लीन प्रॉम्प्टिंग: छोटे, अधिक स्मार्ट AI प्रॉम्प्ट्स के लिए OpenAI की नई गाइड

लीन प्रॉम्प्टिंग प्रॉम्प्ट इंजीनियरिंग के सबसे व्यावहारिक विचारों में से एक बनती जा रही है। वर्षों तक, कई टीमों ने माना कि बेहतर AI प्रॉम्प्ट का मतलब लंबे AI प्रॉम्प्ट हैं: अधिक नियम, अधिक उदाहरण, अधिक चेतावनियाँ, अधिक फ़ॉर्मैटिंग निर्देश, और “सटीक रहें” के अधिक अनुस्मारक। OpenAI’s model guidance एक अधिक स्पष्ट दिशा की ओर संकेत करता है: अधिक संक्षिप्त प्रॉम्प्ट को प्राथमिकता दें।

लीन प्रॉम्प्टिंग का अर्थ छोटे-छोटे प्रॉम्प्ट लिखना नहीं है। इसका अर्थ ऐसे प्रॉम्प्ट लिखना है जो स्पष्ट, केंद्रित और मॉडल के लिए अनुसरण करने में आसान हों। एक मजबूत प्रॉम्प्ट मॉडल को आवश्यक कार्य, संदर्भ, टूल, सीमाएँ और सफलता के मानदंड देता है, बिना दोहराए गए निर्देशों या अप्रासंगिक विवरणों के नीचे काम को दबाए।

AI निर्माताओं, मार्केटर्स, उत्पाद टीमों, विश्लेषकों और व्यावसायिक उपयोगकर्ताओं के लिए यह महत्वपूर्ण है क्योंकि प्रॉम्प्ट की गुणवत्ता आउटपुट की गुणवत्ता, लेटेंसी, टोकन उपयोग, लागत और विश्वसनीयता को प्रभावित करती है। यह AI उत्पादकता टूल के लिए भी महत्वपूर्ण है, जिसमें Pi जैसे प्रॉम्प्ट-से-डेक उत्पाद शामिल हैं, जहाँ इनपुट की गुणवत्ता अंतिम प्रस्तुति की स्पष्टता को आकार दे सकती है।

लीन प्रॉम्प्टिंग क्या है?

लीन प्रॉम्प्टिंग, प्रदर्शन बेहतर करने वाले मार्गदर्शन को बनाए रखते हुए अनावश्यक सामग्री हटाकर AI प्रॉम्प्ट को छोटा, स्पष्ट और अधिक प्रासंगिक बनाने का अभ्यास है। लक्ष्य सबसे छोटा संभव प्रॉम्प्ट बनाना नहीं है। लक्ष्य शोर को कम करना है।

एक लीन प्रॉम्प्ट आमतौर पर कार्य समझाता है, ऑडियंस को परिभाषित करता है, आवश्यक आउटपुट बताता है, महत्वपूर्ण सीमाएँ देता है और केवल काम के लिए आवश्यक टूल उपलब्ध कराता है। यह एक ही नियम को कई अलग-अलग तरीकों से दोहराने से बचता है।

उदाहरण के लिए, एक बोझिल निर्देश कह सकता है: “पेशेवर, संक्षिप्त, स्पष्ट, सहायक, सटीक, विचारशील, व्यवसाय-अनुकूल, परिष्कृत, सीधा और अंतर्दृष्टिपूर्ण बनें।” यह उपयोगी लगता है, लेकिन इसका मूल्यांकन करना कठिन है। इसका अधिक लीन संस्करण होगा: “वरिष्ठ B2B अधिकारियों के लिए लिखें। सीधे भाषा का उपयोग करें, जहाँ संभव हो दावों को मात्रात्मक रूप दें, और अनौपचारिक वाक्यांशों से बचें।”

दूसरा संस्करण छोटा है, लेकिन उससे भी महत्वपूर्ण बात यह है कि यह अधिक विशिष्ट और परीक्षण योग्य है।

OpenAI अधिक लीन प्रॉम्प्ट की सिफारिश क्यों करता है

OpenAI’s model guidance के अनुसार, प्रॉम्प्ट में अनावश्यक दोहराव और अत्यधिक जटिल टूल विवरणों से बचना चाहिए। OpenAI ने आंतरिक निष्कर्षों का भी वर्णन किया है, जहाँ अधिक लीन सिस्टम प्रॉम्प्ट ने कोडिंग-एजेंट मूल्यांकन स्कोर में सुधार किया और साथ ही टोकन उपयोग व लागत को कम किया।

