Kodėl verta susirūpinti optimizacija iš viso?
Daugelis žmonių naudoja ChatGPT ar Perplexity kaip paprastą paieškos variklį – įveda klausimą, gauna atsakymą, eina toliau. Bet tai panašu į tai, kaip važiuoti Porsche pirma pavara ir stebėtis, kodėl nesiskiria nuo dviračio. Šie įrankiai yra neįtikėtinai galingi, tačiau jų potencialas atsiskleidžia tik tada, kai žinai, kaip su jais dirbti.
Optimizacija čia reiškia ne kažkokį techninį hakingą ar slaptus triukus – tai tiesiog supratimas, kaip šie modeliai „galvoja”, ko jie tikisi iš tavęs ir kaip pateikti užklausas taip, kad gautum maksimalią naudą. Skirtumas tarp gerai ir blogai suformuluoto prompto gali būti astronominis – kartais tai reiškia skirtumą tarp beverčio teksto ir tikrai naudingo atsakymo.
ChatGPT ir Perplexity yra skirtingi įrankiai su skirtingomis stipriosiomis pusėmis, ir tai svarbu suprasti prieš kalbant apie optimizaciją. ChatGPT (ypač GPT-4o ar o1 versijos) yra labiau orientuotas į kūrybinį darbą, ilgus tekstus, kodavimą ir sudėtingą samprotavimą. Perplexity – tai iš esmės AI paieška su realaus laiko interneto prieiga, kur svarbu gauti aktualią ir patikimą informaciją su šaltiniais. Kiekvienas turi savo nišą, ir idealiu atveju naudoji abu.
Prompt engineering – ne mokslas, o įgūdis
Prompt engineering skamba baugiai, bet iš tikrųjų tai tiesiog mokėjimas aiškiai komunikuoti su AI. Problema ta, kad daugelis žmonių su AI kalba taip, kaip su Google paieška – trumpai, fragmentuotai, be konteksto. „Kaip padaryti svetainę?” – tai blogas promptas. Ne todėl, kad jis per trumpas, o todėl, kad jis nieko nesako apie tave, tavo tikslus ar kontekstą.
Geriausi promptai turi kelis komponentus:
- Vaidmuo arba kontekstas – pasakyk modeliui, kas tu esi arba kokio eksperto perspektyvos nori
- Užduotis – konkrečiai, ką nori gauti
- Apribojimai – formato, ilgio, stiliaus reikalavimai
- Pavyzdžiai – jei įmanoma, parodyk, ko tiksliai nori
Pavyzdžiui, vietoj „parašyk el. laišką klientui” galima rašyti: „Tu esi B2B SaaS įmonės klientų aptarnavimo vadovas. Parašyk profesionalų, bet draugišką el. laišką klientui, kuris skundžiasi dėl lėto įkėlimo greičio. Laiškas turi būti ne ilgesnis nei 150 žodžių, turėti aiškų sprendimą ir atsiprašymą be perdėto groveling.” Skirtumas akivaizdus.
Dar vienas svarbus dalykas – iteracija. Pirmasis atsakymas retai būna tobulas, ir tai normalu. Vietoj to, kad pradėtum iš naujo, tęsk pokalbį: „Tai gerai, bet padaryk toną šiek tiek formalesnį” arba „Trečias punktas per abstraktus – pateik konkretų pavyzdį.” ChatGPT puikiai dirba pokalbio formatu, ir kiekvienas patikslinimas artina prie to, ko iš tikrųjų nori.
ChatGPT sisteminiai nustatymai ir Custom Instructions
Vienas iš labiausiai neįvertintų ChatGPT funkcionalumų yra Custom Instructions – galimybė nustatyti nuolatinius instrukcijas, kurios veikia kiekviename pokalbyje. Tai rasi nustatymuose (Settings → Personalization → Custom Instructions). Čia yra du laukai: vienas apie tave, kitas – kaip nori, kad modelis atsakinėtų.
