AI තත්ත්වය ඉහළ ගිය පසුගිය අවුරුදු හය තුළ, බොහෝ සංවර්ධකයින් ChatGPT, Claude වැනි LLM (Large Language Model) වඩාත් දක්ෂ Google සෙවුම් එන්ජින් එකක් ලෙස භාවිතා කරති. ප්රශ්නයක් ටයිප් කරලා, කෙටි කේත කොටසක් ලබාගෙන, IDE එකට ඇලවීමෙන් පසු, පරිසරයෙහි නිශ්චිත ගැටළුවක් නිසා දෝෂ හඳුනා ගැනීමට මිනිත්තු කීපයක් ගත කරයි.
මෙම ක්රමය වැඩිදුරටත් පරීක්ෂා කළ විට, LLM ගොඩක් pattern matcher බවට පත්වේ. සෙවුම් එන්ජින් එකක් වගේ, එය “ඔබට අවශ්ය විසඳුම” ඇති වෙබ් පිටුවක් සොයන්නේ නොව, පුහුණු දත්ත වලින් අධික ප්රමාණයක් මත ඊළඟ ටෝකනය අනුමාන කරයි. ඔබේ ප්රොම්ප්ට් අස්පෂ්ට නම්, එය සාමාන්ය පැනලෝක කේතයක් පිරිනමයි, නමුත් ඔබගේ ව්යාපෘතියේ විශේෂ අවස්ථාවන්ට ගැළපෙන්නේ නැත.
මෙම ගැටළුවට ප්රධාන හේතුව context gap වේ. ඔබේ ව්යාපෘතියේ ගොඩනැගීම, භාවිතා කරන ලයිබ්රරියෝ, නාමකරණ රීතිය යනාදී තොරතුරු LLM හට නොදැනේ. ඒ නිසා “Node.js තුළ file upload කෙලින්ම කරන හැටි” කියන ප්රශ්නයකට, ඔබ භාවිතා නොකරන ලයිබ්රරියක් සමඟ සාමාන්ය උදාහරණයක් ලැබේ. එබැවින්, Constraint First Prompting කියන ක්රමයක් භාවිතා කර, පළමුව පරිසරය සහ සීමා නිශ්චිතව සඳහන් කිරීම වැදගත්.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලංකාවේ තරුණ සංවර්ධකයින්ට, LLM භාවිතය සරල සෙවුම් වශයෙන් නොගෙන, prompt engineering ක්රමය ඉගෙන ගැනීම මගින් කේත නිර්මාණයේ නිවැරදිත්වය වැඩි කර ගත හැක. පළමුව පරිසරය, ලයිබ්රරිය සංස්කරණය, ආරක්ෂක middleware වැනි තොරතුරු සඳහන් කර, AI විසින් ලබා දෙන පසුකාලීන කේතය වඩාත් ඔබේ පද්ධතියට ගැළපේ. එමෙන්ම, Chain of Thought (CoT) ක්රමය භාවිතා කර, AI වෙතින් පසුකාලීන පසුබැසීමේ පියවර සකස් කර, පසුපස පියවර තනි තනිව සොයා බැලීමට හැකි වේ. මෙය සිසුන්ට ඇලගැන්වීම් තේරුම් ගැනීමට, ව්යාපාරිකයන්ට වේගවත් MVP (Minimum Viable Product) නිර්මාණයට, සහ සංවර්ධකයින්ට කේතයේ ගුණාත්මකභාවය වැඩි කිරීමට උපකාරී වේ.
අවසන් වශයෙන්, AI‑generated කේතය පළමු පියවරේම සම්පූර්ණයෙන් විශ්වාස නොකර, එක් එක් පේළියක් ඔබට තේරුම් ගත හැකිදැයි පරීක්ෂා කිරීම අත්යවශ්යයි. “පේළිය පහේ වඩාත් වඩාත් විස්තරාත්මකව පැහැදිලි කළ යුතුයි” යන නීතිය අනුගමනය කර, ඔබේ කේත ලේඛනයේ මූලිකත්වය රැක ගත හැක.
LLM ගොඩක් සොයාගැනීමේ මෙවලමක් නොව, ඔබේ කේත ලියුම් සහයෝගී පාර්ශවයක් බවට පරිවර්තනය කරගත් පසු, නිෂ්පාදන කාලය කෙටි වන අතර, දෝෂ අඩු කර ගැනීමටත්, ශ්රී ලංකාවේ තාක්ෂණික ප්රගතියටත් වැදගත් පියවරක් වේ.
