जब आप प्रॉम्प्ट ऑप्टिमाइज़ करके थक जाएं, तो AI वर्कफ़्लो कैसे बनाएं

नमस्ते सबको, leopardracer यहाँ है!

अच्छे कंटेंट आइडिया ढूँढने में मुझे हर हफ्ते घंटों लग जाते थे। एक टैब में Reddit, दूसरे में खबरें, तीसरे में arXiv, और एक Obsidian नोट जहाँ मैं सब कुछ पेस्ट करता और याद करने की कोशिश करता कि चीज़ें कैसे जुड़ती हैं। हर AI सर्च में सेकंड लगते थे, लेकिन बाकी समय मैं गोंद का काम करता था।

इससे भी बुरा यह था कि टैब और चैट के बीच स्विच करने में मेरा कितना ध्यान बर्बाद होता था। हर स्विच मेरी फोकस को खत्म करता, और हर रीसेट काम को उससे भी भारी बना देता जितना वह था।

मुझे तब पता नहीं था, लेकिन अपने प्रॉम्प्ट को ओवर-ऑप्टिमाइज़ करने के बजाय, मुझे सिर्फ एक वर्कफ़्लो बनाना चाहिए था। इसका सबसे अच्छा तरीका समझने में मुझे कुछ समय लगा, और अब मैं अपने प्रॉम्प्ट को वर्कफ़्लो में बदलने का तरीका साझा करने के लिए तैयार हूँ।

इस लेख में:

• प्रॉम्प्ट की आदतें बड़े पैमाने पर क्यों टूट जाती हैं
• अपने पहले वर्कफ़्लो कैंडिडेट को कैसे पहचानें
• लंबी बातचीत में सीमों को कैसे खोजें
• हैंडऑफ़ पैटर्न जो कॉन्टेक्स्ट को आगे बढ़ाता है

अगर आप AI चैट टैब के बीच आउटपुट कॉपी-पेस्ट कर रहे हैं, तो आप वह कोऑर्डिनेशन का काम कर रहे हैं जो AI को करना चाहिए। इसका समाधान है अपने प्रॉम्प्ट को एक वर्कफ़्लो में बदलना जहाँ हर स्टेप एक फ़ाइल में लिखता है और अगला उसे पढ़ता है। कॉन्टेक्स्ट आपके बिना आगे बढ़ता है। आप केवल वहीं रुकते हैं जहाँ कोई वास्तविक निर्णय लेना हो।

जब प्रॉम्प्टिंग काम करना बंद कर देती है

लगभग हर कोई AI के साथ उसी तरह शुरुआत करता है। आप एक सवाल टाइप करते हैं, जवाब पाते हैं, उसे कहीं कॉपी-पेस्ट करते हैं, दोहराते हैं। मैंने अपना पहला साल इसी तरह बिताया। और मैं समझता हूँ, यह उत्पादक लगता है क्योंकि हर इंटरैक्शन आपको कुछ ठोस देता है।

फिर आप देखते हैं कि आप AI को मैनेज करने में उससे ज़्यादा समय बिता रहे हैं जितना AI आपको बचा रहा है। आप स्टेप्स के बीच कॉपी कर रहे हैं। आपको याद रखना पड़ रहा है कि स्टेप तीन को स्टेप एक से क्या चाहिए।

अक्टूबर 2025 का एक अध्ययन arXiv पर प्रकाशित पाया गया कि LLM की सटीकता काफी कम हो जाती है जब प्रासंगिक जानकारी लंबे कॉन्टेक्स्ट में एम्बेडेड होती है, भले ही सभी अप्रासंगिक टोकन मास्क कर दिए गए हों।

