مهندس پرامپت مُرد: چگونه هوش مصنوعی بر زبان طبیعی مسلط شد و بازار کار فناوری را دگرگون کرد

در سال ۲۰۲۳، صنعت فناوری یک حرفه جدید و پردرآمد را به دنیا آورد: مهندس پرامپت. این متخصصان که حقوقی بالغ بر ۲۰۰,۰۰۰ دلار دریافت می‌کردند، استخدام شدند تا با استفاده از عبارت‌پردازی‌های مرموز، قالب‌بندی‌های خاص و «کلمات جادویی» که به دقت حفظ می‌شدند، پاسخ‌های منسجمی را از مدل‌های زبان بزرگ اولیه (LLMs) استخراج کنند.[1][4]

سه سال بعد، مهندس پرامپت مستقل عملاً منقرض شده است. طبق داده‌های نیروی کار صنعت، آگهی‌های شغلی برای این عنوان خاص ۸۰ تا ۹۰ درصد نسبت به اوج خود کاهش یافته است که نشان‌دهنده یکی از سریع‌ترین چرخه‌های رونق و رکود برای یک نقش فنی در تاریخ سیلیکون ولی است.[1][4]

کاهش سریع این نقش نشانه شکست هوش مصنوعی نیست، بلکه نشان‌دهنده موفقیت آن در فرض اصلی خود است: درک زبان طبیعی. مدل‌های پیشرفته امروزی دیگر نیازی ندارند که کاربران با ساختارهای سخت‌گیرانه و شبه‌کد با آنها صحبت کنند.[3]

تحلیل تیم تحریریه فکتلن از چشم‌انداز در حال تغییر نشان می‌دهد: «دوران ابتدایی مهندسی پرامپت—که با تکرار آزمون و خطا و ساخت پرامپت‌های دستی مشخص می‌شد—جایی بین اواخر سال ۲۰۲۴ و اوایل سال ۲۰۲۵ از بین رفت.»[8]

این تغییر زمانی آغاز شد که مدل‌ها پنجره‌های زمینه (context windows) بسیار گسترده‌تر و تشخیص قصد (intent recognition) برتری پیدا کردند. در گذشته، کاربران باید صراحتاً به هوش مصنوعی دستور می‌دادند که «گام به گام فکر کند» تا آن را مجبور به استدلال منطقی کند. اکنون، مدل‌ها این پردازش زنجیره فکری (chain-of-thought) را به طور خودکار انجام می‌دهند و هدف اصلی کاربر را حتی از ورودی‌های نامرتب و محاوره‌ای استنباط می‌کنند.[1][3]

با بصری‌تر شدن مدل‌ها، گلوگاه در توسعه هوش مصنوعی از رابط کاربری به معماری سیستم منتقل شد. چالش دیگر این نیست که هوش مصنوعی کلمات درست را خروجی دهد، بلکه اطمینان از این است که اطلاعات درست را در اختیار داشته باشد.[2][5]

این درک، رشته جدیدی را به وجود آورد: مهندسی زمینه (Context Engineering). به جای نگرانی در مورد عبارت‌بندی یک سؤال، توسعه‌دهندگان اکنون بر روی محموله داده‌ای (data payload) که آن را همراهی می‌کند، تمرکز دارند.[2][5]

مهندسی زمینه شامل طراحی خطوط لوله تولید تقویت‌شده با بازیابی (RAG) است که داده‌های اختصاصی و بلادرنگ را به مدل‌ها تغذیه می‌کند. یک مطالعه بازبینی شده توسط همتایان که در اوایل سال ۲۰۲۶ بر روی نزدیک به ۱۰,۰۰۰ آزمایش انجام شد، تأیید کرد که ساختار و کیفیت این زمینه پیرامونی بسیار بیشتر از خود پرامپت، عملکرد را تعیین می‌کند.[2][6]

علاوه بر این، صنعت متوجه شده است که انسان‌ها به طرز شگفت‌آوری در نوشتن دستورالعمل برای ماشین‌ها ضعیف هستند. چارچوب‌های بهینه‌سازی خودکار ظهور کرده‌اند تا این وظیفه را به صورت الگوریتمی انجام دهند و حدس و گمان انسانی را به طور کامل حذف کنند.[7]

