Från Prompt Engineering till Intent Engineering: Utvecklingen av mänsklig-AI-kommunikation

Under de senaste åren har prompt engineering blivit en av de viktigaste färdigheterna i AI-eran. Kurser har byggts runt det. Jobbtitlar har skapats för det. Hela samhällen har bildats för att dela tips på hur man kan skapa den perfekta meningen som skulle få en språkmodell att göra exakt vad du ville. En nyckelorsak till populariteten för prompt engineering är att: AI är kraftfull, men också bokstavlig. Du var tvungen att lära dig dess språk innan det kunde hjälpa dig. Den logiken var rimlig vid den tiden. Men den börjar nu att brytas ner.

När AI-modellerna blir mer kapabla, skiftar bördan av kommunikation. Frågan är inte längre bara “hur ska jag formulera detta korrekt?” Det blir alltmer “hur kan jag säkerställa att AI verkligen förstår vad jag försöker uppnå?” Det är en djupare fråga. Och den pekar mot uppkomsten av ett nytt område som kallas intent engineering.

Vad Prompt Engineering Verkligen Var

För att förstå var vi är på väg, hjälper det att förstå vad prompt engineering verkligen var. I sin kärna var det en lösning. Tidiga språkmodeller var kraftfulla men sköra. De svarade bra på specifika mönster och dåligt på tvetydiga mönster. Så användarna lärde sig dessa mönster. De upptäckte att att be en modell att “tänka steg för steg” förbättrade resonemanget. De lärde sig att ge exempel gjorde utdata mer konsekventa. De kom på att att tilldela en roll till modellen, som “agera som en expert mjukvaruutvecklare”, ändrade tonen och kvaliteten på dess svar. Medan dessa insikter verkligen förbättrade resultaten, krävde de att människor anpassade sig till maskinen. Människor lärde sig att tala på ett sätt som passade modellens arkitektur snarare än deras egen naturliga sätt att tänka.

Detta är inte hur bra kommunikation mellan intelligenta agenter fungerar. När du förklarar ett problem för en skicklig kollega, tänker du inte först på den frasstrategi som kommer att aktivera deras neurala banor mest. Du förklarar situationen. De förstår sammanhanget. De ställer klargörande frågor om det behövs. Och de arbetar mot vad du verkligen vill ha. Hantverket med prompt engineering, för all dess värde, var alltid en kompensation för en lucka som bättre AI borde så småningom stänga.

De Begränsningar Som Gjorde Prompt Engineering Nödvändigt

Anledningen till att prompt engineering blev så viktigt var inte bara att modellerna var ofullkomliga. Det var att modellerna inte hade någon riktig modell av användaren. De bearbetade text och returnerade text. De hade ingen bestående förståelse för vem du var, vad du försökte bygga, eller vad “bra” såg ut i din specifika kontext.

Detta skapade en underlig situation. Du kunde ställa samma fråga och få väldigt olika resultat beroende på hur du formulerade den. Du kunde spendera tjugo minuter på att justera en prompt och plötsligt låsa upp ett svar som var mer användbart än något du hade fått tidigare. Promten var inte bara en inmatning. Det var en nyckel, och att hitta rätt nyckel krävde färdighet, tålamod och ibland tur.

Detta innebar också att kvaliteten på din utdata ofta var mer beroende av din promptfärdighet än av din faktiska domänkunskap. En läkare som också var en skicklig prompt engineer kunde extrahera bättre medicinskt resonemang från en modell än en mer kunskaprik läkare som inte kände till mönstren. Det är en underlig inversion av värde. Det antyder att systemet optimerade för fel sak.

Vad Intent Engineering Förändrar

Intent engineering är utformat för att hantera en annan uppsättning underliggande antaganden. Istället för att fråga hur man ska formulera en begäran så att en modell svarar bra, frågar det hur man kan kommunicera vad man verkligen vill, på alla nivåer, så att modellen kan resonera mot rätt resultat på egen hand.

Detta innefattar flera saker som prompt engineering inte är utrustad för att hantera. Det innefattar att ge AI-system tillräcklig kontext om dina mål, begränsningar och standarder så att de kan fatta bra beslut utan att du specificerar varje steg. Det innefattar att skapa en gemensam förståelse snarare än att utfärda precisa instruktioner. Och det innefattar att bygga system där AI kan ställa rätt frågor istället för att vänta på att bli tillsagd rätt svar.

Vi ser redan detta i praktiken. Moderna AI-system stöder alltmer bestående minne, användarprofiler och pågående kontext. När en modell vet att du är en produktchef som arbetar på ett hälsovårdsprogram med specifika regulatoriska begränsningar, bär dina begäran automatiskt en rikare mening. Du behöver inte bygga kontext från scratch varje gång. Modellen förstår redan kontexten du arbetar med.