प्रॉम्प्ट इंजीनियरिंग ब्लॉग और कोर्स अभी भी यह बेच रहे हैं कि सही शब्द सब कुछ ठीक कर देंगे। वे गलत लेयर को ऑप्टिमाइज़ कर रहे हैं। आप एक चैट विंडो के माध्यम से एक पाइपलाइन चलाने की कोशिश कर रहे हैं, और कोई भी शब्द-शिल्प इसे नहीं बदल सकता।

प्रॉम्प्टिंग में एक सीमा तक पहुँचने का मतलब है कि आपके पास एक आर्किटेक्चर की समस्या है।

अपने पहले AI वर्कफ़्लो को कैसे पहचानें

आगे बढ़ने से पहले, यह करके देखें। उस आखिरी दोहराए जाने वाले काम के बारे में सोचें जो आपने AI के साथ किया था। जिसमें 45 मिनट लगे और मिनट 30 तक आप चीखना चाहते थे। अब खुद से पूछें:

• क्या मैंने स्टेप्स के बीच कॉपी-पेस्ट किया?
• क्या मैंने कई चैट विंडो खोलीं क्योंकि कॉन्टेक्स्ट खराब होता रहा?
• क्या मुझे याद रखना पड़ा कि स्टेप तीन को स्टेप एक से क्या चाहिए?
• क्या AI ने हर स्टेप पर अच्छा आउटपुट दिया, लेकिन अंतिम परिणाम औसत था?

अगर आपने इनमें से किसी का भी हाँ में जवाब दिया, तो आपके पास पहले से ही एक वर्कफ़्लो कैंडिडेट है। आप मैन्युअल रूप से कोऑर्डिनेशन का काम कर रहे हैं।

यहाँ एक प्रॉम्प्ट है जिसे आप अभी इस्तेमाल कर सकते हैं। इसे अपनी अगली लंबी AI बातचीत के अंत में पेस्ट करें, जब आप कोई काम पूरा कर लें:

1Look back at this conversation we just had. I'm going to paste the initial prompt I started with below. I want you to analyze whether this task could be converted into a reusable skill or workflow.
2
3Specifically:
41. Could the steps I took be structured as a sequence where each step produces output the next step needs?
52. Are there handoff points where context needs to carry forward?
63. Would this task benefit from being broken into separate steps with clean context, rather than running as one long conversation?
74. What would the input, instructions, output, and checkpoint look like if this became a workflow?
8
9Here's the initial prompt I used: [PASTE YOUR INITIAL PROMPT HERE]
10
11Tell me if this is a good candidate for a workflow, and if so, sketch what the steps would look like.

इसे अपने अगले दोहराए जाने वाले काम के बाद चलाएँ। आप पा सकते हैं कि आप पहले से ही वर्कफ़्लो के आकार का काम मैन्युअल रूप से कर रहे हैं।

यह इस बात पर काम करता है कि आप Hermes, Claude Code, Codex, Cowork, या किसी अन्य AI वार्तालाप उपकरण का उपयोग करते हैं। पैटर्न समान रहते हैं। उपकरण मायने नहीं रखते। संरचना मायने रखती है।

लंबी बातचीत में सीमों को कहाँ खोजें

एक लंबी बातचीत को वर्कफ़्लो में बदलना यह देखने से शुरू होता है कि आपकी वर्तमान प्रक्रिया में सीम कहाँ हैं।

जब आपकी कोई लंबी AI बातचीत हो, तो उन पलों को देखें जहाँ आपने गियर बदला। जहाँ आपने कहा "ठीक है, अब चलो X करते हैं" और एक नया मानसिक संदर्भ शुरू किया। जहाँ आपने चैट में पहले की कोई चीज़ कॉपी की और उसे एक नए अनुरोध में पेस्ट किया। जहाँ आपको AI को याद दिलाना पड़ा कि आप किस पर काम कर रहे हैं क्योंकि वह भूल गया था। वे सीम हैं जहाँ स्कोप क्रीप होता है।