Pirmame lauke galima rašyti tokius dalykus kaip: „Esu full-stack programuotojas su 5 metų patirtimi, daugiausia dirbantis su React ir Node.js. Domina produktyvumo įrankiai ir startup ekosistema.” Antrame lauke: „Atsakyk glaustai ir be vandens. Jei klausimas techninis – pateik kodo pavyzdžius. Venk per ilgų įžangų. Jei ko nors nežinai – sakyk tiesiai.”
Tai iš esmės sukuria tavo asmeninį AI asistentą, kuris žino tavo kontekstą ir komunikacijos stilių. Nereikia kiekvieną kartą aiškinti, kas esi ar kaip nori gauti atsakymus. Ypač naudinga, jei ChatGPT naudoji kasdien darbui.
Kitas svarbus aspektas – Projects funkcija (prieinama ChatGPT Plus vartotojams). Galima sukurti atskirus projektus su savo instrukcijomis ir failais. Pavyzdžiui, vienas projektas marketingui, kitas – kodo peržiūrai, trečias – asmeniniams reikalams. Kiekvienas projektas turi savo kontekstą ir atmintį, kas leidžia dirbti daug efektyviau.
Perplexity kaip tyrimų įrankis – kaip išnaudoti iki galo
Perplexity dažnai apibūdinamas kaip „AI paieška”, bet tai šiek tiek per daug supaprastina. Tikroji jo stiprybė – gebėjimas sintetizuoti informaciją iš kelių šaltinių realiu laiku ir pateikti ją struktūruotai su nuorodomis. Tai ypač vertinga, kai reikia greitai susiorientuoti naujoje temoje arba patikrinti aktualią informaciją.
Vienas iš geriausių Perplexity naudojimo būdų – Focus režimas. Galima pasirinkti, iš kur ieškoti informacijos: visas internetas, akademiniai šaltiniai, YouTube, Reddit ar net tavo paties failai (Pro versijoje). Akademinių šaltinių režimas ypač naudingas, jei reikia patikimų mokslinių duomenų – jis ieško per Google Scholar ir panašias bazes.
Reddit fokusas – tai atskira tema. Perplexity su Reddit filtru iš esmės leidžia klausinėti „ką realūs žmonės galvoja apie X?” Tai neįkainojama, kai reikia praktinių atsiliepimų apie produktus, paslaugas ar sprendimus. Vietoj to, kad naršytum per dešimtis temų, gauni sintetintą atsakymą su nuorodomis į originalius įrašus.
Praktinis patarimas: Perplexity naudok tyrimams ir informacijos rinkimui, o ChatGPT – tam, kad tą informaciją apdorotum, analizuotum ar paversti kažkuo naudingu. Tai natūralus darbo srautas, kuris išnaudoja abiejų įrankių stiprybes.
Konteksto valdymas ir atminties strategijos
Viena iš didžiausių AI modelių silpnybių – ribotas kontekstas. ChatGPT turi konteksto langą (context window), kuris reiškia, kiek informacijos jis gali „prisiminti” viename pokalbyje. GPT-4o turi ~128k tokenų kontekstą, kas yra daug, bet ne begalinis. Ilguose pokalbiuose modelis pradeda „pamiršti” ankstesnes dalis.
Kaip su tuo kovoti? Kelios strategijos:
Pokalbio struktūrizavimas. Pradėk naujus pokalbius naujoms temoms. Daugelis žmonių turi vieną ilgą pokalbį su šimtais žinučių – tai ne tik lėtina modelį, bet ir mažina atsakymų kokybę, nes kontekstas tampa per daug triukšmingas.
Suvestinių naudojimas. Jei dirbi su ilgu projektu, periodiškai prašyk ChatGPT: „Apibendrink viską, ką aptarėme šiame pokalbyje.” Šią suvestinę galima įklijuoti į naują pokalbį kaip pradinį kontekstą.