इसका अर्थ यह नहीं है कि हर छोटा प्रॉम्प्ट बेहतर प्रदर्शन करेगा। प्रॉम्प्ट का प्रदर्शन मॉडल, कार्य, टूल, डोमेन, मूल्यांकन सेट और डिप्लॉयमेंट परिवेश पर निर्भर करता है। व्यावहारिक सबक यह नहीं है कि “हर प्रॉम्प्ट को छोटा बनाएं।” सबक यह है कि “जो सहायक नहीं है उसे हटाएँ, फिर परिणाम का परीक्षण करें।”

इसीलिए लीन प्रॉम्प्टिंग को एक अनुकूलन प्रक्रिया के रूप में देखा जाना चाहिए। ऐसे प्रॉम्प्ट से शुरू करें जो काम करता हो, एक समय में निर्देशों के एक समूह को हटाएँ, और वास्तविक उदाहरणों को फिर से चलाएँ। यदि प्रॉम्प्ट सरल होने पर भी गुणवत्ता समान रहती है या बेहतर होती है, तो संपादन संभवतः उपयोगी है। यदि गुणवत्ता घटती है, तो हटाया गया निर्देश वास्तव में महत्वपूर्ण काम कर रहा हो सकता है।

उत्पादन AI वर्कफ़्लो के लिए, टीमें लीन प्रॉम्प्टिंग को संरचित मूल्यांकन विधियों के साथ भी जोड़ सकती हैं। OpenAI’s Evals guide उन टीमों के लिए उपयोगी है जो केवल मैन्युअल स्पॉट जाँच पर निर्भर रहने के बजाय प्रतिनिधि कार्यों के विरुद्ध प्रॉम्प्ट परिवर्तनों का परीक्षण करना चाहती हैं।

छोटे प्रॉम्प्ट हमेशा बेहतर नहीं होते

लीन प्रॉम्प्टिंग के बारे में सबसे बड़ी गलतफहमी यह है कि छोटा होना स्वतः ही मजबूत होने के बराबर है। ऐसा नहीं है।

कुछ वर्कफ़्लो को विस्तार की आवश्यकता होती है। कानूनी समीक्षा प्रॉम्प्ट में कठोर सीमाएँ चाहिए हो सकती हैं। वित्तीय विश्लेषण प्रॉम्प्ट में स्रोत नियम और जोखिम संबंधी भाषा चाहिए हो सकती है। स्वास्थ्य सेवा प्रॉम्प्ट में सुरक्षा निर्देशों की आवश्यकता हो सकती है। यदि वांछित टोन विशिष्ट हो, तो ब्रांड लेखन प्रॉम्प्ट में उदाहरणों की आवश्यकता हो सकती है।

मुख्य प्रश्न यह है कि क्या प्रॉम्प्ट का प्रत्येक भाग मॉडल को कार्य पूरा करने में मदद करता है।

यदि किसी प्रॉम्प्ट में डुप्लिकेट नियम, अप्रयुक्त टूल, अस्पष्ट शैली शब्द, उत्तर को प्रभावित न करने वाले लंबे पृष्ठभूमि खंड, या ऐसे पुराने उदाहरण हों जो अब उत्पाद से मेल नहीं खाते, तो वह संभवतः बोझिल है। प्रॉम्प्ट बहुत पतला तब होता है जब वह लक्ष्य, ऑडियंस, फ़ॉर्मैट, आवश्यक साक्ष्य, सीमाएँ या मूल्यांकन मानदंड परिभाषित नहीं करता।

लीन प्रॉम्प्टिंग उपयोगी संक्षिप्तता के बारे में है, न्यूनतावाद के बारे में नहीं।

लीन प्रॉम्प्टिंग के नियम जो वास्तव में मदद करते हैं

पहला नियम है कि प्रत्येक निर्देश केवल एक बार बताएँ। यदि मॉडल को स्रोत गढ़ने नहीं चाहिए, तो यह बात एक जगह स्पष्ट रूप से कहें। कई खंडों में “हैलुसिनेट न करें” दोहराने से उत्तर अनिवार्य रूप से अधिक सुरक्षित नहीं होता। इससे प्रॉम्प्ट को बनाए रखना बस कठिन हो सकता है।