वे आपके सीम हैं। हर सीम वर्कफ़्लो में एक संभावित कदम है।

मेरा ब्रेकिंग पॉइंट एक कंटेंट आइडिएशन प्रोजेक्ट के दौरान आया। मुझे न्यूज़लेटर लेखों के लिए दिलचस्प कोण खोजने थे, जिसका मतलब था कई स्रोतों से जानकारी लेना। Reddit थ्रेड्स में विशिष्ट समस्याओं के बारे में शिकायतें सामने आती थीं, समाचार लेखों में उभरते उपकरणों को कवर किया जाता था, और arXiv पेपर्स नई क्षमताओं का संकेत देते थे।

मैंने मैन्युअल रूप से शुरू किया, Reddit पोस्ट को एक दस्तावेज़ में कॉपी-पेस्ट करना, समाचार सुर्खियाँ खुरचना, arXiv सर्च चलाना और सारांश सहेजना। हर स्रोत अपने स्वयं के चैट सत्र में रहता था क्योंकि कॉन्टेक्स्ट विंडो खराब होती रहती थी। जब तक मैं Reddit के साथ समाप्त करता, मैं भूल जाता कि मुझे समाचार सर्च में क्या मिला था।

फिर मैंने प्रत्येक स्रोत के लिए अलग-अलग स्किल बनाईं। Reddit रिसर्च के लिए एक स्किल, समाचार स्क्रैपिंग के लिए दूसरी, arXiv पेपर्स के लिए तीसरी। हर स्किल अपने आप ठीक काम करती थी, लेकिन मैं अभी भी उनके बीच समन्वय कर रहा था। मैं Reddit स्किल चलाता, आउटपुट सेव करता, समाचार स्किल चलाता, उस आउटपुट को सेव करता, arXiv स्किल चलाता, उस आउटपुट को सेव करता। फिर मैं तीनों को मैन्युअल रूप से एक अंतिम आइडिया लिस्ट में जोड़ता।

मैं एजेंट का कोऑर्डिनेशन काम मैन्युअल रूप से कर रहा था। AI हर कदम अच्छी तरह से कर सकता था। हैंडऑफ़ समस्या थे। मैं मिडलवेयर था।

कॉन्टेक्स्ट को सही तरीके से आगे कैसे बढ़ाएँ

वर्कफ़्लो स्टेप्स के अनुक्रम हैं जहाँ हर स्टेप कुछ ऐसा उत्पन्न करता है जिसकी अगले स्टेप को आवश्यकता होती है। जो चीज़ वर्कफ़्लो को प्रॉम्प्टिंग से अलग करती है, वह यह है कि कॉन्टेक्स्ट स्वचालित रूप से आगे बढ़ता है, न कि आप इसे हाथ से ले जाते हैं।

Anthropic का “Building Effective Agents” गाइड, जो दिसंबर 2024 में प्रकाशित हुआ और व्यापक रूप से निश्चित संसाधन के रूप में उद्धृत किया जाता है, एक स्पष्ट अंतर करता है। वर्कफ़्लो ऐसे सिस्टम हैं जहाँ LLM और टूल्स को पूर्वनिर्धारित कोड पथों के माध्यम से ऑर्केस्ट्रेट किया जाता है। एजेंट ऐसे सिस्टम हैं जहाँ LLM गतिशील रूप से अपनी प्रक्रियाओं को निर्देशित करते हैं।

गैर-कोडर्स के लिए, वर्कफ़्लो स्वीट स्पॉट हैं। आप पथ को परिभाषित करते हैं। AI हर पड़ाव पर काम करता है।

Anthropic पाँच वर्कफ़्लो पैटर्न का वर्णन करता है। सरल भाषा में:

प्रॉम्प्ट चेनिंग एक असेंबली लाइन की तरह काम करती है। स्टेप एक का आउटपुट स्टेप दो का इनपुट बन जाता है। हर स्टेप सरल और केंद्रित रहता है।

