम सक्षम मॉडल से बहुत अधिक मार्गदर्शन हटाने से वे त्रुटियां फिर से आ सकती हैं जिन्हें मूल प्रॉम्प्ट रोकने की कोशिश कर रहा था: जैसे असंगत नामकरण (inconsistent naming), अत्यधिक कमेंट्स, या छूटे हुए एज केस (edge cases)।
अपने स्वयं के प्रॉम्प्ट्स का ऑडिट कैसे करें
यदि आप कोड-जनरेशन पाइपलाइन का रखरखाव करते हैं, तो प्रॉम्प्ट ऑडिट से अनावश्यक बोझ (dead weight) का पता चल सकता है। एक व्यावहारिक चेकलिस्ट इस प्रकार है:
- Re-fit instruction density – निर्देशों की सघनता (instruction density) को उस मॉडल के अनुसार सेट करें जिसे आप वास्तव में चला रहे हैं।
- Delete duplicated instructions – यदि कोई नियम सिस्टम प्रॉम्प्ट और टूल डिस्क्रिप्शन दोनों में दिखाई देता है, तो उसे केवल एक बार रखें।
- Turn worked examples into richer schemas – ठोस उदाहरणों को एनुमेरेटेड पैरामीटर प्रकारों (enumerated parameter types) या enums से बदलें।
- Externalize situational details – बड़े संदर्भ ब्लॉकों (reference blocks) को अलग फाइलों में ले जाएं जिन्हें मॉडल आवश्यकतानुसार प्राप्त कर सके।
- Strip rules covering vanished behaviors – यदि मॉडल अब अवांछित कमेंट्स नहीं जोड़ता है, तो "no-comment" नियम को हटा दें।
केवल अंतर्ज्ञान (gut feeling) पर भरोसा न करें। एक सरल "3-Test Rule" का उपयोग करें: पांच वास्तविक कोडिंग कार्य चलाएं, प्रत्येक हटाने के पहले और बाद के परिणामों की तुलना करें, और किसी भी रिग्रेशन (regression) को नोट करें।
- Baseline – पूरे प्रॉम्प्ट के साथ प्रदर्शन मापें।
- Delete – किसी संभावित लाइन या ब्लॉक को हटाएं।
- Re-run – वही पांच कार्य फिर से चलाएं।
यदि आउटपुट बदलता है, तो आपने उस लाइन की पहचान कर ली है जो अभी भी महत्वपूर्ण है। यदि नहीं, तो उस लाइन को सुरक्षित रूप से हटाया जा सकता है।
डेवलपर्स को आगे क्या देखना चाहिए
फिलहाल, निष्कर्ष स्पष्ट है: सिस्टम प्रॉम्प्ट एक जीवित दस्तावेज़ है। प्रत्येक लाइन को उसकी शेल्फ लाइफ (shelf life) के साथ देखें, नियमित रूप से ऑडिट करें, और मॉडल की बढ़ती क्षमता को मुख्य काम करने दें।
Source: dev.to/ialijr/your-system-prompt-has-a-shelf-life-maintaining-prompts-as-models-improve-cd9