Hopp til innholdet
Advancing Bits to Master Atoms
← Alle innlegg

MS Duplex8 min lesetid

Instruksjonsfiler hjelper KI-en din, helt til ingen vet hvilken linje som fortsatt gjelder.

Forskningsteam fører instruksjonsfiler, notater og promptbiblioteker for KI-en sin. Hvorfor vanen hjelper, hvor den stopper, og hva lært erfaring med kildene sine tilfører ved siden av.

En høy, løs stabel tynne ark i satinert sølv ved siden av et kompakt skap i grafitt med to kolonner koboltblå skuffefronter, begge på en bunnplate i grafitt.En høy, løs stabel tynne ark i satinert sølv ved siden av et kompakt skap i grafitt med to kolonner koboltblå skuffefronter, begge på en bunnplate i grafitt.

De fleste forskningsteam som bruker KI seriøst, ender opp med å føre en fil for den. Den starter som noen få linjer om hvordan teamet navngir ting og hvilke verktøy som skal brukes. Snart inneholder den driftsgrenser, foretrukne metoder, referanseverdier, advarsler om feil agenten gjorde én gang, og en mappe med prompter som fungerte godt for noen.

Den vanen er fornuftig. Dette innlegget ser på hvorfor filen hjelper, hvor den slutter å holde følge med forskningen, og hva som endres når KI-en lærer av bekreftede utfall i stedet for å vente på at noen redigerer en linje.

Hvorfor team skriver ned ting for KI-en sin

En modell starter hver økt fra det den visste da treningen ble avsluttet. Den har ikke sett konvensjonene i laboratoriet ditt, analyseflyten din eller grensen seniorforskeren eller -ingeniøren din bekreftet forrige måned. En instruksjonsfil lukker en del av det gapet nesten uten kostnad. Assistenten leser den ved starten av hver økt, og teamets viktigste kontekst følger med.

En typisk fil for et forskningsteam inneholder en blanding av disse:

  • Konvensjoner: hvordan filer, prøver og kjøringer navngis, hvilke enheter som skal rapporteres og hvilket format en oppsummering skal ha.
  • Grenser: innstillinger en metode ikke bør gå utover, inndata som må kontrolleres før bruk, steg som krever en person.
  • Foretrukne metoder: rekkefølgen av steg som gir en ren analyse, eller verktøyet teamet stoler på for en bestemt oppgave.
  • Referanseverdier: tallene agenten skal bruke i stedet for å gjette.
  • Advarsler: feil agenten gjorde én gang, skrevet ned så den ikke gjør dem igjen.
  • Prompter: formuleringer som ga en god plan eller gjennomgang for én person, lagret for resten av teamet.

Filen kan leses av alle, er lett å endre og er helt under teamets kontroll. Den fungerer med hvilken som helst modell. For stabile konvensjoner og husstil er den vanskelig å slå, og team bør beholde den.

Der filen slutter å holde følge

Problemet er at forskningen ikke står stille, og en fil endres bare når noen redigerer den. Etter hvert som arbeidet går videre, begynner den samme filen som hjalp den første måneden, å koste teamet på mer stillferdige måter.

  • Den blir lang. Hver hendelse legger til en linje, og få linjer fjernes noen gang, så modellen leser mer på nytt for hver økt og må selv vurdere hvilke deler som gjelder.
  • Den blir utdatert. Når en referanseverdi endres, blir den gamle linjen stående til noen sletter den. Hvis to personer redigerer filen, kan begge verdiene stå der side om side.
  • Ingen vet hvilken linje som fortsatt gjelder. En linje sier sjelden hvor den kom fra, når den ble lagt til eller under hvilke betingelser den var sann. Et nytt teammedlem kan ikke skille en bekreftet grense fra én persons preferanse.
  • Den har ingen kobling til utfall. Filen vet ikke om rådene dens fungerte. En metode som har feilet to ganger siden den ble skrevet ned, leses likt som en som lyktes hver gang.
  • Den splittes per person. Hver forsker har sin egen versjon, promptbibliotekene glir fra hverandre, og det én person lærte, blir værende i den personens kopi.
  • Den er bare så god som siste redigering. Agenten blir bedre når noen finner tid til å oppdatere filen, og ikke mellom de redigeringene.