रूटिंग विभिन्न इनपुट को अलग-अलग पथों पर भेजता है। जैसे एक मेल सॉर्टर जो पत्रों को सही पिन कोड पर भेजता है।

पैरेललाइज़ेशन एक साथ कई चीज़ें चलाता है। जैसे एक के बजाय तीन शोधकर्ता होना।

ऑर्केस्ट्रेटर-वर्कर्स एक बॉस एजेंट का उपयोग करता है जो काम को तोड़ता है और इसे वर्कर एजेंट्स को सौंपता है।

इवैल्यूएटर-ऑप्टिमाइज़र में एक एजेंट काम करता है और दूसरा उसकी जाँच करता है। पहला फीडबैक के आधार पर संशोधन करता है।

मैं उन फ़ाइलों को हैंडऑफ़ फ़ाइलें कहता हूँ जो सब कुछ एक साथ रखती हैं। हर स्टेप अपना काम लिखता है ताकि अगले स्टेप को अनुमान न लगाना पड़े। फ़ॉर्मेट सिद्धांत से कम मायने रखता है। यह एक मार्कडाउन फ़ाइल, एक Google Doc, एक संरचित टेक्स्ट ब्लॉक हो सकता है। मायने यह है कि हर स्टेप कुछ ऐसा उत्पन्न करता है जिसे अगला स्टेप पढ़ सके।

मैंने स्टेप्स के बीच कॉन्टेक्स्ट रखने के लिए सब कुछ आज़माया। इन-मेमोरी वेरिएबल्स सत्र समाप्त होने पर गायब हो जाते हैं, डेटाबेस एंट्रीज़ को सेटअप और रखरखाव की आवश्यकता होती है, और साझा स्टेट फ़ाइलें दूषित हो जाती हैं जब दो स्टेप एक साथ लिखते हैं।

Obsidian में मार्कडाउन फ़ाइलें जीत गईं क्योंकि वे उबाऊ और विश्वसनीय हैं।

वर्कफ़्लो में हर स्टेप अपना आउटपुट एक मार्कडाउन फ़ाइल में लिखता है, और अगला स्टेप उस फ़ाइल को पढ़ता है। फ़ाइलें एक फ़ोल्डर संरचना में बैठती हैं जो वर्कफ़्लो को दर्शाती है। जब कुछ गलत होता है, तो मैं फ़ाइल खोलता हूँ और देखता हूँ कि स्टेप तीन ने वास्तव में क्या उत्पन्न किया। मैं समस्या को श्रृंखला में पीछे की ओर ट्रेस करता हूँ।

इसने मुझे कुछ ऐसा भी दिया जिसकी मुझे उम्मीद नहीं थी। मैं ट्रैक करता हूँ कि प्रत्येक सबएजेंट या स्टेप ने क्या किया, जिसमें उसके द्वारा उत्पादित विशिष्ट फ़ाइलों के लिंक शामिल हैं। जब अंतिम आउटपुट में कुछ संदिग्ध लगता है, तो मैं मध्यवर्ती फ़ाइलें खोलता हूँ और पाता हूँ कि बहाव कहाँ से शुरू हुआ।

मार्कडाउन के व्यावहारिक लाभ भी हैं। सादा टेक्स्ट हर जगह काम करता है। फ़ाइलें बिना रूपांतरण के सिस्टम के बीच चलती हैं। समय के साथ परिवर्तन संस्करण-नियंत्रणीय होते हैं। सब कुछ Obsidian में अच्छी तरह से रेंडर होता है, जिसका उपयोग मैं पहले से ही नोट्स के लिए करता हूँ।

कॉन्टेक्स्ट को डेटाबेस या साझा स्टेट मैकेनिज्म में संग्रहीत करना जटिलता जोड़ता है, सेटअप की आवश्यकता होती है, और निर्भरताएँ बनाता है। मार्कडाउन फ़ाइलों को एक फ़ोल्डर और एक टेक्स्ट एडिटर के अलावा कुछ नहीं चाहिए।