दूसरा नियम है कि दोहराई गई सीमाओं को मिलाएँ। कई टीम प्रॉम्प्ट अव्यवस्थित हो जाते हैं क्योंकि हर खराब आउटपुट के कारण एक और चेतावनी जोड़ दी जाती है। एक व्यक्ति “संक्षिप्त रहें” जोड़ता है, दूसरा “अनावश्यक विवरणों से बचें” जोड़ता है, और तीसरा “उत्तर छोटा रखें” जोड़ता है। ये निर्देश एक ही व्यवहार की ओर संकेत कर सकते हैं। एक लीन प्रॉम्प्ट इन्हें एक स्पष्ट नियम में जोड़ देता है।

तीसरा नियम है कि केवल प्रासंगिक टूल उपलब्ध कराएँ। यदि कार्य अपलोड की गई रिपोर्ट का सारांश बनाना है, तो मॉडल को कैलेंडर, ईमेल, डेटाबेस, चार्टिंग, इमेज जनरेशन या वेब सर्च टूल की आवश्यकता नहीं हो सकती। बहुत अधिक टूल निर्णय की जटिलता बढ़ाते हैं और टालने योग्य गलतियाँ पैदा कर सकते हैं।

चौथा नियम है कि टूल विवरण संक्षिप्त रखें। OpenAI’s function calling documentation टूल-आधारित AI वर्कफ़्लो डिज़ाइन करने वाली टीमों के लिए एक उपयोगी संदर्भ है। एक अच्छा टूल विवरण बताता है कि टूल का उपयोग कब करना है, इसे किस इनपुट की आवश्यकता है और यह कौन-सा आउटपुट लौटाता है। इसे पूर्ण उत्पाद मैनुअल की तरह नहीं पढ़ा जाना चाहिए।

पाँचवाँ नियम है कि प्रॉम्प्ट परिवर्तनों का परीक्षण करें। कोई प्रॉम्प्ट सिर्फ़ इसलिए बेहतर नहीं होता कि वह अधिक साफ़ दिखता है। वह तब बेहतर होता है जब वह प्रतिनिधि कार्यों पर बेहतर प्रदर्शन करता है।

पहले और बाद में: एक लीन प्रॉम्प्ट उदाहरण

यहाँ एक व्यावसायिक शोध सहायक के लिए सरल उदाहरण है।

पहले:

“आप एक सहायक, विशेषज्ञ, सटीक, संक्षिप्त, पेशेवर, विचारशील और व्यवसाय-केंद्रित AI सहायक हैं। हमेशा सटीक रहें और कभी कुछ न गढ़ें। संक्षिप्त रहें, लेकिन विस्तृत भी रहें। पेशेवर टोन का उपयोग करें। आप सर्च, कैलकुलेटर, कैलेंडर, CRM, कोड इंटरप्रेटर, ईमेल, इमेज जनरेशन, फ़ाइल सर्च और डेटाबेस टूल का उपयोग कर सकते हैं। हैलुसिनेट न करें। यदि आप अनिश्चित हैं, तो कहें कि आप अनिश्चित हैं। सुनिश्चित करें कि उत्तर उपयोगी हो। व्यावसायिक ऑडियंस के लिए एक परिष्कृत उत्तर दें। स्पष्ट रहें और अनावश्यक विवरणों से बचें।”

बाद में:

“आप B2B रणनीति टीमों के लिए एक व्यावसायिक शोध सहायक हैं। दिए गए शोध का सारांश प्रमुख निष्कर्षों, जोखिमों, खुले प्रश्नों और अनुशंसित अगले कदमों में दें। केवल दिए गए फ़ाइल सर्च टूल का उपयोग करें। यदि साक्ष्य अनुपलब्ध हो, तो उत्तर गढ़ने के बजाय उसे एक खुले प्रश्न के रूप में लेबल करें। वरिष्ठ अधिकारियों की ऑडियंस के लिए संक्षिप्त व्यावसायिक भाषा में लिखें।”

लीन संस्करण केवल छोटा नहीं है। यह अधिक उपयोगी है। यह भूमिका, ऑडियंस, आउटपुट संरचना, टूल सीमा, साक्ष्य नियम और लेखन शैली को परिभाषित करता है। यह अप्रासंगिक टूल और दोहराए गए सटीकता निर्देशों को भी हटाता है।

