Claude (Anthropic)-এর অফিসিয়াল গাইডলাইন

১ · কেন একটি প্রোভাইডার-নির্দিষ্ট পাঠ?

পাঠ ০১ থেকে ১০ পর্যন্ত আমরা যেসব নীতি শিখেছি — স্বচ্ছতা, প্রসঙ্গ যোগ করা, উদাহরণ, গঠন, সিস্টেম প্রম্পট, চেইন-অফ-থট, আউটপুট নিয়ন্ত্রণ, অনিশ্চয়তা প্রকাশ — এগুলো মূলত সার্বজনীন নীতি, যা প্রায় সব বড় LLM-এ কমবেশি প্রযোজ্য। কিন্তু প্রতিটি প্রোভাইডার (Anthropic, OpenAI, Google) তাদের নিজস্ব মডেলের জন্য কিছু নির্দিষ্ট, অফিসিয়াল সুপারিশও প্রকাশ করে — যা তাদের মডেলের প্রশিক্ষণ পদ্ধতি ও আর্কিটেকচারের সাথে সবচেয়ে ভালো মানায়।

এই পাঠ থেকে শুরু হওয়া মডিউল ৩-এ আমরা প্রতিটি বড় প্রোভাইডারের অফিসিয়াল গাইডলাইন আলাদাভাবে দেখব — শুরু হচ্ছে Anthropic/Claude দিয়ে। এই পাঠটি আগের পাঠগুলোর চেয়ে দীর্ঘ ও বিস্তৃত, কারণ এটি Anthropic-এর সম্পূর্ণ অফিসিয়াল প্রম্পটিং দর্শনকে একটি জায়গায় সংগঠিত করার চেষ্টা করছে।

২ · স্বচ্ছতা, উদাহরণ ও গঠন — ভিত্তি

২.১ স্বচ্ছতা ও সরাসরি ভাব — সোনালী নিয়ম

পাঠ ০৩-এ বিস্তারিত আলোচিত এই নীতিটি Anthropic-এর গাইডলাইনের কেন্দ্রবিন্দু। তাদের নিজস্ব ভাষায় — "সোনালী নিয়ম: আপনার প্রম্পটটি এমন একজন সহকর্মীকে দেখান যার কাজ সম্পর্কে ন্যূনতম প্রেক্ষাপট আছে, এবং তাকে সেটা অনুসরণ করতে বলুন। যদি তিনি বিভ্রান্ত হন, Claude-ও হবে।" Anthropic নিজেদের উদাহরণে দেখায় — "একটি অ্যানালিটিক্স ড্যাশবোর্ড তৈরি করো" (কম কার্যকর) বনাম "একটি অ্যানালিটিক্স ড্যাশবোর্ড তৈরি করো। যত সম্ভব প্রাসঙ্গিক ফিচার ও ইন্টারঅ্যাকশন অন্তর্ভুক্ত করো। মৌলিক বিষয়ের বাইরে গিয়ে একটি সম্পূর্ণ-ফিচারড ইমপ্লিমেন্টেশন তৈরি করো" (বেশি কার্যকর)।

২.২ প্রসঙ্গ ও কারণ যোগ করা

পাঠ ০৪-এ আলোচিত এই নীতি অনুযায়ী, কোনো নির্দেশনার কারণ ব্যাখ্যা করলে মডেল সেই নির্দেশনাকে ভালোভাবে সাধারণীকরণ করতে পারে। Anthropic-এর উদাহরণ — "কখনো ellipsis ব্যবহার কোরো না" (কম কার্যকর) বনাম "তোমার উত্তর একটি টেক্সট-টু-স্পিচ ইঞ্জিন পড়ে শোনাবে, তাই কখনো ellipsis ব্যবহার কোরো না, কারণ টেক্সট-টু-স্পিচ ইঞ্জিন এটা উচ্চারণ করতে পারবে না" (বেশি কার্যকর)। Claude যথেষ্ট স্মার্ট যে ব্যাখ্যা থেকে সাধারণীকরণ করতে পারে।