हर स्टेप अपना काम लिखता है। अगला स्टेप पढ़ता है कि पिछले स्टेप ने क्या लिखा। कॉन्टेक्स्ट मेमोरी के माध्यम से नहीं, बल्कि फ़ाइलों के माध्यम से आगे बढ़ता है।

AI वर्कफ़्लो को स्टेप बाय स्टेप बनाना

मैं आपको दिखाता हूँ कि व्यवहार में यह कैसा दिखता है। मैं अपने कंटेंट आइडिएशन वर्कफ़्लो को उदाहरण के रूप में उपयोग करूँगा, लेकिन संरचना किसी भी दोहराए जाने वाले काम के लिए काम करती है।

इस वर्कफ़्लो में चार स्टेप हैं। हर स्टेप पिछले स्टेप की आउटपुट फ़ाइल से पढ़ता है और अपनी स्वयं की आउटपुट फ़ाइल में लिखता है।

स्टेप 1: Reddit रिसर्च

इनपुट: एक विषय या कीवर्ड जिसे खोजना है।

यह क्या करता है: Reddit पर उन थ्रेड्स की खोज करता है जहाँ लोग उस विषय से संबंधित समस्याओं के बारे में शिकायत करते हैं।

आउटपुट: reddit-findings.md जिसमें थ्रेड शीर्षक, URL और मुख्य शिकायतें हैं।

स्टेप 2: समाचार स्क्रैपिंग

इनपुट: वही विषय।

यह क्या करता है: उस विषय से संबंधित उभरते उपकरणों या रुझानों के बारे में लेखों के लिए समाचार स्रोतों की खोज करता है।

आउटपुट: news-findings.md जिसमें सुर्खियाँ, URL और सारांश हैं।

स्टेप 3: arXiv सर्च

इनपुट: वही विषय।

यह क्या करता है: उस विषय से संबंधित नई क्षमताओं का संकेत देने वाले पेपर्स के लिए arXiv की खोज करता है।

आउटपुट: arxiv-findings.md जिसमें पेपर शीर्षक, सारांश और प्रासंगिकता नोट्स हैं।

स्टेप 4: संश्लेषण

इनपुट: स्टेप 1-3 से तीनों फ़ाइलें।

यह क्या करता है: तीनों फ़ाइलों को पढ़ता है और उन्हें लेख कोण विचारों की एक सूची में संश्लेषित करता है।

आउटपुट: idea-angles.md जिसमें 5-10 संभावित लेख विषय हैं, प्रत्येक शोध पर आधारित है।

हर स्टेप को अपनी ज़रूरत के अनुसार एक साफ कॉन्टेक्स्ट मिलता है। कुछ भी दबा नहीं है। कुछ भी भुलाया नहीं गया है।

इस वर्कफ़्लो का मेरा पहला प्रयास बदसूरत था। मेरे डेस्कटॉप पर फ़ाइलें, एक नोट्स ऐप में एक चेकलिस्ट, और बहुत सारा कॉपी-पेस्टिंग इसे एक साथ रखता था। लेकिन यह संरचित था। हर स्टेप का एक स्पष्ट इनपुट और एक स्पष्ट आउटपुट था। एजेंट को तीन स्टेप पहले की किसी भी चीज़ को याद रखने की ज़रूरत नहीं थी क्योंकि मैंने उसे वही दिया जिसकी उसे ज़रूरत थी।

आखिरकार मैंने एक एकीकृत स्किल बनाई जो पूरी पाइपलाइन को संभालती है। यह क्रम में Reddit, समाचार स्रोतों और arXiv से जानकारी खींचती है, निष्कर्षों के प्रत्येक बैच को एक अलग मार्कडाउन फ़ाइल में लिखती है, फिर तीनों को एक अंतिम आइडिया लिस्ट में संश्लेषित करती है। स्किल ऊपर से नीचे तक चलती है, बिना मेरे स्टेप्स के बीच कुछ कॉपी किए।