Grundige team møter alle disse. De følger av å holde kunnskap som endres med hvert resultat, i et dokument som endres for hånd. Teamets erfaring vokser hver uke, og agenten blir stående der filen etterlot den.

Hva en lærdom bærer med seg som en linje ikke gjør

MS Duplex kobles til KI-en teamet ditt allerede bruker, og lærer av utfallene og ekspertkorreksjonene teamet ditt velger å fange opp: en bestått test, en måling, en godkjent konklusjon, en korreksjon med begrunnelsen. Den lærer ved siden av modellen, med vektene uendret, så hver lærdom er klar fra neste forespørsel.

Der en linje i en fil er en setning noen skrev, kommer en lærdom i MS Duplex med det en kontrollør ville ønsket å vite om den:

  • Kilden: resultatet, målingen eller ekspertvurderingen den kom fra.
  • Betingelsene: hva som gjaldt da den ble bekreftet, så den brukes der de betingelsene stemmer.
  • Begrunnelsen, for en korreksjon: hvorfor eksperten avviste det agenten foreslo.
  • Historikken: når en nyere bekreftet verdi erstatter en eldre, gjelder den nyere, og endringen forblir loggført.
  • Rekkevidden: om den blir hos én forsker, deles med et team eller gjelder i hele organisasjonen, slik reglene dine bestemmer.

Måten den brukes på, er også annerledes. En fil leses på nytt i sin helhet, og modellen vurderer hva som gjelder. MS Duplex kontrollerer om betingelsene i det nye tilfellet stemmer før den henter fram en lærdom. Der de stemmer, gjelder lærdommen. Der noe er annerledes, tilpasses den og foreslås for kontroll, eller flagges så teamet kan bestemme.

En åpen kasse i grafitt fylt med rader av tynne kort i satinert sølv, der ett koboltblått skillekort er hevet over resten.En åpen kasse i grafitt fylt med rader av tynne kort i satinert sølv, der ett koboltblått skillekort er hevet over resten.
Et åpent arkivskrin i grafitt fylt med rader av tynne sølvkort, med ett koboltblått skilleark hevet over resten: hver lærdom tatt vare på som sitt eget kort, så den som passer tilfellet, kan finnes og resten holdes i orden.

Og hver lærdom kan håndteres for seg. Teamet ditt kan gå gjennom den, korrigere den, og bare den lærdommen endres, eller fjerne den, og anbefalingene som var avhengige av den, forsvinner med den mens alt annet blir stående. Det er spørsmålet en lang fil ikke kan svare på: hvilken linje som fortsatt gjelder, og hva som avhenger av den.

Fra en linje i en fil til en metode teamet bruker på nytt

De mest verdifulle linjene i en instruksjonsfil beskriver som regel en prosedyre som fungerte. Tenk deg at en forsker i et team som rangerer kandidater for gjennomgang, finner fram til en rekke kontroller av inndataene som fjerner en gjentakende feil fra rangeringene. I en fil blir det et avsnitt noen må finne og følge. I MS Duplex blir det en metode.

  1. Prosedyren bekreftesForskerens agent kjører kontrollene før rangeringen, og en ekspert bekrefter at rangeringene ble rene.
  2. Den tas vare på som en metodeMS Duplex tar vare på stegene sammen med betingelsene de ble bekreftet under og resultatet som beviste dem.
  3. Det neste tilsvarende tilfelletEn kollegas agent rangerer et nytt parti fra samme kilde. Metoden brukes direkte, uten at noen limer inn et avsnitt.
  4. Et beslektet tilfelleEt annet parti kommer fra en annen kilde i et annet format. MS Duplex tilpasser metoden og foreslår den tilpassede versjonen for kontroll. Når den er bekreftet, blir den en egen metode.
  5. Et nytt teammedlemAgenten til en nyansatt starter på det samme arbeidet med begge metodene på plass, hver med resultatet bak seg, og hver verifisert på nytt der den brukes.