यही लीन प्रॉम्प्टिंग का सार है: कम शब्द, मजबूत निर्णय।

लीन प्रॉम्प्टिंग टूल-आधारित वर्कफ़्लो को कैसे बेहतर बनाती है

टूल विवरण प्रॉम्प्ट का हिस्सा होते हैं। यदि वे अस्पष्ट, बहुत व्यापक या बहुत लंबे हैं, तो मॉडल गलत टूल चुन सकता है या सही टूल का गलत समय पर उपयोग कर सकता है।

एक कमजोर टूल विवरण कह सकता है: “जानकारी प्राप्त करने के लिए इस टूल का उपयोग करें।” इससे मॉडल को निर्णय के लिए लगभग कोई मार्गदर्शन नहीं मिलता। बेहतर संस्करण होगा: “जब उत्तर के लिए उपयोगकर्ता की फ़ाइलों से साक्ष्य आवश्यक हो, तो अपलोड किए गए दस्तावेज़ों से तथ्य प्राप्त करने के लिए file_search का उपयोग करें।”

यह AI एजेंटों, कोडिंग सहायकों, शोध प्रणालियों, प्रस्तुति टूल और वर्कफ़्लो ऑटोमेशन के लिए विशेष रूप से महत्वपूर्ण है। इन वर्कफ़्लो में टूल का चुनाव विश्वसनीयता को प्रभावित करता है। यदि हर टूल हर कार्य के लिए उपलब्ध है, तो मॉडल के पास अनावश्यक कॉल करने के अधिक अवसर होते हैं।

लीन प्रॉम्प्टिंग टूल उपयोग को अधिक उद्देश्यपूर्ण बनाती है। यह मॉडल को कम अप्रासंगिक विकल्प और कार्रवाई के अधिक स्पष्ट कारण देती है।

लीन प्रॉम्प्टिंग प्रस्तुति कार्य पर कैसे लागू होती है

लीन प्रॉम्प्टिंग व्यावसायिक प्रस्तुतियों के लिए विशेष रूप से उपयोगी है। जब टीमें AI से डेक बनाने के लिए कहती हैं, तो वे अक्सर नोट्स का एक लंबा संग्रह पेस्ट करती हैं और “इसे पेशेवर बनाएँ” या “इसे प्रीमियम बनाएँ” जैसे अस्पष्ट निर्देश जोड़ देती हैं। परिणाम परिष्कृत दिख सकता है, लेकिन उसमें फिर भी स्पष्ट तर्क की कमी हो सकती है।

एक अधिक लीन प्रस्तुति प्रॉम्प्ट को ऑडियंस, उद्देश्य, समर्थित किए जाने वाले निर्णय, मुख्य संदेश, साक्ष्य, सीमाएँ और पसंदीदा फ़ॉर्मैट परिभाषित करना चाहिए। उदाहरण के लिए: “एंटरप्राइज़ CFO के लिए 10-स्लाइड का सेल्स डेक बनाएँ। लक्ष्य यह दिखाना है कि उत्पाद रिपोर्टिंग समय कैसे कम करता है। दावे-आधारित स्लाइड शीर्षक, संक्षिप्त सहायक कॉपी और तीन अनुशंसित अगले कदमों वाली अंतिम स्लाइड का उपयोग करें।”

यहीं Pi, जो Presentation Intelligence का संक्षिप्त रूप है, वर्कफ़्लो में स्वाभाविक रूप से फिट होता है। Pi AI-संचालित प्रस्तुति निर्माण के इर्द-गिर्द बनाया गया है, लेकिन वही लीन प्रॉम्प्टिंग सिद्धांत यहाँ भी लागू होता है: व्यावसायिक इनपुट जितना स्पष्ट होगा, डेक की संरचना उतनी ही मजबूत बन सकती है।

Pi से “एक अच्छा डेक बनाएँ” कहने के बजाय, बेहतर प्रॉम्प्ट उसे अधिक स्पष्ट ब्रीफ़ देगा: लक्षित ऑडियंस, प्रस्तुति लक्ष्य, स्रोत सामग्री, स्लाइड संख्या, कथा का दृष्टिकोण, टोन और वांछित निष्कर्ष। यह प्रस्तुति को सजावट से आगे बढ़ाकर व्यावसायिक संचार की ओर ले जाने में मदद करता है।