प्रॉम्प्टिंग बनाम वर्कफ़्लो: एक ही काम

कंटेंट आइडिएशन प्रॉम्प्ट तरीके बनाम वर्कफ़्लो तरीके से पूरी तरह से अलग दिखता है।

प्रॉम्प्ट तरीका: आप एक चैट खोलते हैं और AI से किसी विशिष्ट विषय के बारे में Reddit पर शिकायतें खोजने के लिए कहते हैं। यह आपको एक सूची देता है। आप उस सूची को एक दस्तावेज़ में कॉपी करते हैं। आप एक नई चैट खोलते हैं और उसी विषय के बारे में समाचार लेख खुरचने के लिए कहते हैं। यह आपको सुर्खियाँ और सारांश देता है। आप उन्हें अपने दस्तावेज़ में कॉपी करते हैं। आप एक और चैट खोलते हैं और प्रासंगिक पेपर्स के लिए arXiv खोजने के लिए कहते हैं। यह आपको सारांश देता है। आप उन्हें भी कॉपी करते हैं।

जब तक आप समाप्त करते हैं, आपके पास एक दस्तावेज़ में तीन अलग-अलग टेक्स्ट के टुकड़े होते हैं। अब आपको उन्हें आइडिया एंगल्स में संश्लेषित करने की आवश्यकता है। आप सब कुछ एक नई चैट में पेस्ट करते हैं और विचारों के लिए पूछते हैं। AI एक सूची तैयार करता है, लेकिन यह सामान्य है। इसने Reddit की शिकायतों से बारीकियाँ खो दीं क्योंकि वे संयुक्त टेक्स्ट में दब गई थीं। यह arXiv के निष्कर्षों से चूक गया क्योंकि वे 5,000-शब्द के प्रॉम्प्ट के नीचे थे।

वर्कफ़्लो तरीका: आप एक स्किल चलाते हैं जो Reddit की खोज करती है और निष्कर्षों को reddit-findings.md नामक फ़ाइल में लिखती है। स्किल फिर समाचार स्रोतों की खोज करती है और news-findings.md में लिखती है। फिर यह arXiv की खोज करती है और arxiv-findings.md में लिखती है। प्रत्येक फ़ाइल साफ और केंद्रित है।

अंतिम चरण तीनों फ़ाइलों को पढ़ता है और उन्हें idea-angles.md में संश्लेषित करता है। हर स्टेप को अपनी ज़रूरत के अनुसार एक साफ कॉन्टेक्स्ट मिलता है। कुछ भी दबा या भुलाया नहीं जाता।

Clare Liguori का AWS में शोध ने 3,000 मूल्यांकन रनों में एजेंट व्यवहार को निर्देशित करने के पाँच दृष्टिकोणों का परीक्षण किया। सरल प्रॉम्प्ट निर्देश 82.5% सटीकता तक पहुँचे, जिसका अर्थ है कि लगभग पाँच में से एक इंटरैक्शन विफल रहा। जब उसने संरचित फीडबैक लूप्स जोड़े, जिसे वह स्टीयरिंग हुक कहती है, सटीकता 600 रनों में 100% तक पहुँच गई।

बेहतर संरचना ने अंतर पैदा किया, बेहतर प्रॉम्प्ट ने नहीं।

मैंने स्वयं इसका परीक्षण किया जब विभिन्न मॉडलों की तुलना की कि वे वास्तविक Hermes वर्कफ़्लो को कैसे संभालते हैं। जो मॉडल बेंचमार्क पर प्रभावशाली दिखते थे, वे अक्सर संरचित वर्कफ़्लो पर विफल हो जाते थे क्योंकि वे सरल चरणों के बारे में अधिक सोचते थे या फ़ॉर्मेट बाधाओं को अनदेखा करते थे। संरचना कच्ची क्षमता से अधिक मायने रखती है।