Detta är en grundläggande förändring. Prompt engineering behandlade varje interaktion som isolerad. Intent engineering behandlar kommunikation som kumulativ. Modellen är inte längre bara bearbetning av en enskild inmatning. Den spårar en pågående konversation om vad du försöker uppnå och varför.

Rollen För Rikare Kontext Och Resonemang

En annan dimension av intent engineering innefattar hur moderna modeller hanterar tvetydighet. En vältränad modell idag matchar inte bara mönster till den mest sannolika kompletteringen av din mening. Den resonerar om vad du troligen menade, flaggar antaganden den gör och i många fall ber om förtydligande innan den fortsätter.

Detta är viktigt eftersom mänsklig kommunikation är inneboende tvetydig. När någon ber “kan du hjälpa mig skriva något till min chef”, kan det betyda en prestationstest, en ursäktsemail, ett projekt förslag, eller ett avskedsbrev. Ett system optimerat för prompt engineering skulle försöka härleda från de exakta orden. Ett system optimerat för intent engineering skulle känna igen tvetydigheten och hantera den intelligent, antingen genom att fråga eller producera något som erkänner flera möjliga tolkningar.

Test-tid resonemang, som är förmågan hos en modell att tänka igenom ett problem innan den svarar, spelar också en roll här. Modeller som resonerar innan de svarar är bättre på att catcha fall där den bokstavliga begäran motsäger den underliggande avsikten. De kan märka när du bad om X men vad du troligen behöver är Y, och de kan presentera den observationen snarare än att tyst fullfölja en begäran som inte kommer att tjäna ditt mål.

En Ny Typ Av Färdighet

Denna utveckling gör inte mänsklig kommunikationsfärdighet irrelevant. Den förändrar vad dessa färdigheter ser ut som. Personen som trivs i en intent-engineering-värld är inte den som har memorerat de bästa promt-mallarna. Det är personen som kan tydligt artikulera vad de försöker uppnå, kommunicera de begränsningar och kontext som är viktiga, och känna igen när en AI:s utdata tjänar det verkliga målet snarare än bara den uttalade.

På många sätt är detta äldre färdigheter. De är färdigheterna hos en bra chef, en bra lärare eller en bra samarbetspartner. Att kunna förmedla avsikt tydligt, att förklara inte bara vad du vill ha utan varför du vill ha det, har alltid varit ett tecken på effektiv kommunikation. Vad som är nytt är att AI-system nu är tillräckligt avancerade för att faktiskt svara på den typen av kommunikation.

Den intressanta implikationen är att när AI förbättras, kommer gränssnittet mellan människor och maskiner att börja se ut mindre som programmering och mer som samarbete. Du kommer inte att behöva konstruera den perfekta inmatningen. Du kommer att behöva vara en tydlig och ändamålsenlig kommunikatör.

Vad Detta Betyder För Hur Vi Bygger AI-System

Denna förändring har också konsekvenser för hur AI-system bör konstrueras. En prompt-engineering-paradigm uppmuntrar dig att bygga system som är mycket responsiva på precisa inmatningar. En intent-engineering-paradigm uppmuntrar dig att bygga system som är bra på att härleda, fråga, anpassa och bestå.

Detta innebär att investera i minnesarkitekturer som möjliggör modeller att bära meningsfull kontext över sessioner. Det innebär att bygga modeller som vet när de inte har tillräcklig information för att agera väl och kan säga så. Det innebär att skapa gränssnitt där användare kommunicerar mål snarare än kommandon, och där AI beter sig som en partner i att ta reda på hur man kan nå dessa mål.

Det innebär också att omvärdera utvärdering. Just nu mäter vi ofta hur väl en modell utför specifika instruktioner. I en intent-engineering-värld är den bättre måttstocken hur väl en modell tjänar det underliggande syftet bakom dessa instruktioner, även när instruktionerna själva var oexakta.

Slutsatsen

Prompt engineering behandlade AI som ett kraftfullt men dumt verktyg som behövde noggrann hantering. Intent engineering behandlar AI som något som är närmare en intelligent samarbetspartner som kan förstå kontext, resonera om mål och hantera tvetydighet. Den förändringen speglar en förändring i vad vi tror AI är till för. Inte en maskin som utför dina exakta ord. Utan ett system som hjälper dig uppnå vad du verkligen bryr dig om. Förändringen signalerar att framtiden för mänsklig-AI-interaktion inte kommer att handla om att bemästra smart formulering. Det kommer att handla om att artikulera mål, begränsningar och syfte tydligt nog för AI att samarbeta snarare än att bara följa order.