حلقه‌ی Description-Discernment
عنوان اصلی: The Description-Discernment loop
هدف یادگیری: نشان دادن اینکه Description و Discernment یک حلقه‌ی بازخورد پیوسته را تشکیل می‌دهند، و این حلقه، موتور اصلی استفاده‌ی موثر از AI است.
مفاهیم کلیدی: iteration به‌عنوان حالت پیش‌فرض، تقارن: هر لایه‌ی توصیف‌شده باید discern شود، همگرایی حلقه: کِی توقف کنیم
ادعای عملیاتی محوری چارچوب این است: «Discernment دست در دست Description در یک حلقه‌ی بازخورد پیوسته کار می‌کند.» شما describe می‌کنید ⇐ مدل تولید می‌کند ⇐ شما discern می‌کنید ⇐ دوباره describe می‌کنید ⇐ مدل دوباره تولید می‌کند. هر چرخه باید به سمت خروجی مطلوب همگرا شود.
حلقه متقارن است: شما product را توصیف کردید و حالا product را تشخیص می‌دهید؛ شما process را توصیف کردید و process را تشخیص می‌دهید؛ شما performance را توصیف کردید و performance را تشخیص می‌دهید. اگر لایه‌ای را توصیف نکرده باشید، نمی‌توانید واقعاً ارزیابی‌اش کنید — بنابراین Description غایب، به شکل Discernment مه‌آلود ظاهر می‌شود.
دانستن زمان توقف اهمیت دارد. توقف می‌کنید وقتی خروجی معیارهایی را که در Description تعیین کرده‌اید برآورده می‌کند، نه وقتی خسته شده‌اید. اگر معیارها با re-prompt قابل‌برآوردن نیستند، این نشانه‌ای از مسئله‌ی Delegation است: کار اشتباه را به ابزار اشتباه فرستاده‌اید، و هیچ مقدار re-prompt حلش نمی‌کند. بازگشت به Delegation بخشی از حلقه است.
مثال عملی
یک نشست واقعی Claude را بردارید که نتیجه‌ی دلخواه را نداد. حلقه را ردیابی کنید: آیا Description شکست خورد (شما نگفته‌اید چه می‌خواهید)، Discernment شکست خورد (شما بدون بررسی پذیرفتید)، یا Delegation شکست خورد (کار برای این ابزار اشتباه بود)؟ تشخیص، به شما می‌گوید چه چیز را باید تغییر دهید.
اشتباهات رایج
- «iteration یعنی شکست و شروع از نو.» نه — یعنی پالایش درون حلقه.
- «اگر سه بار prompt کار نکرد، محکم‌تر prompt کن.» شاید مسئله‌ی Delegation در بالادست است.