ინჟინერი: LLM-ებთან მუშაობაში მთავარი უნარი დომენური ექსპერტიზაა

2026 წლის 24 ივლისს გამოქვეყნებულ პოსტში პროგრამული უზრუნველყოფის ინჟინერი და ბლოგერი შონ გედეკი ამტკიცებს, რომ დიდ ენობრივ მოდელებთან მუშაობისას ყველაზე მნიშვნელოვანი უნარი პრომპტინგის ხრიკები არა, არამედ იმ სფეროს ექსპერტული ცოდნაა, რომლისთვისაც მოდელს იყენებ.

რატომ ჩანს, თითქოს უნარი არავის სჭირდება

გედეკი 2010-იან წლებს იხსენებს: თუ ტექნიკური ხარვეზი გქონდა — მაგალითად, CSS ვერ წერდი — ან გამოცდილ კოლეგას უნდა დაყრდნობოდი, ან იმის იმედი გქონდა, რომ ზუსტი პასუხი ინტერნეტში უკვე არსებობდა. დღეს კი ნებისმიერს შეუძლია მეტ-ნაკლებად ნორმალური CSS მიიღოს მოდელზე დავალების გადაცემით. მოდელები, მისი სიტყვებით, „ყველას ჯენერალისტად“ აქცევენ, რის გამოც ბევრს ჰგონია, რომ აქ უნარი საერთოდ არ მონაწილეობს: ყველა ერთი და იმავე მოდელებს ესაუბრება, ამიტომ „გამოცდილი პრომპტერის“ შედეგი დამწყების შედეგისგან არ განსხვავდება.

ტაოს საუბარი როგორც მთავარი მაგალითი

ამის საპირისპიროდ ავტორი მათემატიკოს ტერენს ტაოს საუბარს მოჰყავს ChatGPT-სთან იაკობის ჰიპოთეზის ცოტა ხნის წინ აღმოჩენილი კონტრმაგალითის შესახებ. გედეკი ამჩნევს, რომ ტაოს შეტყობინებები მოკლე და საქმიანია; რომ მოდელის პასუხები მის საკუთარ საუბრებთან შედარებით გაცილებით ლაკონურია — ექსპერტიზის სიგნალი მოდელს „მათემატიკოსებთან საუბრის“ რეჟიმში გადაიყვანს; რომ ტაო საეჭვო პასუხებს უკუშებრუნდება ისე, რომ პირდაპირ არ ეკამათება („ეს უფრო რთულია, ვიდრე ველოდი“); და რომ ის თითქმის არასოდეს მიჰყვება მოდელის რჩევას, სად წავიდეს შემდეგ.

მთავარი კი ისაა, რომ ამ ჩვევებს მხოლოდ დაკვირვებით ვერ გადაიტან: ტაოს უპირატესობა მათემატიკის რეალური გაგებაა — შეუძლია მრავალპარაგრაფიანი პასუხიდან მთავარი იდეა ამოიღოს, ალტერნატიული ფორმულირებები შესთავაზოს, შენიშნოს, რა „უცნაურად გამოიყურება“, და დასვას კონკრეტული კითხვები, როგორიცაა „მუშაობს აქ X?“ ან „თუ Y და Z გვაქვს, რატომ A?“.

ექსპერტიზა როგორც ბარიერი

ავტორი იგივე ეფექტს საკუთარ სამუშაოშიც აღწერს: კოდის ბაზის კარგი მენტალური მოდელი ინჟინერს საშუალებას აძლევს, მოდელი გაცილებით მკაცრად მართოს — „შეიძლება აქ უფრო მარტივი იყოს?“, „X ხომ უკვე გვაქვს?“. დომენური ცოდნის გარეშე LLM-ისგან მაინც რაღაცის მიღება შეიძლება, თუმცა ცოდნით იმავე მოდელიდან გაცილებით მეტი სარგებლის ამოღება ხდება შესაძლებელი.

დასკვნა: ადამიანური ექსპერტიზა გამოსადეგი რჩება მოდელების გაძლიერებასთან ერთადაც, ხოლო ბევრ ამოცანაში „ბარიერი ადამიანია და არა მოდელი“, რადგან ყველაზე რთული ნაწილი ზუსტად იმის კომუნიკაციაა, თუ როგორი გადაწყვეტა გვინდა. პოსტის დამატებაში ავტორი აღნიშნავს, რომ ტექსტმა Hacker News-ზე ბევრი კომენტარი დაიმსახურა, მათ შორის სკეპტიკოსებისგან, რომელთაც ეს არგუმენტი ზედმეტად დამამშვიდებლად მიაჩნიათ; მათ, ვინც ამბობს, რომ OpenAI-ის მათემატიკურ მიღწევებს ექსპერტიზა არ სჭირდებოდა, გედეკი პასუხობს: OpenAI-ის მათემატიკოსთა გუნდი ამოწმებდა და ფილტრავდა მოდელის მიერ შემოთავაზებულ აღმოჩენებს და ეს ნაბიჯი დღეს გამოტოვებადი არ არის.