Fra Prompt Engineering til Intent Engineering: Utviklingen av menneske-AI-kommunikasjon

I de siste årene har prompt engineering blitt en av de viktigste ferdighetene i AI-æraen. Kurser ble bygget rundt det. Jobbtitler ble skapt for det. Hele samfunn dannet seg for å dele tips på hvordan man kunne lage den perfekte setningen som ville få en språkmodell til å gjøre akkurat det du ønsket. En viktig årsak til populariteten til prompt engineering er at: AI er kraftig, men også bokstavelig. Du måtte lære språket dets før det kunne hjelpe deg. Den logikken gjorde mening på den tiden. Men den begynner nå å bryte sammen.

Da AI-modellene blir mer kapable, skifter kommunikasjonsbyrden. Spørsmålet er ikke lenger bare “hvordan kan jeg formulere dette riktig?” Det blir “hvordan kan jeg sikre at AI virkelig forstår hva jeg prøver å oppnå?” Det er et dypere spørsmål. Og det peker mot en oppblomstring av et nytt felt kalt intent engineering.

Hva Prompt Engineering Faktisk Var

For å forstå hvor vi er på vei, hjelper det å forstå hva prompt engineering faktisk var. I kjernen var det en midlertidig løsning. Tidlige språkmodeller var kraftige, men skjøre. De svarte bra på bestemte mønster og dårlig på tvetydige mønster. Så, brukerne lærte disse mønsterne. De oppdaget at å be en modell om å “tenke skritt for skritt” forbedret resonnering. De lærte at å gi eksempler gjorde utdata mer konsistente. De fant ut at å tildele en rolle til modellen, som “oppfør deg som en ekspert programvareutvikler”, endret tonen og kvaliteten på dens svar. Mens disse innsiktene virkelig forbedret resultater, krevde de at mennesker tilpasset seg maskinen. Folk lærte å snakke på en måte som passet modellens arkitektur, snarere enn deres egen naturlige måte å tenke på.

Dette er ikke hvordan god kommunikasjon mellom intelligente agenter fungerer. Når du forklarer et problem til en dyktig kollega, tenker du ikke først på den formuleringstrategi som vil aktivere deres neurale baner mest. Du forklarer situasjonen. De forstår konteksten. De stiller klargjørende spørsmål hvis nødvendig. Og de arbeider mot det du faktisk ønsker. Faget prompt engineering, for all sin verdi, var alltid å kompensere for et gap som bedre AI skulle eventuelt lukke.

Grensene Som Gjorde Prompt Engineering Nødvendig

Årsaken til at prompt engineering ble så viktig var ikke bare at modellene var uperfekte. Det var at modellene ikke hadde noen virkelig modell av brukeren. De prosesserte tekst og returnerte tekst. De hadde ingen varig forståelse av hvem du var, hva du prøvde å bygge, eller hva “godt” så ut som i din spesifikke kontekst.

Dette skapte en merkelig situasjon. Du kunne stille det samme spørsmålet og få svært forskjellige resultater avhengig av hvordan du formulerte det. Du kunne bruke tyve minutter på å finjustere en prompt og plutselig låse opp et svar som var mer nyttig enn noe du hadde fått før. Prompten var ikke bare en inndata. Det var en nøkkel, og å finne riktig nøkkel tok ferdighet, tålmodighet og noen ganger flaks.

Dette betydde også at kvaliteten på utdataene dine ofte var mer avhengig av din prompt-ferdighet enn av din faktiske domenekunnskap. En lege som også var en dyktig prompt-ingeniør kunne trekke ut bedre medisinsk resonnering fra en modell enn en mer kunnskapsrik lege som ikke visste mønsterne. Det er en merkelig inversjon av verdi. Det antyder at systemet var optimalt for det feil thing.

Hva Intent Engineering Endrer

Intent engineering er designet for å håndtere en annen sett av underliggende antakelser. I stedet for å spørre hvordan man kan formulere en forespørsel så at en modell svarer bra, spør det hvordan man kan kommunisere hva du faktisk ønsker, på alle nivåer, så modellen kan resonnere mot riktig resultat på egen hånd.

Dette involverer flere ting som prompt engineering ikke er utstyrt til å håndtere. Det involverer å gi AI-systemer nok kontekst om dine mål, begrensninger og standarder så de kan ta gode beslutninger uten at du må spesifisere hver enkelt steg. Det involverer å skape felles forståelse i stedet for å utstede presise instruksjoner. Og det involverer å bygge systemer hvor AI kan stille riktige spørsmål i stedet for å vente på å bli fortalt riktige svar.

Vi ser allerede dette i praksis. Moderne AI-systemer støtter stadig mer varig minne, brukerprofiler og pågående kontekst. Når en modell vet at du er en produktmanager som arbeider på et helseapplikasjon med bestemte regulatoriske begrensninger, bærer dine forespørsler automatisk en rikere mening. Du trenger ikke å bygge kontekst fra scratch hver gang. Modellen forstår allerede konteksten du arbeider i.