Sisteminiai failai. Jei reguliariai dirbi su tam tikru projektu, sukurk tekstinį failą su pagrindiniu kontekstu – projekto aprašymu, sprendimais, kurie jau priimti, techniniais reikalavimais. Kiekvieną kartą pradedant naują pokalbį, įkelk šį failą. ChatGPT Plus leidžia įkelti failus tiesiai į pokalbį.
Perplexity konteksto valdymas šiek tiek paprastesnis, nes jis daugiau orientuotas į atskirus klausimus nei ilgus pokalbius. Tačiau ir čia galioja principas – kuo aiškesnis klausimas, tuo geresnis atsakymas.
Kodo generavimas ir derinimas – praktiniai atvejai
Programuotojams ChatGPT yra turbūt labiausiai transformavęs darbo įrankis per pastaruosius kelerius metus. Bet ir čia yra skirtumas tarp to, kaip jį naudoja pradedantieji ir patyrę vartotojai.
Pradedantieji dažnai prašo: „Parašyk man Python skriptą, kuris parsisiunčia duomenis iš API.” Patyrę vartotojai rašo: „Parašyk Python skriptą, kuris naudoja requests biblioteką, kad parsisiųstų duomenis iš REST API su JWT autentifikacija. Skriptas turi turėti error handling, retry logiką su exponential backoff ir loginti klaidas į failą. Naudok Python 3.11+ sintaksę ir type hints.”
Kodo derinimui ChatGPT ypač naudingas, kai pateiki ne tik klaidą, bet ir visą kontekstą: „Štai mano kodas [kodas]. Gaunu šią klaidą [klaida]. Aplinka: Python 3.11, Windows 11, naudoju venv. Jau bandžiau [ką bandei]. Kas gali būti problema?” Kuo daugiau konteksto, tuo tikslesnė diagnozė.
Vienas iš mažiau žinomų, bet labai naudingų būdų – kodo peržiūra (code review). Galima prašyti ChatGPT peržiūrėti kodą ir ieškoti ne tik klaidų, bet ir saugumo problemų, našumo optimizavimo galimybių ar geresnių praktikų. Tai nemokamas „senior developer” akis ant tavo kodo.
Perplexity čia taip pat turi savo nišą – kai reikia rasti dokumentaciją, palyginti bibliotekas ar sužinoti, kaip kiti sprendė panašias problemas Stack Overflow ar GitHub. Jis puikiai sintetina tokią informaciją.
Pažangios technikos: Chain of Thought ir kiti metodai
Yra kelios technikos, kurios reikšmingai pagerina atsakymų kokybę sudėtingoms užduotims. Pirmoji – Chain of Thought (grandininio mąstymo) skatinimas. Paprasčiausias būdas – pridėti frazę „Mąstyk žingsnis po žingsnio” arba „Paaiškink savo samprotavimą.” Tai ypač veikia matematikos, logikos ar strateginių klausimų atveju.
ChatGPT o1 ir o3 modeliai tai daro automatiškai – jie turi vidinį „mąstymo” procesą prieš pateikdami atsakymą. Jei turi prieigą prie šių modelių, naudok juos sudėtingoms analitinėms užduotims. Standartinis GPT-4o geriau tinka greitoms, kūrybinėms ar tekstinėms užduotims.
Antra technika – Few-shot prompting. Tai reiškia, kad prieš užduodamas klausimą, pateiki kelis pavyzdžius, kaip nori gauti atsakymą. Pavyzdžiui, jei nori, kad ChatGPT klasifikuotų klientų atsiliepimus:
„Klasifikuok šiuos atsiliepimus kaip Teigiamas/Neigiamas/Neutralus.