২.৩ উদাহরণ ও XML গঠন

পাঠ ০৫ ও ০৬-এ আলোচিত few-shot উদাহরণ ও XML ট্যাগ-গঠন Anthropic-এর গাইডলাইনেও শক্তিশালীভাবে সুপারিশকৃত। উদাহরণ হতে হবে প্রাসঙ্গিক (বাস্তব ব্যবহারের প্রতিফলন), বৈচিত্র্যময় (এজ-কেস কভার করা) এবং কাঠামোবদ্ধ (`` ট্যাগে মোড়ানো, একাধিক থাকলে ``-এর মধ্যে)। ভালো ফলাফলের জন্য ৩-৫টি উদাহরণ সুপারিশ করা হয়। XML ট্যাগ ব্যবহারে সামঞ্জস্যপূর্ণ, বর্ণনামূলক নাম রাখুন (``, ``, ``) এবং স্বাভাবিক অনুক্রমে নেস্ট করুন (যেমন `...`)।

৩ · রোল ও দীর্ঘ-প্রসঙ্গ পরিচালনা

৩.১ হালকা রোল-সেটিং

পাঠ ০৭-এ বিস্তারিত আলোচিত এই নীতি — system prompt-এর মাধ্যমে একটি রোল দিন, এমনকি একটি বাক্যেও ("You are a helpful coding assistant specializing in Python") টোন ও ফোকাস স্থির করতে সাহায্য করে। কিন্তু Anthropic-এর নিজস্ব সাম্প্রতিক গাইডলাইন সতর্ক করে — অতিরিক্ত নির্দিষ্ট, এলাবোরেট পার্সোনা প্রায়ই অপ্রয়োজনীয়, এমনকি মডেলের সহায়তাকে সীমিত করতে পারে। ব্যবহারিক নিয়ম — হালকা ও সরাসরি ফ্রেমিং দিন, বিস্তারিত চরিত্র তৈরি করবেন না।

৩.২ লং-কনটেক্সট প্রম্পটিং

যখন প্রম্পটে ২০,০০০+ টোকেনের ডকুমেন্ট বা ডেটা থাকে, Anthropic-এর নির্দিষ্ট সুপারিশ হলো — দীর্ঘ ডেটা/ডকুমেন্ট প্রম্পটের একদম উপরে রাখুন, প্রশ্ন/নির্দেশনা/উদাহরণের আগে, এবং প্রশ্নটি একদম শেষে রাখুন। পরীক্ষায় দেখা গেছে — বিশেষত মাল্টি-ডকুমেন্ট ইনপুটে, এই ক্রম মেনে চললে উত্তরের মান ৩০% পর্যন্ত উন্নত হতে পারে।

<document index="1">
  <source>quarterly_report_q3.pdf</source>
  <document_content>
    ... (long document text) ...
  </document_content>
</document>

Based on the document above, what were the three biggest revenue
drivers in Q3?

দীর্ঘ ডকুমেন্ট-ভিত্তিক কাজে, মডেলকে প্রথমে প্রাসঙ্গিক অংশ `` ট্যাগে উদ্ধৃত করতে বলা — তারপর সেই উদ্ধৃতির ভিত্তিতে উত্তর দেওয়া — উত্তরকে "গ্রাউন্ড" করে এবং মডেলের মনোযোগ সঠিক জায়গায় ফোকাস করে।

৪ · থিংকিং ও টুল ব্যবহার

৪.১ Adaptive Thinking

পাঠ ০৮-এ বিস্তারিত আলোচিত হয়েছে — Claude-এর সাম্প্রতিক মডেলগুলো adaptive thinking ব্যবহার করে, যা `effort` প্যারামিটার ও প্রশ্নের জটিলতা অনুযায়ী নিজে থেকেই ঠিক করে কখন ও কতটা গভীরভাবে "ভাবতে" হবে। ম্যানুয়াল ``/ `` ট্যাগ এখনো একটি বৈধ ফলব্যাক, এবং প্রেসক্রিপটিভ ধাপের বদলে সাধারণ নির্দেশনা ("পুরোপুরি ভেবে দেখো") প্রায়ই বেশি কার্যকর। স্ব-যাচাই নির্দেশনা ("তোমার উত্তর [টেস্ট মানদণ্ড]-এর বিপরীতে যাচাই করো") নির্ভরযোগ্যভাবে কোডিং ও গণিতের ভুল ধরতে সাহায্য করে।