این چارچوب‌ها پرامپت را به عنوان یک فراپارامتر (hyperparameter) در نظر می‌گیرند. توسعه‌دهنده یک هدف سطح بالا و مجموعه‌ای از نتایج مطلوب را ارائه می‌دهد، و سیستم به طور مکرر دستورالعمل‌ها را آزمایش و اصلاح می‌کند تا بهینه ریاضی را پیدا کند—که اغلب پرامپت‌هایی تولید می‌کند که برای چشم انسان عجیب به نظر می‌رسند اما عملکردی بی‌عیب و نقص دارند.[7]

یک توسعه‌دهنده در بحث اخیر صنعت در مورد منسوخ شدن پرامپت‌نویسی دستی اظهار داشت: «اجازه دادن به یک انسان برای تنظیم دستی یک پرامپت در سال ۲۰۲۶ مانند تلاش برای تنظیم دستی موتور خودرو با پیچ‌گوشتی است در حالی که شما یک کامپیوتر داخلی دارید که این کار را بهتر انجام می‌دهد.»[5]

تکامل هوش مصنوعی از چت‌بات‌های منفعل به «عامل‌های» فعال (agents) نیز به تسریع مرگ مهندس پرامپت کمک کرده است. عامل‌ها برای اجرای جریان‌های کاری چند مرحله‌ای، دسترسی به وب زنده و اجرای کد به طور مستقل و بدون نیاز به کمک مداوم انسان طراحی شده‌اند.[2][6]

ساخت این سیستم‌های عاملیت‌محور نیازمند مهارت‌های مهندسی نرم‌افزار سنتی است. توسعه‌دهندگان باید مدل زبان اصلی را در کدی بپیچند که به آن امکان دسترسی به ابزارهای خارجی، پایگاه‌های داده و APIها را بدهد و LLM را به یک موتور استدلالی در مرکز یک اکوسیستم نرم‌افزاری بزرگتر تبدیل کند.[5]

در نتیجه، مهارت‌هایی که زمانی با مهندسی پرامپت مرتبط بودند، ناپدید نشده‌اند؛ آنها به سادگی در نقش‌های فنی گسترده‌تری ادغام شده‌اند. اکنون بازار به دنبال معماران راه‌حل‌های هوش مصنوعی (AI Solutions Architects) و مهندسان LLM است که ۳۰ درصد از زمان خود را صرف تعامل با مدل و ۷۰ درصد را صرف طراحی سیستم می‌کنند.[1][4]

حقوق برای این نقش‌های جامع همچنان قوی است و از ۹۰,۰۰۰ دلار تا بیش از ۲۲۰,۰۰۰ دلار متغیر است. تفاوت این است که شرکت‌ها اکنون انتظار تسلط بر پایتون، بهینه‌سازی هزینه و طراحی چارچوب ارزیابی را در کنار درک رفتار مدل دارند.[1]

هنوز زمینه‌های خاصی وجود دارد که در آن ساخت پرامپت تخصصی مرتبط باقی می‌ماند. در حوزه امنیت سایبری، «تیم قرمز» (red-teaming) نیازمند تفکر خصمانه برای دستکاری سیستم‌های هوش مصنوعی و افشای آسیب‌پذیری‌ها قبل از استقرار عمومی آنها است.[3][8]

دفاع در برابر این حملات پیچیده تزریق پرامپت (prompt injection) نیازمند متخصصانی است که روش‌های پیچیده تجزیه دستورالعمل‌ها توسط مدل‌ها را درک کنند و اطمینان حاصل کنند که کنترل‌های قوی پاک‌سازی و امتیاز دسترسی در جای خود قرار دارند.[8]

در نهایت، مرگ مهندس پرامپت نشان‌دهنده دموکراتیزه شدن هوش مصنوعی است. با تبدیل شدن سیستم‌ها به سیستم‌های واقعاً محاوره‌ای، مانع ورود برای کاربران عادی که دیگر نیازی به مترجم برای صحبت با نرم‌افزار خود ندارند، کاهش می‌یابد.[3]

ما در حال ورود به دورانی هستیم که باارزش‌ترین مهارت، نه دانستن نحوه صحبت با یک ماشین، بلکه دانستن این است که چه مشکلاتی ارزش حل شدن دارند. این فناوری بالاخره خود را با زبان انسان تطبیق داده است، به جای اینکه انسان‌ها را مجبور کند با محدودیت‌های آن سازگار شوند.[8]