بر اساس تجربه منتشرشده در XDA Developers، نویسنده این مطلب به‌جای تکیه بر یک چت‌بات (Chatbot) واحد، اشتراک ۲۰ دلاری ChatGPT را کنار گذاشته و کلود (Claude) و جمینای (Gemini) را در قالب یک گردش کار (Workflow) ترکیبی به کار گرفته است. ایده اصلی ساده است: از دو مدل (Model) هوش مصنوعی برای رسیدن به نتیجه بهتر استفاده شود، بدون آنکه هزینه اشتراک (Subscription) بیشتری پرداخت شود.
چرا ترکیب دو مدل هوش مصنوعی؟
نویسنده می‌گوید پاسخ اولیه یک هوش مصنوعی را به‌عنوان محصول نهایی نمی‌پذیرد و مدل‌ها را مانند همکارانی می‌بیند که هر کدام می‌توانند نقش متفاوتی ایفا کنند. یکی از مدل‌ها به بهبود فرایند کمک می‌کند و دیگری دیدگاه تازه‌ای به وظیفه می‌دهد. به گفته او، همین تغییر ساده روش تازه‌ای برای کار با کمک هوش مصنوعی ایجاد کرده است.
- مرحله نخست: تبدیل ایده خام به پرامپت دقیق‌تر با کمک کلود.
- مرحله دوم: سپردن پرامپت به جمینای برای تولید پاسخ اصلی.
- مرحله سوم: بازگرداندن خروجی به کلود برای نقد و شناسایی ضعف‌ها.
- مرحله چهارم: اصلاح پاسخ توسط جمینای و بررسی نهایی توسط کاربر.
کلود ایده خام را به پرامپت جدی‌تر تبدیل می‌کند
در این روش، نویسنده ابتدا توضیحی خام و نه‌چندان دقیق از هدف خود می‌نویسد. سپس از کلود می‌خواهد آن را به پرامپت (Prompt) روشن‌تر و کاربردی‌تری تبدیل کند. نویسنده در عمل مهندسی پرامپت (Prompt Engineering) را به کلود می‌سپارد. از کلود خواسته می‌شود زمینه (Context)های جاافتاده، دستورهای مبهم و مواردی را که ممکن است به پاسخ ضعیف منجر شوند شناسایی کند. همچنین باید الزامات را مشخص‌تر و دستورها را سازمان‌دهی کند تا مدل بعدی دقیقاً بداند چه چیزی خواسته شده است.
مزیت این مرحله آن است که نویسنده به‌جای درگیر شدن با جزئیات نگارش پرامپت، روی بیان هدف اصلی تمرکز می‌کند. او پرامپت اصلاح‌شده را بازبینی می‌کند تا مطمئن شود بازتاب خواسته‌اش است و سپس به مرحله بعد می‌رود.
جمینای اجرای اصلی را بر عهده می‌گیرد
پس از رضایت از پرامپت بازنویسی‌شده، نویسنده آن را در جمینای قرار می‌دهد و انجام اصل وظیفه را به این مدل می‌سپارد. در این تجربه از مدل Gemini 3.1 Pro استفاده شده است. او زمینه یا منابع مرتبط لازم را نیز در اختیار جمینای می‌گذارد و سپس اجازه می‌دهد مدل پاسخ خود را تولید کند.
به گفته نویسنده، تفاوت اصلی در نقطه شروع ساختاریافته‌تر است: جمینای هدفی روشن، الزاماتی مشخص و مسیری تعیین‌شده برای دنبال کردن دارد. در نتیجه او مجبور نیست با پیام‌های پیاپی، دستورهای بیشتری اضافه کند یا یک سوءتفاهم را چند بار اصلاح کند. با این حال، پرامپت دقیق هم پاسخ بی‌نقص را تضمین نمی‌کند و جمینای همچنان ممکن است نکته‌ای را از دست بدهد یا اشتباه کند؛ به همین دلیل پاسخ اولیه به‌عنوان محصول نهایی در نظر گرفته نمی‌شود.
کلود خروجی جمینای را نقد می‌کند
در مرحله بعد، کل خروجی (Output) جمینای دوباره به کلود داده می‌شود. این بار از کلود خواسته نمی‌شود همه چیز را بازنویسی کند یا متن را فقط زیباتر کند؛ بلکه باید نقش منتقد را ایفا کند و نقاط قابل بهبود را نشان دهد. کلود باید شکاف‌های استدلال، جزئیات نادیده‌گرفته‌شده، توضیحات نامشخص و مواردی را که با الزامات اولیه هم‌خوان نیست مشخص کند. همچنین باید ادعاهایی را که نیاز به راستی‌آزمایی دارند علامت بزند.
سپس نویسنده بازخورد کلود را به جمینای برمی‌گرداند و از آن می‌خواهد نقدهای معتبر را برطرف کند، ضعف‌ها را اصلاح کند و پاسخ اولیه را بدون از دست دادن اطلاعات مفید بهبود دهد. او تأکید می‌کند که هر پیشنهاد کلود را کورکورانه نمی‌پذیرد و خودش بازخورد را بررسی می‌کند. نسخه نهایی نیز پیش از استفاده همچنان به قضاوت انسانی نیاز دارد.
نتیجه: گردش کاری بهتر از تکیه بر یک چت‌بات
نویسنده نتیجه می‌گیرد کیفیت پاسخ هوش مصنوعی فقط به انتخاب مدل بستگی ندارد؛ نحوه ساختاردهی وظیفه و بازبینی (Review) خروجی هم به همان اندازه مهم است. یک پیش‌نویس قوی کمک‌کننده است، اما سپردن آن به مدلی دیگر برای نقد می‌تواند ضعف‌هایی را آشکار کند که در حالت عادی نادیده می‌مانند.
با این حال، او هشدار می‌دهد که باید واقعیت‌های مهم را خودش بررسی کند و تصمیم نهایی را بگیرد؛ زیرا ممکن است دو مدل هوش مصنوعی بر یک نکته نادرست هم‌نظر شوند. به باور او، مزیت واقعی این روش داشتن گردش کاری است که نتیجه بهتری را تشویق می‌کند، نه پذیرش سریع نخستین پاسخی که قانع‌کننده به نظر می‌رسد.