Pavyzdys 1: ‘Puikus produktas, tikrai rekomenduoju!’ → Teigiamas
Pavyzdys 2: ‘Siuntimas užtruko per ilgai.’ → Neigiamas
Pavyzdys 3: ‘Gavau produktą.’ → Neutralus
Dabar klasifikuok: [tavo atsiliepimai]”
Trečia technika – Persona priskyrimas. „Veik kaip patyręs UX dizaineris su 10 metų patirtimi fintech srityje” duos visiškai kitokius rezultatus nei paprastas klausimas apie UX. Modelis pritaiko savo atsakymus prie nurodytos perspektyvos.
Kai AI klysta – ir ką su tuo daryti
Naudojant šiuos įrankius svarbu išlaikyti kritinį mąstymą. ChatGPT haliucinuoja – tai faktas. Jis gali sugalvoti šaltinius, suklysti skaičiuodamas ar pateikti pasenusią informaciją su pasitikėjimu. Perplexity šiuo atžvilgiu patikimesnis, nes remiasi realiais šaltiniais, bet ir jis nėra tobulas.
Kelios taisyklės, kaip dirbti su šia realybe:
Visada tikrink faktus, kurie yra kritiškai svarbūs. Jei ChatGPT mini statistiką ar tyrimą – ieškok originalaus šaltinio. Perplexity bent jau pateikia nuorodas, kurias galima patikrinti.
Naudok Perplexity faktų tikrinimui. Jei ChatGPT pateikė kažką, kas atrodo abejotina, tą patį klausimą užduok Perplexity – jis patikrins internete ir pateiks šaltinius.
Klausk modelio apie jo pasitikėjimą. „Ar esi tikras dėl šios informacijos? Kur galiu tai patikrinti?” – tai dažnai išprovokuoja modelį pripažinti, kur jis nėra tikras.
Kodui – visada testuok. Nesvarbu, kaip įtikinamai atrodo ChatGPT sugeneruotas kodas, jis turi būti testuojamas. Modelis gali sukurti kodą, kuris atrodo logiškai, bet turi subtilių klaidų.
Kai abu įrankiai tampa viena darbo aplinka
Geriausias rezultatas pasiekiamas ne tada, kai renkiesi vieną įrankį, o kai abu integruoji į vieną darbo srautą. Praktiškai tai atrodo maždaug taip: Perplexity naudoji kaip pradinį tyrimų etapą – surinkti aktualią informaciją, sužinoti, kas šiuo metu vyksta srityje, rasti šaltinius. Tada tą informaciją perneši į ChatGPT, kur ją analizuoji, transformuoji, generuoji turinį ar sprendimus.
Pavyzdys iš realaus gyvenimo: rašai straipsnį apie naujausius AI įrankius marketinge. Perplexity klausi: „Kokie AI marketingo įrankiai populiariausi 2025 metais?” Gauni sąrašą su šaltiniais. Tada ChatGPT prašai: „Remiantis šia informacija [įkeli], parašyk 800 žodžių straipsnį, orientuotą į smulkaus verslo savininkus, kurie tik pradeda naudoti AI marketinge.”
Šis kombinuotas požiūris išnaudoja tai, ką kiekvienas įrankis daro geriausiai. Perplexity – informacijos rinkimas ir patikrinimas. ChatGPT – kūryba, analizė, transformacija. Kartu jie sudaro sistemą, kuri yra reikšmingai galingesnė nei kiekvienas atskirai.
Optimizacija nėra vienkartinis dalykas – tai nuolatinis procesas. Šie modeliai keičiasi, atsiranda naujų funkcijų, keičiasi geriausios praktikos. Kas veikė prieš metus, gali būti nebeaktualu šiandien. Todėl verta sekti naujoves – ne tam, kad turėtum naujausią žaisliuką, o tam, kad žinotum, kaip išnaudoti tai, kas tikrai pagerina tavo darbą. Galiausiai, geriausias AI naudotojas nėra tas, kuris žino visus triukus, o tas, kuris nuolat klausia: „Kaip galiu tai padaryti geriau?”
