Sean Goedecke a saját blogján megjelent értekezését engedélyével újraközöljük. A cikk azt a gyakorlati tapasztalatot tárgyalja, hogy bár a nagy nyelvi modellek (LLM-ek) széles körben hozzáférhetővé tesznek technikai megoldásokat, a legjobb eredmények eléréséhez továbbra is szükség van a felhasználó domain‑szakértelmére.
Miben változott a helyzet az elmúlt évtizedekben
A 2010‑es években műszaki hiányosságok (például ha valaki nem tudott CSS‑t írni) esetén általában egy tapasztalt kollégára vagy az interneten szerencsésen előforduló, pontosan illő válaszra kellett támaszkodni. Ma az LLM‑ek lehetővé teszik, hogy szinte bárki „elfogadható” CSS‑t generáltasson; a modellek általánosító hatása sokakat általános szakemberré tesz.
Ez a változás azonban félrevezető lehet: mivel sokan hasonló modellekkel kommunikálnak, látszólag nincs különbség a „jól promptoló” szakértő és a kezdő között — a kapott alapválaszok gyakran hasonlóak.
A kulcs: a domainismeret
Goedecke szerint ez a kép téves. A legfontosabb készség a promptolásnál az, hogy értse a felhasználó azt a területet, amelyre irányítja a modellt. Jó példaként hozza fel Terence Tao beszélgetését a ChatGPT‑vel egy Jacobian‑konjektúrához kapcsolódó, frissen felfedezett ellenvetőről. Goedecke megjegyzi, hogy ugyanazt az eredményt ő nem tudta elérni még nagy mennyiségű token felhasználásával sem: Tao módszere nem csupán promptolási trükkökre épül, hanem tényleges matematikai szakértelemre.
A Tao–ChatGPT‑beszélgetésből néhány megfigyelés:
- Tao üzenetei rövidek és célratörőek; nem részletekbe menően reagál minden pontra.
- A modell válaszai tömörebbek, mint amikor Goedecke matematikáról beszél a GPT‑5.6 Sol változattal; a szakértői jelzés „matematikusoknak” szóló módba helyezi a modellt, nem „amatőröknek magyarázóba”.
- Tao akkor jelez kifogást, amikor a válasz hibásnak tűnik, de ritkán mondja ki egy az egyben, hogy a modell téved; például úgy fogalmaz, hogy „ez bonyolultabbnak tűnik, mint reméltem”.
- Tao maga is tesz javaslatokat és ugrásokat: többnyire nem követi vakon a modell tanácsát a továbblépés módját illetően.
Ugyanakkor Goedecke hangsúlyozza: ezeket a kommunikációs mintákat követni önmagában nem elegendő, ha nincs mögötte valódi szaktudás. A lényeg az, hogy a szakértő ki tudja emelni a releváns elemeket egy többparagrafusos modellválaszból, alternatív megközelítéseket tud felvetni, és észreveszi, mi „furcsa”.
Tapasztalat a szoftverfejlesztésben
Goedecke saját munkájából is hasonló konklúziót von le. Ha valakinek jól rendezett elmélete van egy kódbázisról, sokkal erőteljesebben tudja irányítani a modellt: képes azt mondani például, „nem, itt egyszerűbben is megoldhatjuk”, vagy „nem csináljuk már meg X‑et?” vagy „nem lehetne ezt ezekben a már ismert fogalmakban kifejezni?”.
Ez összefügg egy korábbi érvelésével is: a rendszertervezési problémáknál a konkrét részletek fontosabbak lehetnek, mint az általános elvek. Goedecke szerint a kódbázis ismerete gyakran hasznosabb, mint egy elméleti, általános rendszertervezési tudás.
Mennyire nélkülözhetetlen a szakértői tudás?
Ha nincs domainismeretünk, az LLM‑re hagyatkozva legalább valamilyen megoldást kaphatunk, és ez nem rossz. Ugyanakkor a szakértelemmel rendelkezők ugyanabból a modellből lényegesen többet tudnak kihúzni, mert határozottabban tudják steerelni (irányítani) a modellt.
Ez arra utal, hogy még a modellek erősödése mellett is megmarad az emberi szakértelem jelentősége. Sok feladatnál a „nehezebb rész” nem az információ megtalálása a modellben, hanem annak pontos kommunikálása, hogy a megrendelő milyen megoldást vár: az információ lényegében benne van a modellen, de egy nagyon képzett emberre van szükség, hogy előhúzza a kívánt formában.
Közösségi reakciók és ellenérvek
A posztra sok hozzászólás érkezett a Hacker Newson. Egyes kommentelők saját anekdotáikat osztották meg arról, hogyan segítette őket a szakértelem, illetve hogyan hátráltatta a tudáshiány. Mások helyénvalónak találták a felvetést, de óvatosak voltak: lehet, hogy a jelenlegi érvelés azt a kényelmes gondolatot táplálja, hogy az emberek továbbra is elengedhetetlenek — ez a kép azonban gyorsan változhat.
Voltak, akik rámutattak, hogy például az OpenAI matematikai promptjai nem voltak szakmailag kiforrottak, és ebből úgy tűnhet, hogy szakértőkre nincs szükség. Goedecke erre azt válaszolja, hogy OpenAI mögött volt egy szakértő matematikusokból álló csapat, amely ellenőrizte és szűrte a modell által javasolt felfedezéseket, és jelenleg ezt a lépést nem lehet kihagyni.
Következtetés
Goedecke álláspontja szerint az LLM‑ek általánosítanak és megkönnyítik sok feladat elvégzését, de a domain‑szakértelem továbbra is kritikus ahhoz, hogy a modellekből a lehető legtöbbet nyerjük ki. A szakértők képesek pontosabban irányítani a modellt, felismerni és korrigálni a hibákat, és olyan alternatív megközelítéseket felvetni, amelyek nélkül a modell kevésbé hasznos eredményeket adna.
A jelenlegi vita a szakértelem szerepéről élénk, és a közösségi reakciók alapján sem egyértelmű, hogy ez a viszony meg fog-e változni, vagy hogyan, ahogy a modellek tovább fejlődnek.