Dette er en grunnleggende skift. Prompt engineering behandlet hver interaksjon som isolert. Intent engineering behandler kommunikasjon som kumulativ. Modellen er ikke lenger bare prosessering enkelt inndata. Det sporer en pågående samtale om hva du prøver å oppnå og hvorfor.

Rollen Til Rikere Kontekst Og Resonnering

En annen dimensjon av intent engineering involverer hvordan moderne modeller håndterer tvetydighet. En godt trent modell i dag gjør ikke bare mønster-matching til den mest sannsynlige fullføringen av din setning. Det resonnere om hva du sannsynligvis mente, flagger antakelser det gjør, og i mange tilfeller ber om klargjøring før det fortsetter.

Dette betyr at menneskelig kommunikasjon er innebygget tvetydig. Når noen ber “kan du hjelpe meg å skrive noe til min sjef”, kan det bety en ytelsesgjennomgang, en unnskyldnings-e-post, et prosjektforlag, eller en oppsigelsesbrev. Et system optimalt for prompt engineering ville prøve å slutte fra de eksakte ordene. Et system optimalt for intent engineering ville gjenkjenne tvetydigheten og håndtere den intelligent, enten ved å be eller produsere noe som anerkjenner flere mulige tolkninger.

Test-tid resonnering, som er evnen til en modell til å tenke gjennom et problem før det svarer, spiller også en rol her. Modeller som resonnere før de svarer er bedre til å fange tilfeller hvor den bokstavelige forespørselen er i konflikt med den underliggende intensjonen. De kan merke når du ba om X, men det du sannsynligvis trenger er Y, og de kan fremheve den observasjonen i stedet for å stillehvert fullføre en forespørsel som ikke vil tjene din mål.

En Ny Type Ferdighet

Denne utviklingen gjør ikke menneskelig kommunikasjonsferdighet irrelevant. Det endrer hva disse ferdighetene ser ut som. Personen som trives i en intent-engineering-verden er ikke den som har memorert de beste prompt-malene. Det er personen som kan tydelig artikulere hva de prøver å oppnå, kommunisere begrensningene og konteksten som betyr noe, og gjenkjenne når en AI-utgang tjener den virkelige målet i stedet for bare den uttrykte en.

På mange måter er disse eldre ferdigheter. De er ferdighetene til en god leder, en god lærer eller en god samarbeidspartner. Å kunne overføre intensjon tydelig, å forklare ikke bare hva du vil, men hvorfor du vil det, har alltid vært et kjennetegn på effektiv kommunikasjon. Hva er nytt er at AI-systemer nå er sofistikerte nok til å faktisk svare på denne typen kommunikasjon.

Den interessante implikasjonen er at når AI blir bedre, vil grensesnittet mellom mennesker og maskiner begynne å se ut som mindre programmering og mer som samarbeid. Du vil ikke trenger å ingeniøre den perfekte inndata. Du vil trenger å være en tydelig og målrettet kommunikator.

Hva Dette Betyr For Hvordan Vi Bygger AI-Systemer

Denne skiftet har også konsekvenser for hvordan AI-systemer skal være designet. En prompt-engineering-paradigme oppmuntrer deg til å bygge systemer som er svært responsive til presis inndata. En intent-engineering-paradigme oppmuntrer deg til å bygge systemer som er gode til å slutte, spørre, tilpasse og varige.

Dette betyr å investere i minnearkitekturer som gjør det mulig for modeller å bære meningsfull kontekst over sesjoner. Det betyr å bygge modeller som vet når de ikke har nok informasjon til å handle godt og kan si det. Det betyr å skape grensesnitt hvor brukerne kommuniserer mål i stedet for kommandoer, og hvor AI oppfører seg som en partner i å finne ut hvordan å nå disse målene.

Det betyr også å tenke om evaluering. Nå måler vi ofte hvor godt en modell utfører bestemte instruksjoner. I en intent-engineering-verden er den bedre målingen hvor godt en modell tjener den underliggende hensikten bak disse instruksjonene, selv når instruksjonene selv var upresise.

Bunnen Av Saken

Prompt engineering behandlet AI som et kraftig, men dumt verktøy som trengte forsiktig håndtering. Intent engineering behandlet AI som noe nærmere en intelligent samarbeidspartner som kan forstå kontekst, resonnere om mål og håndtere tvetydighet. Denne skiftet reflekterer en endring i hva vi tror AI er for. Ikke en maskin som utfører dine eksakte ord. Men et system som hjelper deg å oppnå hva du faktisk bryr deg om. Skiftet signaliserer at fremtiden for menneske-AI-interaksjon ikke vil være om å mestre kreative formuleringer. Det vil være om å artikulere mål, begrensninger og formål tydelig nok for AI til å samarbeide i stedet for bare å adlyde.