Prompt Engineering मर चुकी है: Prompt Engineering अमर रहे

विडंबना

दो साल पहले, prompt engineering सबसे गरम job थी। अब यह अदृश्य होती जा रही है।

यहाँ बताते हैं क्यों।

क्या बदला

तब: आपको prompts को सावधानी से गढ़ना पड़ता था। "You are a helpful assistant..." "Think step by step..." हर शब्द को hand-tune करना पड़ता था।

अब: Models इतने smart हैं कि basic prompts काम करते हैं। "Summarize this." "Fix the typos." हो गया।

लेकिन हमने prompt engineering को खत्म नहीं किया। हमने इसे abstract कर दिया।

Prompt Engineering अभी भी मौजूद है, लेकिन अलग तरीके से

यह "perfect prompts लिखो" से "उस system को design करो जो prompts का उपयोग करता है" की ओर बढ़ गई है।

उदाहरण 1: Agentic Systems

इसके बजाय: "Summarize this article for me" आप design करते हैं: "यहाँ एक agent है। इसका काम articles का विश्लेषण करना, मुख्य बिंदु निकालना, और summaries उत्पन्न करना है। यहाँ अच्छे summaries के 10 उदाहरण हैं।"

Agent खुद पता लगाता है कि खुद को कैसे prompt करे।

उदाहरण 2: Fine-Tuning

Customer classification के लिए perfect prompt गढ़ने के बजाय, आप 200 उदाहरण प्रदान करते हैं। Model pattern सीख लेता है।

कोई prompt engineering नहीं। केवल उदाहरण।

उदाहरण 3: Chain of Thought

इसके बजाय: "Think step by step. First... Then... Finally..."

आप एक model को train करते हैं (या in-context learning जैसी तकनीकों का उपयोग करते हैं) जो स्वाभाविक रूप से समस्याओं को चरणों में तोड़ता है।

चरण training से उभरते हैं, prompting से नहीं।

अब वास्तव में क्या मायने रखता है

1. Model क्षमताओं को समझना: Claude क्या कर सकता है? Llama क्या कर सकता है? दोनों के लिए क्या कठिन है?

2. Systems Thinking: आप models को data, tools, और feedback loops से कैसे जोड़ते हैं?

3. Evaluation: आप कैसे मापते हैं कि output अच्छा है? Accuracy? Human review? Metrics?

उदाहरण: "Smart" बनाम "Dumb" System

Dumb: User summarize करने के लिए कहता है। Model summarize करता है।

Smart: वे क्या माँग रहे हैं उसे classify करें। सही agent को route करें। वह agent प्रासंगिक context (RAG) retrieve करता है। Output उत्पन्न करता है। गुणवत्ता का मूल्यांकन करता है। खराब गुणवत्ता होने पर पुनः प्रयास करता है। सुधार के लिए परिणाम log करता है।

किसको अधिक prompt engineering की आवश्यकता है? किसी को नहीं। दोनों को systems engineering की आवश्यकता है।

नई भूमिका

2026 में, जो "prompt engineer" हुआ करता था वह बन रहा है: ML engineer (systems बनाना), Data engineer (गुणवत्तापूर्ण उदाहरण प्राप्त करना), Product engineer (outputs का मूल्यांकन करना, product के साथ integrate करना)।

समान कौशल। अलग जोर।