‏معماری کانتکست؛ IA برای سیستم‌های هوش مصنوعی

نویسنده (Paz Perez از گروه Nielsen Norman) اول یه سیر تکاملی رو ترسیم می‌کنه: از prompt engineering (که موفقیت به نوشتن دستور درست وابسته بود)، به context engineering (اصطلاحی از Tobi Lütke، یعنی هماهنگ‌کردن مجموعه‌ای از دستورها، دانش بازیابی‌شده، ابزارها، حافظه و state)، و حالا عصر سیستم‌های ایجنتی که مستقل عمل می‌کنن. به گفتهٔ نویسنده، مسئلهٔ طراحیِ تازه اینه که دیگه فقط تعیین نمی‌کنیم به مدل چی بگیم، بلکه محیطی رو طراحی می‌کنیم که مدل توش فکر و عمل می‌کنه؛ و اینجاست که یه رشتهٔ آشنا یعنی معماری اطلاعات (IA) به شکل تازه‌ای حیاتی می‌شه.

نویسنده توضیح می‌ده که چرا کانتکست مهمه: محصولات دیجیتالِ سنتی قطعی‌ان و خروجی ثابت می‌دن، ولی LLMها احتمالاتی‌ان و همون ورودی می‌تونه خروجی متفاوت بده. چون خیلی تیم‌ها دادهٔ آموزشی رو کنترل نمی‌کنن، کانتکست یکی از اصلی‌ترین راه‌های شکل‌دادن به رفتار سیستم می‌شه. اما نکتهٔ مهم اینه که کانتکستِ بیشتر لزوماً بهتر نیست؛ چون هر عنصر برای «توجهِ» مدل رقابت می‌کنه و درست مثل آدم‌ها، مدل هم از اضافه‌بار اطلاعات آسیب می‌بینه.

نویسنده فرق context engineering و context architecture رو با یه تشبیه از دوران معماریِ خودش روشن می‌کنه: مهندس‌ها لوله‌کشی و برق و سازه رو درست می‌کنن، ولی معمار می‌پرسه ساختمان برای چیه و آدم‌ها چطور توش حرکت می‌کنن. context engineering زیرساخت (pipeline و اجزا) رو می‌سازه؛ context architecture ساختار، معنا و رفتارِ اطلاعاتی که روی اون می‌شینه رو تعریف می‌کنه و سؤال‌هایی مثل این رو می‌پرسه: چه مفاهیمی باید تو کانتکست باشن؟ چطور برچسب بخورن؟ سیستم چی رو باید به‌خاطر بسپاره یا فراموش کنه؟

مقاله بعد چند اصلِ IA رو با مثالِ یه ایجنتِ پشتیبانی مشتری نشون می‌ده. بدون ساختار، وقتی کاربر می‌گه «از حسابم قفل شدم»، سیستم انبوهی از اطلاعات نامرتبط (رویه‌های منسوخ، سیاست‌های تشدید امنیتی) رو بازیابی می‌کنه و خروجیش گمراه‌کننده می‌شه. با سلسله‌مراتب (اولویت اطلاعات)، دسته‌بندی (گروه‌بندی مفاهیم مرتبط) و برچسب‌گذاری (هم‌راستاکردن زبان سیستم با زبان کاربر، مثل «locked out» به‌جای «credential invalidation») نویز بازیابی کم و دقت پاسخ بیشتر می‌شه.

نویسنده همین منطق رو به findability، هم‌راستایی با مدل ذهنی کاربر و طراحی حافظه هم گسترش می‌ده؛ مثلاً نام‌گذاریِ روشنِ skillها تا ایجنت درست انتخاب کنه، یا تعریف قواعدی برای اینکه چه چیزی در حافظه بمونه، چطور ایندکس بشه و کِی بازیابی بشه. جمع‌بندی اینه که تصمیم‌های طراحیِ کانتکست هیچ‌وقت خنثی نیستن؛ نام‌گذاری، روابط و محدودیت‌هایی که تعریف می‌کنیم مستقیم روی برداشت و خروجیِ سیستم اثر می‌ذارن، پس این کارْ طراحیه و باید مثل طراحی باهاش رفتار بشه.

نکات کلیدی:

• تکامل از prompt engineering به context engineering و حالا context architecture
• چون LLMها احتمالاتی‌ان، کانتکست یکی از اصلی‌ترین راه‌های شکل‌دادن رفتار سیستمه
• کانتکستِ بیشتر بهتر نیست؛ هر عنصر برای «توجهِ» مدل رقابت می‌کنه
• سلسله‌مراتب، دسته‌بندی و برچسب‌گذاری نویز بازیابی رو کم و دقت رو زیاد می‌کنن
• هم‌راستاکردن زبان سیستم (skillها و ابزارها) با مدل ذهنی و زبان کاربر