जहाँ मनुष्य अभी भी जाँच करते हैं

हर वर्कफ़्लो को चेकपॉइंट की आवश्यकता होती है, लेकिन हर स्टेप को एक की आवश्यकता नहीं होती। हर जगह समीक्षा बिंदु जोड़ने से वर्कफ़्लो रुकावटों की एक श्रृंखला में बदल जाता है।

मैं निर्णय गेट का उपयोग करता हूँ। आप केवल वहीं रुकते हैं जहाँ कोई वास्तविक विकल्प बनाना हो। किस कोण का पीछा करना है। किस स्रोत को प्राथमिकता देनी है। क्या एक अनुभाग को काटना है जो फिट नहीं बैठता।

यदि आउटपुट ठीक है और किसी निर्णय की आवश्यकता नहीं है, तो आप नहीं रुकते। वर्कफ़्लो तब तक चलते हैं जब तक वे एक ऐसे बिंदु पर नहीं पहुँच जाते जहाँ वे आपके निर्णय के बिना आगे नहीं बढ़ सकते।

निर्णय गेट जाँचते हैं कि क्या आउटपुट आपके इरादे से मेल खाता है। AI व्याकरणिक रूप से सही, अच्छी तरह से शोधित सामग्री तैयार करता है जो फिर भी गलत दिशा में जाती है। निर्णय गेट इसे पकड़ लेते हैं इससे पहले कि अगला कदम एक गलत धारणा पर बने।

मेरे टेलीग्राम चैनल में मैंने Hermes वर्कफ़्लो में अनुमोदन गेट जोड़ने पर एक पूरी गाइड लिखी है यदि आप तकनीकी विवरण चाहते हैं। गेट आपकी प्रतिष्ठा की रक्षा करते हैं आपकी OK के बिना बाहरी कार्यों को अवरुद्ध करके, आपके डेटा की रक्षा करते हैं सिस्टम परिवर्तनों से पहले पुष्टि की आवश्यकता होने पर, और आपके वॉलेट की रक्षा करते हैं अनुमोदन के बिना एक सीमा से ऊपर खर्च को अवरुद्ध करके।

अधिकांश वर्कफ़्लो के लिए, आपको एक गेट की आवश्यकता होती है उस बिंदु पर जहाँ आउटपुट सार्वजनिक या अपरिवर्तनीय हो जाता है। एक कंटेंट वर्कफ़्लो में आउटलाइन के बाद, अंतिम ड्राफ्ट के लाइव होने से पहले एक गेट हो सकता है। एक शोध वर्कफ़्लो में संश्लेषण के बाद, निष्कर्षों पर कार्रवाई करने से पहले एक गेट हो सकता है।

निर्णय गेट वह जगह हैं जहाँ आप दिशा पर नियंत्रण रखते हैं जबकि AI निष्पादन को संभालता है।

अपना पहला वर्कफ़्लो कहाँ से शुरू करें

एक दोहराए जाने वाले काम को चुनें। सबसे जटिल नहीं। वह चुनें जो आप हर हफ्ते करते हैं जिसमें 45 मिनट लगते हैं और मिनट 30 तक आप चीखना चाहते हैं। वह आपका पहला वर्कफ़्लो है।

मेरा एक सुबह का ब्रीफिंग था जो कॉफी से पहले कार्यों और लेखों को खींचता है। दो स्टेप। Asana से पढ़ें, आउटपुट को फ़ॉर्मेट करें, इसे डिलीवर करें। एक दोपहर में बनाने के लिए पर्याप्त सरल, इसे बनाने के बाद से हर कार्यदिवस चलाने के लिए पर्याप्त उपयोगी।

यदि आप Hermes में नए हैं, तो कुछ भी जटिल करने का प्रयास करने से पहले इस तरह के दो-स्टेप वर्कफ़्लो से शुरुआत करें।

