राल्फ विग्गम कोडिंग: लूप आसान है। प्रॉम्प्ट सब कुछ हैं।

यदि आप हाल ही में AI डेवलपमेंट ट्विटर पर गए हैं, तो आपने इसे देखा होगा: कोडिंग के लिए राल्फ विग्गम दृष्टिकोण।

सिम्पसन्स के उस पात्र के नाम पर जो निरंतर असफलता के बावजूद कभी प्रयास करना नहीं छोड़ता, यह तकनीक आश्चर्यजनक रूप से सरल है। AI कोडिंग एजेंट को एक लूप में चलाएं। इसे असफल होने दें। फिर प्रयास करने दें। तब तक जारी रखें जब तक यह सफल न हो या सीमा तक न पहुंच जाए।

परिणाम अत्यधिक प्रभावशाली रहे हैं। जेफ्री हंटले, जिन्होंने इस दृष्टिकोण का आरंभ किया, ने केवल $297 API लागत में $50,000 का अनुबंध पूरा किया। बोरिस चेर्नी, जिन्होंने Claude Code बनाया, ने 30 दिनों में 259 PR हासिल किए, हर लाइन AI द्वारा लिखी गई। Anthropic ने एक आधिकारिक प्लगिन जारी किया।

वायरल पोस्ट लूप पर केंद्रित हैं। बैश स्क्रिप्ट पर। रातभर के ऑटोमेशन पर।

वे मुख्य बिंदु को छोड़ रहे हैं।

लूप तुच्छ है

यहाँ पूरी तकनीक है:

while :; do cat PROMPT.md | claude ; done

बस यही है। आप इसे तीस सेकंड में लिख सकते हैं।

तो फिर कुछ डेवलपर्स को परिवर्तनकारी परिणाम क्यों मिलते हैं जबकि अन्य API क्रेडिट जलाते हुए एजेंट को चक्कर में घूमते देखते रहते हैं?

उत्तर लूप में नहीं है। यह उसमें है जो आप इसे खिलाते हैं।

प्रॉम्प्ट की गुणवत्ता ही असली कुंजी है

आधिकारिक दस्तावेज़ यह स्पष्ट रूप से कहते हैं: “राल्फ के साथ सफलता केवल बेहतर मॉडल होने पर नहीं, बल्कि अच्छे प्रॉम्प्ट लिखने पर निर्भर करती है।”

अधिकांश कवरेज “विशिष्ट रहें” और “पूर्णता मानदंड शामिल करें” पर रुक जाती है। यह तो बुनियादी बातें हैं। जो डेवलपर्स गंभीर परिणाम प्राप्त कर रहे हैं, वे एक अलग स्तर पर काम कर रहे हैं।

विचार करें:

एक प्रॉम्प्ट जो असफल होगा:

एक todo API बनाएं और इसे अच्छा बनाएं।

एक प्रॉम्प्ट जो काम करता है:

/ralph-wiggum:ralph-loop "Todo आइटम्स के लिए REST API लागू करें।

आवश्यकताएं:
- Todos के लिए CRUD endpoints
- सभी फील्ड्स पर इनपुट सत्यापन  
- उचित HTTP स्टेटस कोड्स के साथ त्रुटि हैंडलिंग

सफलता मानदंड:
- सभी endpoints सही तरीके से उत्तर दे रहे हैं
- >80% कवरेज के साथ टेस्ट पास हो रहे हैं  

15 पुनरावृत्ति के बाद यदि पूर्ण नहीं है:
- अवरोधक मुद्दों का दस्तावेजीकरण करें
- प्रयासित दृष्टिकोणों की सूची बनाएं

जब पूर्ण हो जाए तो <promise>COMPLETE</promise> आउटपुट करें।" --max-iterations 30

दूसरा प्रॉम्प्ट तीन काम करता है जो पहला नहीं करता: यह सफलता को स्पष्ट रूप से परिभाषित करता है, यह एजेंट को बताता है कि अपने काम को कैसे सत्यापित करे, और इसमें उपयोगी तरीके से असफल होने के निर्देश शामिल हैं।

वह अंतिम भाग है जो अच्छे प्रॉम्प्ट को बेहतरीन प्रॉम्प्ट से अलग करता है।

प्रॉम्प्ट गुणवत्ता श्रेणीक्रम

कई परियोजनाओं में इन लूप्स को चलाने के बाद, मैं प्रॉम्प्ट गुणवत्ता के बारे में तीन स्तरों में सोचता हूं:

