पहले अप्रयुक्त संक्षिप्ताक्षर को खोजने के लिए Wikipedia की जाँच करने हेतु GPT-4 स्क्रिप्ट लिखना

स्क्रिप्टिंग और कोडिंग के लिए GPT-4 का उपयोग

• लेख का मूल: Wikipedia पर पहला अप्रयुक्त 3-अक्षरीय संक्षिप्ताक्षर (CQK) खोजना, लेकिन चर्चा अधिकतर इस बात पर केंद्रित है कि ऐसी स्क्रिप्ट लिखने के लिए GPT-4 का प्रभावी ढंग से उपयोग कैसे किया जाए।
• मजबूत सिस्टम प्रॉम्प्ट तैयार करने पर ज़ोर, ताकि संक्षिप्तता लागू हो, हिचकिचाहट से बचा जाए, पूरा कोड माँगा जाए (कोई “बाद में भरें” टिप्पणी नहीं), और आवश्यकताएँ अस्पष्ट होने पर प्रश्न पूछने के लिए प्रोत्साहित किया जाए।
• पुनरावृत्त कार्यप्रवाह: GPT-4 से डिज़ाइन डॉक, कोड, और परीक्षण लिखवाएँ; फिर डिबगिंग और सुधार के चक्रों के माध्यम से उसे परिष्कृत करें।
• देखी गई “blind spots”: उद्धरण-चिन्हों, regex, या line-noisy भाषाओं में सूक्ष्म गलतियाँ GPT-4 के लिए पकड़ना और ठीक करना कठिन है; उच्च-स्तरीय तर्कगत गलतियाँ आसान हैं।

भाषा चयन और टाइप सिस्टम

• कुछ लोग तर्क देते हैं कि LLM-सहायित कोडिंग के लिए Python, Bash/Perl की तुलना में बेहतर है क्योंकि उसका सिंटैक्स अधिक स्पष्ट है।
• अन्य लोग आगे बढ़कर मानते हैं कि अधिक सख्त, अत्यधिक टाइप्ड भाषाएँ (Rust, Haskell) आदर्श हो सकती हैं, जब मशीन बोइलरप्लेट लिख रही हो और टाइप्स दस्तावेज़ीकरण का काम करें।
• एक प्रतिभागी रिपोर्ट करता है कि GPT-4 के साथ Haskell और अन्य भाषाओं के बीच त्रुटि दर में कोई स्पष्ट अंतर नहीं दिखा।

LLM-सहायित विकास के लिए उपकरण

• Aider को एक उदाहरण के रूप में उद्धृत किया गया है, जो GPT-4 को “act as an expert developer” जैसे प्रॉम्प्ट्स के साथ निर्देशित करता है, पूर्ण implementations पर ज़ोर देता है, और बदलावों को चरण-दर-चरण समझाता है।
• इसका मुख्य मूल्य: GPT-4 को स्थानीय फ़ाइलें संपादित करना सिखाना ताकि सुझाए गए बदलाव auto-apply हो सकें और commit किए जा सकें।
• एक और उपकरण (LLM एकीकरण वाला code editor) का उल्लेख किया गया है, जो project-wide code edits प्रदान करता है।

विनम्रता, मानवीकरण, और व्यवहार को आकार देना

• कई उपयोगकर्ता रिपोर्ट करते हैं कि प्रशंसा या विनम्रता व्यक्त करने से GPT-4 “ज़्यादा मेहनत” करता हुआ और अधिक compliant लगता है।
• कुछ लोगों को यह रोचक लेकिन हानिरहित लगता है; अन्य इसे डरावना या उपयोगकर्ताओं को अधीनता की ओर condition करने वाला मानते हैं।
• LLMs को मानवीकृत करने पर विस्तृत बहस होती है:
  • एक पक्ष तर्क देता है कि LLMs केवल tokens की भविष्यवाणी करते हैं और उनमें कोई भावना या “entity” नहीं होती।
  • दूसरे पक्ष का कहना है कि मनुष्य भी प्रशिक्षण डेटा से “next steps” का अनुमान लगाते हैं, और intelligence या consciousness का कोई ठोस सिद्धांत हमारे पास नहीं है, इसलिए किसी भी ओर के मजबूत दावे जल्दबाज़ी होंगे।
  • चर्चा self-referential training data के संभावित प्रभावों की ओर जाती है, जो self-image और व्यवहार को प्रभावित कर सकता है (जैसे hallucination कथाएँ hallucinations को और reinforce कर सकती हैं)।

LLM त्रुटियों और संदर्भ का प्रबंधन

• एक बाहरी गाइड की रणनीति पर प्रकाश डाला गया: जब बातचीत persistent blind-spot errors में भटकने लगे, तो नया चैट शुरू करें और मॉडल से सीखी गई बातों का सारांश देते हुए एक बेहतर प्रॉम्प्ट प्रस्तावित करने को कहें।
• कुछ उपयोगकर्ताओं को मॉडल द्वारा prompt-rewriting मददगार लगता है; अन्य को मिश्रित सफलता मिलती है।
• इतिहास साफ़ करना या संपादित करना (कुछ interfaces या editor integrations में आसान) “clean” context बहाल करने के लिए उपयोगी माना जाता है।

Wikipedia डेटा, प्रदर्शन, और Unix tricks

• कई टिप्पणीकार APIs पर निर्भर रहने के बजाय स्थानीय विश्लेषण के लिए Wikipedia dumps डाउनलोड करने की सलाह देते हैं; वे compressed रूप में “surprisingly small” होते हैं और अधिक जटिल processing सक्षम करते हैं।
• Wikipedia से link graphs बनाते समय hash maps बनाम lists के memory overhead के बारे में अनुभव साझा किए गए, और वैकल्पिक data structures सुझाए गए।
• एक side-thread classic Unix command patterns (cut | sort | uniq -c | sort -rn) को एक उपयोगी कौशल के रूप में फिर से देखता है, जो interviews में भी इस्तेमाल होता है।

Acronyms बनाम initialisms और मौजूदा TLA सूचियाँ

• शब्दावली पर pedantic बहस: कुछ लोगों का तर्क है कि यह स्क्रिप्ट वास्तव में acronyms नहीं बल्कि initialisms (अक्षर-दर-अक्षर) के बारे में है; अन्य लोग विरोधाभासी परिभाषाओं की ओर इशारा करते हैं, जहाँ एक दूसरे का subset है।
• तीन-अक्षरीय संक्षिप्त रूपों की सूची वाला एक Wikipedia पृष्ठ उल्लेखित है; उसमें पहले से CQK अप्रयुक्त दिखता है, लेकिन उस पृष्ठ को programmatically parse करना trivial नहीं है।