न्यूनतम व्यवहार्य वर्कफ़्लो के चार भाग होते हैं: इनपुट (क्या जाता है), निर्देश (एजेंट क्या करता है), आउटपुट (क्या निकलता है), और चेकपॉइंट (जहाँ आप सत्यापित करते हैं)। आपको सॉफ़्टवेयर की आवश्यकता नहीं है। आपको कोड की आवश्यकता नहीं है। आपको उसमें फ़ाइलों वाले एक फ़ोल्डर की आवश्यकता है।

Anthropic की अपनी सलाह "Building Effective Agents" से है कि सरल शुरुआत करें और ज़रूरत पड़ने पर ही जटिलता जोड़ें। वे स्पष्ट रूप से फ्रेमवर्क या जटिल आर्किटेक्चर के साथ शुरुआत करने के खिलाफ चेतावनी देते हैं। दो स्टेप से शुरुआत करें। उन्हें विश्वसनीय बनाएँ। फिर तीसरा जोड़ें।

Confluent का AI वर्कफ़्लो पर मार्गदर्शन भी यही बात कहता है। सरल समाधान अक्सर शुरुआत करने के लिए सबसे अच्छी जगह होते हैं। सरल प्रॉम्प्ट इंजीनियरिंग से शुरुआत करना सही नहीं हो सकता है, लेकिन यह पहले पास के रूप में काफी अच्छा काम करता है। जब आप सीमा तक पहुँचते हैं, तो संरचना जोड़ें। पहले से संरचना न जोड़ें।

उबाऊ चतुर से बेहतर है। आपका पहला वर्कफ़्लो इतना सरल होना चाहिए कि यह शर्मनाक हो। एक फ़ाइल हैंडऑफ़ और एक मानव जाँच के साथ एक दो-स्टेप प्रक्रिया। बस इतना ही। जो लोग AI वर्कफ़्लो से मूल्य प्राप्त करते हैं, उन्होंने उबाऊ वर्कफ़्लो बनाए और उन्हें 50 बार चलाया, न कि प्रभावशाली वर्कफ़्लो जिन्हें उन्होंने दो बार चलाया।

अधिकांश AI उत्पादकता सलाह आपको बेहतर प्रॉम्प्ट लिखने के लिए कहती है। बेहतर हैंडऑफ़ डिज़ाइन करना वह जगह है जहाँ वास्तविक लाभ है। हर स्टेप पर प्रॉम्प्ट औसत हो सकते हैं यदि उन्हें प्राप्त कॉन्टेक्स्ट साफ है। एक फूले हुए चैट थ्रेड में एक शानदार प्रॉम्प्ट फिर भी औसत आउटपुट उत्पन्न करेगा।

यह पहचानना कि आप वह कोऑर्डिनेशन काम कर रहे हैं जो AI को करना चाहिए, पूरा बदलाव है। एक बार जब आप पैटर्न देख लेते हैं, तो आप इसे अनदेखा नहीं कर सकते। हर दोहराए जाने वाला काम संरचना के लिए एक उम्मीदवार बन जाता है। हर मैन्युअल हैंडऑफ़ एक डिज़ाइन समस्या बन जाता है।

प्रॉम्प्टिंग में एक सीमा तक पहुँचने का मतलब है कि आपके पास एक आर्किटेक्चर की समस्या है। पाइपलाइन बनाएँ। कॉन्टेक्स्ट को प्रवाहित होने दें। अपने हाथों को उन निर्णयों पर रखें जो मायने रखते हैं।

अगर इसने AI वर्कफ़्लो के बारे में आपकी सोच बदल दी है, तो @leopardracer को फॉलो करें इस तरह की और सामग्री के लिए और मेरे टेलीग्राम चैनल से जुड़ें: **https://t.me/+ygATQAt9sUM1N2U6