Sammenlign det med filen. Avsnittet ville hjulpet dem som visste at de skulle lete etter det, og det ville ikke sagt noe om den andre kilden før noen skrev et nytt avsnitt. Metoden gikk til agentene som trengte den, ble kontrollert der tilfellet var annerledes, og beholdt belegget sitt hele veien.

Et stansverktøy i satinert sølv på en sokkel i grafitt ved siden av en ryddig rad med identiske sølvdeler, hver med den samme lille koboltblå innfellingen.Et stansverktøy i satinert sølv på en sokkel i grafitt ved siden av en ryddig rad med identiske sølvdeler, hver med den samme lille koboltblå innfellingen.
Et stanseverktøy i sølv ved siden av en ryddig rekke identiske sølvdeler, hver med den samme lille koboltblå innfellingen: én bekreftet prosedyre, brukt på samme måte av hver agent som møter tilfellet.

Å beholde filen og legge til laget

Team som kobler til MS Duplex, fortsetter å jobbe i Claude, Codex, Cursor eller sine egne agenter som før, og filen assistenten leser, fortsetter også å fungere. En nyttig første øvelse er å sortere det som allerede står i den.

  • Stabile konvensjoner og husstil: behold dem i filen. De endres sjelden, og filen tjener dem godt.
  • Regler arbeidet må respektere: formuler dem som regler i MS Duplex. Regler holdes atskilt fra preferanser og er synlige i resonnementet, en ny regel gjelder fra neste forespørsel, og i styrte miljøer stoppes et steg som bryter en regel, før det kjøres.
  • Referanseverdier: la dem komme fra bekreftede resultater, så den nyeste bekreftede verdien gjelder og historikken over hver endring tas vare på.
  • Prosedyrer som fungerte: la dem bli metoder, tatt vare på sammen med resultatet som beviste dem.
  • Advarsler om tidligere feil: fang dem opp som korreksjoner, med begrunnelsen og betingelsene, så agenten kontrollerer dem fra neste forespørsel og bare der de gjelder.

Sortert på denne måten kan filen bli kortere i stedet for lengre. Ny kunnskap kommer etter hvert som arbeidet bekrefter den, og filen går tilbake til å inneholde det den er god på.

Vanlige spørsmål

Bør vi slette instruksjonsfilene våre?

Nei. Behold dem for stabile konvensjoner og husstil. Flytt regler, referanseverdier, utprøvde prosedyrer og korreksjoner inn i MS Duplex over tid, der hver av dem beholder kilden sin og kan endres for seg.

Hvordan skiller dette seg fra gjenfinning i notatene våre?

Gjenfinning finner avsnitt som ser relevante ut, enten de gjelder eller ikke, og både gamle og nye versjoner av et faktum kan komme tilbake. MS Duplex tar vare på bekreftede utfall med belegget sitt, kontrollerer om betingelsene stemmer og bruker den nyeste bekreftede verdien, med historikken bevart.

Hvem ser en lærdom som agenten til én forsker har lært?

Det avhenger av reglene dine. Hver forsker, hvert team og hele organisasjonen har sitt eget lag med erfaring, og reglene dine avgjør hva som flyttes mellom dem.

Hvilke KI-verktøy fungerer dette med?

Claude, Codex, Cursor og andre agenter som snakker MCP, kobles til direkte, og dine egne agenter og pipelines kobles til via API-et og Python SDK-en. Forskerne og ingeniørene dine beholder KI-en de allerede bruker.

Bygget av MatterSpace

MatterSpace bygger MS Duplex for forskere, vitenskapsfolk og ingeniører i alle fagfelt, slik at AI-en de allerede bruker lærer av hvert resultat de bekrefter.

Les videre

La neste kjøring dra nytte av den forrige.

Kom til oss med forskningen KI-en din bør bli bedre på. Vi planlegger en pilot på dine egne arbeidsflyter, med ekspertene dine som dommere.