उदाहरण के लिए, एक लीन AI presentation generator प्रॉम्प्ट कह सकता है: “इस उत्पाद शोध को 8-स्लाइड निवेशक अपडेट में बदलें। ऑडियंस: मौजूदा निवेशक। लक्ष्य: अपनाने की प्रगति और अगली तिमाही की प्राथमिकताओं को समझाना। कार्यकारी-शैली के शीर्षक, संक्षिप्त सहायक बिंदु और बोर्ड से हमें आवश्यक तीन निर्णयों वाली अंतिम स्लाइड का उपयोग करें।”

दूसरे शब्दों में, प्रॉम्प्ट गुणवत्ता और प्रस्तुति गुणवत्ता जुड़ी हुई हैं। बेहतर निर्देश अधिक स्पष्ट डेक, मजबूत कथानक और अधिक उपयोगी AI-generated slides की ओर ले जाते हैं।

लीन प्रॉम्प्टिंग की सामान्य गलतियाँ

एक सामान्य गलती निर्देशों को संपादित करने के बजाय उन्हें जोड़ते जाना है। टीमें अक्सर प्रॉम्प्ट को पैच नोट्स की तरह मानती हैं। हर विफलता के साथ एक और वाक्य जुड़ जाता है। समय के साथ, प्रॉम्प्ट चेतावनियों, अपवादों और एक-दूसरे से ओवरलैप होते नियमों से भर जाता है।

दूसरी गलती उपयोगी संदर्भ हटाना है। लीन प्रॉम्प्टिंग को अनावश्यक दोहराव हटाना चाहिए, विशेषज्ञता नहीं। यदि कोई उदाहरण वास्तविक ब्रांड आवश्यकता को दर्शाता है या किसी मापी गई विफलता को ठीक करता है, तो उसे रखें।

तीसरी गलती अस्पष्ट शैली भाषा का उपयोग करना है। “प्रीमियम,” “पेशेवर,” या “सुंदर” जैसे शब्द मदद कर सकते हैं, लेकिन वे पर्याप्त नहीं हैं। परिभाषित करें कि इन शब्दों का क्या अर्थ है: मजबूत दृश्य पदानुक्रम, संक्षिप्त शीर्षक, साफ़ लेआउट, सुसंगत टोन या साक्ष्य-समर्थित दावे।

अंतिम गलती मूल्यांकन छोड़ देना है। यदि कोई प्रॉम्प्ट महत्वपूर्ण वर्कफ़्लो का समर्थन करता है, तो उसका वास्तविक उदाहरणों पर परीक्षण करें। कार्य सफलता, पूर्णता, टोन, टोकन उपयोग, लेटेंसी और लागत की तुलना करें।

निष्कर्ष

लीन प्रॉम्प्टिंग “अधिक निर्देशों” से “बेहतर निर्देशों” की ओर बदलाव है। OpenAI का मार्गदर्शन उपयोगी है क्योंकि यह प्रॉम्प्ट लेखन को एक अनुशासित प्रक्रिया में बदल देता है: दोहराव हटाएँ, टूल विवरणों को सरल बनाएँ, केवल प्रासंगिक टूल उपलब्ध कराएँ और प्रतिनिधि कार्यों के साथ परिवर्तनों को सत्यापित करें।

छोटे प्रॉम्प्ट लागत कम कर सकते हैं और प्रणालियों को बनाए रखना आसान बना सकते हैं। वे कुछ वर्कफ़्लो में प्रदर्शन भी सुधार सकते हैं। लेकिन लक्ष्य हर कीमत पर प्रॉम्प्ट को छोटा बनाना नहीं है। लक्ष्य उन भागों को रखना है जो व्यवहार सुधारते हैं और उन भागों को हटाना है जो केवल शोर पैदा करते हैं।

AI एजेंटों, व्यावसायिक शोध, सामग्री निर्माण और Pi जैसे AI प्रस्तुति टूल के लिए, लीन प्रॉम्प्टिंग एक मानक अनुकूलन आदत बननी चाहिए। प्रॉम्प्ट को प्रणालियों की तरह संपादित करें। उनका परीक्षण उत्पादों की तरह करें। जो काम करता है उसे रखें, और जो नहीं करता उसे हटा दें।