৪.২ টুল-ইউজ প্রম্পটিং — স্পষ্টতা প্রয়োজন

Claude-এর সাম্প্রতিক মডেলগুলোর সরাসরি পদক্ষেপ নেওয়ার জন্য স্পষ্ট নির্দেশনা দরকার, শুধু পরামর্শ দেওয়ার জন্য নয়। "তুমি কি এই ফাংশনটি উন্নত করার জন্য কিছু পরিবর্তন সাজেস্ট করতে পারো?" (কম কার্যকর — মডেল শুধু সাজেশন দিতে পারে) বনাম "এই ফাংশনটির পারফরম্যান্স উন্নত করতে পরিবর্তন করো" (বেশি কার্যকর)। একটি `` সিস্টেম-প্রম্পট ব্লক মডেলকে ডিফল্টভাবে বাস্তবায়ন করতে উৎসাহিত করতে পারে; একটি `` ব্লক এর উল্টো, আরো সতর্ক আচরণের জন্য।

৪.৩ প্যারালাল টুল কল

সাম্প্রতিক মডেলগুলো ডিফল্টভাবে স্বাধীন টুল কলগুলো একসাথে (প্যারালালে) চালায়। প্রয়োজনে একটি `` ব্লক দিয়ে এটা আরো জোরদার করা যায়, অথবা যদি আপনি বেশি সতর্কতা/স্থিতিশীলতা চান, ধারাবাহিক (sequential) এক্সিকিউশনের জন্য স্পষ্টভাবে অনুরোধ করা যায়।

৫ · দীর্ঘ-মেয়াদী এজেন্টিক কাজ

৫.১ স্টেট ট্র্যাকিং

লম্বা সেশন বা একাধিক কনটেক্সট উইন্ডো জুড়ে চলা কাজে, Anthropic সুপারিশ করে — প্রগ্রেস/টেস্ট-ট্র্যাকিং ফাইলের জন্য কাঠামোবদ্ধ ফরম্যাট (JSON) ব্যবহার করুন, ফ্রি-ফর্ম নোটের জন্য আনস্ট্রাকচার্ড টেক্সট ব্যবহার করুন, এবং স্টেট/চেকপয়েন্ট ট্র্যাকিং-এর জন্য গিট ব্যবহার করুন। ক্রমবর্ধমান অগ্রগতি স্পষ্টভাবে জোর দিয়ে বলা উচিত — যাতে এজেন্ট প্রতিটি ধাপে ঠিক কোথায় আছে তা হারিয়ে না ফেলে।

৫.২ স্বয়ংক্রিয়তা ও নিরাপত্তার ভারসাম্য

নির্দেশনা ছাড়া, মডেল এমন পদক্ষেপ নিতে পারে যা সহজে বাতিলযোগ্য নয় — ফাইল মুছে ফেলা, force-push করা, বাইরে পোস্ট করা। একটি কার্যকর নিরাপত্তা-প্রম্পট প্যাটার্ন — "তোমার পদক্ষেপের reversibility ও সম্ভাব্য প্রভাব বিবেচনা করো... এমন পদক্ষেপ যা বাতিল করা কঠিন, শেয়ার্ড সিস্টেমকে প্রভাবিত করে, বা ধ্বংসাত্মক হতে পারে, সেখানে এগোনোর আগে ব্যবহারকারীকে জিজ্ঞেস করো।"

সহজে-বাতিল-না-করা যায় এমন কর্মের বাস্তব উদাহরণ — ফাইল/ব্রাঞ্চ মুছে ফেলা, ডেটাবেস টেবিল drop করা, `rm -rf`, `git push --force`, `git reset --hard`, প্রকাশিত কমিট amend করা, কোড পুশ করা, PR-এ মন্তব্য করা, বার্তা পাঠানো, শেয়ার্ড ইনফ্রাস্ট্রাকচার পরিবর্তন করা।

