
اگر با ChatGPT یا سایر مدلهای زبانی کار کرده باشید، احتمالاً برایتان پیش آمده که یک Prompt دقیق بنویسید، اما خروجی همچنان چیزی نباشد که انتظار دارید. Prompt را تغییر میدهید، جزئیات بیشتری اضافه میکنید و دوباره امتحان میکنید؛ اما مشکل همچنان باقی است.
شاید مشکل اصلاً Prompt نباشد.
در کنار Prompt Engineering (مهندسی دستور)، مفاهیمی مانند Context Engineering (مهندسی زمینه)، Loop Engineering و Harness Engineering (مهندسی چارچوب اجرایی) مطرح شدهاند که هرکدام به بخش متفاوتی از نحوه کار AI میپردازند.
اگر خیلی ساده بخواهیم تفاوت آنها را بیان کنیم:
Prompt Engineering میگوید چه کاری از AI بخواهیم؛ Context Engineering مشخص میکند AI چه اطلاعاتی داشته باشد؛ Loop Engineering نحوه تکرار و کنترل فرآیند را مشخص میکند؛ و Harness Engineering محیط کلی اجرای AI را طراحی میکند.
فرض کنید به ChatGPT میگوییم:
«این مقاله را خلاصه کن.»
احتمالاً پاسخ قابل قبولی دریافت میکنیم. اما اگر بگوییم:
«این مقاله را در ۵۰۰ کلمه خلاصه کن و بهترتیب هدف پژوهش، روش، دادهها، یافتههای اصلی و محدودیتها را توضیح بده. اطلاعاتی را که در مقاله وجود ندارد حدس نزن.»
احتمالاً نتیجه بهتر خواهد شد.
این همان Prompt Engineering است؛ یعنی طراحی دستور به شکلی که مدل بداند چه کاری، با چه محدودیتهایی و با چه فرمتی انجام دهد.
اما حتی یک Prompt بسیار خوب هم نمیتواند اطلاعاتی را که مدل در اختیار ندارد، تأمین کند.
فرض کنید میخواهیم همان مقاله را تحلیل کنیم. Prompt به مدل میگوید چه چیزهایی را استخراج کند، اما مدل برای این کار به متن مقاله، دستورالعمل تحلیل، اطلاعات Dataset و شاید منابع مرتبط نیز نیاز دارد.
این اطلاعات بخشی از Context هستند.
بنابراین:
Prompt به AI میگوید چه کاری انجام بده؛ Context اطلاعات لازم برای انجام آن کار را در اختیارش قرار میدهد.
برای مثال، تصور کنید یک شرکت هزاران سند داخلی دارد و کاربر میپرسد:
«در سه سال گذشته، کدام محصول بیشترین رشد فروش را داشته است؟»
لازم نیست تمام اسناد شرکت را در اختیار مدل قرار دهیم. سیستم ابتدا اسناد مرتبط با فروش را پیدا میکند، اطلاعات موردنیاز را استخراج میکند و سپس آنها را در اختیار مدل قرار میدهد.
اینجا مسئله اصلی فقط «اطلاعات بیشتر» نیست؛ بلکه انتخاب اطلاعات درست، از منبع درست و در زمان درست است.
RAG (Retrieval-Augmented Generation) یکی از نمونههای شناختهشده این رویکرد است.
حالا فرض کنید یک AI Agent قرار است درباره یک شرکت تحقیق کند. Agent ابتدا چند منبع را جستجو میکند، اطلاعات را تحلیل میکند و متوجه میشود برای پاسخ هنوز اطلاعات کافی ندارد.
در یک سیستم ساده، فرآیند ممکن است همینجا تمام شود. اما یک Agent میتواند دوباره جستجو کند، اطلاعات بیشتری پیدا کند و تحلیل را ادامه دهد. این همان جایی است که Loop Engineering اهمیت پیدا میکند.
در Loop Engineering باید مشخص شود چه چیزی باعث ادامه Loop میشود، چه زمانی متوقف شود، چند بار اجازه تکرار وجود داشته باشد و در صورت شکست یک مرحله چه اتفاقی بیفتد.
مثلاً میتوان تعیین کرد Agent حداکثر سه بار جستجوی مجدد انجام دهد و اگر بعد از آن هنوز اطلاعات کافی پیدا نکرد، کار را متوقف کند و کمبود اطلاعات را اعلام کند.
پس Loop Engineering صرفاً «دوباره انجام دادن» نیست؛ بلکه طراحی و کنترل چرخه اجرای Agent است.
فرض کنید Agent باید یک گزارش تحقیقاتی کامل تهیه کند. برای این کار لازم است در وب جستجو کند، فایلهای PDF را بخواند، از یک پایگاه داده اطلاعات بگیرد، با Python محاسبه انجام دهد و نتیجه نهایی را بررسی کند.
در چنین سیستمی دیگر فقط Prompt و Context را طراحی نمیکنیم؛ بلکه باید محیطی را طراحی کنیم که Agent در آن کار میکند.
این محیط همان چیزی است که در این بحث با عنوان Harness شناخته میشود.
Harness میتواند بسته به نوع سیستم شامل بخشهایی مانند ابزارها، مدیریت Context، حافظه و وضعیت Agent، مدیریت Workflow، Loop و Retry، کنترل خطا، محدودیتهای ایمنی، ارزیابی خروجی و ثبت فعالیتهای Agent باشد.
در اینجا مدل زبانی فقط یکی از اجزای سیستم است. ابزارها، Context، Loop، مدیریت خطا و ارزیابی نیز باید بهدرستی در کنار آن کار کنند.
بنابراین میتوان Harness Engineering را به زبان ساده، مهندسی سیستم اطراف Agent دانست.
Prompt Engineering: چه کاری از AI بخواهیم؟
Context Engineering: چه اطلاعاتی برای انجام آن کار داشته باشد؟
Loop Engineering: فرآیند انجام کار چگونه تکرار و کنترل شود؟
Harness Engineering: کل محیط و سیستم اجرای AI چگونه طراحی شود؟
نکته مهم این است که این مفاهیم رقیب یکدیگر نیستند. در یک سیستم Agentic واقعی، ممکن است همه آنها همزمان وجود داشته باشند.
در واقع، هرچه وظیفهای که به AI میدهیم پیچیدهتر شود، مسئله از «نوشتن یک Prompt خوب» به سمت «طراحی یک سیستم خوب» حرکت میکند.