৬ · গুণমান বজায় রাখার অভ্যাস

৬.১ ওভার-ইঞ্জিনিয়ারিং এড়ানো

মডেলকে সমাধান ন্যূনতম রাখতে নির্দেশ দিন — অনুরোধ করা হয়নি এমন ফিচার/রিফ্যাক্টর/অ্যাবস্ট্র্যাকশন যোগ করবেন না, এমন পরিস্থিতির জন্য ডিফেন্সিভ এরর-হ্যান্ডলিং যোগ করবেন না যা ঘটতেই পারে না, এবং অতিরিক্ত কমেন্ট করবেন না। এটি সরাসরি Anthropic-এর মূল দর্শনের প্রতিফলন — ন্যূনতম প্রয়োজনীয় গঠন, বাড়তি জটিলতা নয়।

৬.২ এজেন্টিক প্রেক্ষাপটে হ্যালুসিনেশন কমানো

পাঠ ১০-এ আলোচিত অনিশ্চয়তা-অনুমতির পাশাপাশি, এজেন্টিক/কোডিং কাজে আরেকটি নির্দিষ্ট কৌশল হলো — মডেলকে উত্তর দেওয়ার আগে তদন্ত করতে নির্দেশ দেওয়া। "যে কোড তুমি খোলোনি, তা নিয়ে কখনো অনুমান কোরো না... উত্তর দেওয়ার আগে প্রাসঙ্গিক ফাইল তদন্ত ও পড়ো।" এই নির্দেশনা মডেলকে অনুমান-ভিত্তিক উত্তরের বদলে প্রকৃত প্রমাণ-ভিত্তিক উত্তরের দিকে ঠেলে দেয়।

৬.৩ প্রিফিল থেকে Structured Outputs

পাঠ ০৯-এ বিস্তারিত আলোচিত এই স্থানান্তর — নতুন Claude মডেলগুলো আর অ্যাসিস্ট্যান্টের চূড়ান্ত টার্ন প্রিফিল করা সমর্থন করে না। এর বদলে Structured Outputs ফিচার (স্কিমা-নিয়ন্ত্রিত রেসপন্স) ব্যবহার করুন, অথবা সরাসরি নির্দেশনা ("কোনো ভূমিকা ছাড়া সরাসরি উত্তর দাও") এবং প্রয়োজনে পোস্ট-প্রসেসিং যোগ করুন।

৭ · স্থায়ী নির্দেশনা — বারবার একই কথা লেখার বদলে

একটি ব্যবহারিক ও প্রায়ই উপেক্ষিত পরামর্শ — যদি একই নির্দেশনা বারবার, অনেক প্রম্পট জুড়ে পুনরাবৃত্তি হচ্ছে (যেমন কোডিং কনভেনশন, স্থায়ী নিয়ম, প্রজেক্ট-নির্দিষ্ট প্রেক্ষাপট), Anthropic সুপারিশ করে প্রজেক্ট-লেভেল নির্দেশনা ফাইল (যেমন একটি CLAUDE.md-স্টাইল ফাইল) বা পুনর্ব্যবহারযোগ্য "স্কিল" ব্যবহার করা — প্রতিটি প্রম্পটে একই টেক্সট পুনরায় পেস্ট করার বদলে।

এর একটি বাস্তব বাড়তি সুবিধাও আছে — এটি নিজেই একটি টোকেন-খরচ-সাশ্রয়ী অভ্যাস। বারবার একই দীর্ঘ নির্দেশনা কপি-পেস্ট করার বদলে একটি রেফারেন্স ফাইল ব্যবহার করলে, প্রতিটি প্রম্পটে পুনরাবৃত্ত টোকেনের সংখ্যা কমে যায় — এবং যদি সেই ফাইল সিস্টেম প্রম্পটের একটি স্থির অংশ হিসেবে থাকে, প্রম্পট ক্যাশিং (M4 মডিউল) থেকেও উপকৃত হয়।