स्तर 1: पूर्णता मानदंड। एजेंट जानता है कि कब रुकना है। अधिकतर लोग यहां तक पहुंच जाते हैं।

स्तर 2: स्व-सत्यापन। एजेंट अपने काम की जांच कर सकता है। बोरिस चेर्नी इसे “शायद सबसे महत्वपूर्ण बात” कहते हैं। Claude को अपने आउटपुट को सत्यापित करने का तरीका दें, और गुणवत्ता दोगुनी हो जाती है।

स्तर 3: असफलता से उबरना। प्रॉम्प्ट में यह शामिल होता है कि फंसने पर क्या करना है। केवल “फिर कोशिश करें” नहीं, बल्कि नैदानिक कदम, वैकल्पिक दृष्टिकोण, और सुंदर गिरावट। यहीं वास्तविक लाभ निहित है, और लगभग कोई इसकी चर्चा नहीं करता।

अधिकांश असफलताएं इसलिए होती हैं कि प्रॉम्प्ट सुखद रास्ते के लिए काम करते हैं लेकिन उनके पास कोई रिकवरी रणनीति नहीं होती। एजेंट फंस जाता है, 50 पुनरावृत्ति में घूमता रहता है, और कुछ उपयोगी नहीं निकालता।

एक सुडौल प्रॉम्प्ट असफलता को जानकारी के रूप में मानता है। दो घंटे खोने के बजाय, आप दो घंटे कुछ दिखाने योग्य चीज़ के साथ खोते हैं।

विरोधाभासी सत्य

यहाँ वह बात है जिसका वायरल पोस्ट्स में उल्लेख नहीं है: अपने प्रॉम्प्ट में अधिक विवरण ठूंसना अक्सर चीज़ों को बदतर बना देता है।

अनुसंधान सुझाता है कि इष्टतम संदर्भ उपयोग 40-60% है। इससे आगे बढ़ें, और मॉडल का प्रदर्शन सब कुछ पर खराब हो जाता है, केवल नए निर्देशों पर ही नहीं।

निरंतर परिणाम प्राप्त करने वाले व्यवसायी अपने प्रॉम्प्ट को संक्षिप्त रखते हैं। वे Claude को बताते हैं कि जानकारी कैसे खोजें, पहले से सब कुछ भरने के बजाय। वे बड़े कार्यों को छोटे लूप्स में तोड़ते हैं।

अधिक विवरण अधिक नियंत्रण जैसा लगता है। LLM के साथ, एक बिंदु है जहां अधिक विवरण कम क्षमता बन जाता है।

यह कहाँ जा रहा है

यहाँ मेरा मानना है: हम इन सिस्टम्स के साथ काम करने की समझ की एकदम शुरुआत में हैं।

अभी, अधिकतर लोग सोचते हैं कि बाधा मॉडल क्षमता है। ऐसा नहीं है। बाधा हमारी क्षमता है कि हम अपने इरादे को इतनी स्पष्टता से बता सकें कि एक मशीन उस पर स्वायत्त रूप से कार्य कर सके। यह एक कौशल है। और किसी भी कौशल की तरह, जो लोग इसे जल्दी विकसित करते हैं, उनका बहुत बड़ा फायदा होगा।

राल्फ विग्गम तकनीक उस भविष्य की एक खिड़की है। लूप चालाक होने के कारण नहीं, बल्कि इसलिए कि यह बेरहमी से उजागर करती है कि आपके प्रॉम्प्ट वास्तव में अच्छे हैं या नहीं। हर असफल पुनरावृत्ति फीडबैक है। हर सफल रन इस बात का सबूत है कि आपने मशीनों द्वारा निष्पादित होने वाले तरीके से सोचना सीख लिया है।

जो डेवलपर्स इसे बैश स्क्रिप्ट की तरकीब मान रहे हैं, वे बड़े बदलाव को चूक रहे हैं। जो इसे मानव-मशीन सहयोग के एक नए अनुशासन के रूप में मान रहे हैं, वे ऐसी चीज़ें बनाने जा रहे हैं जिनकी हम बाकी लोग अभी कल्पना भी नहीं कर सकते।

लूप आसान है। प्रॉम्प्ट सब कुछ हैं।

---

हम कई परियोजनाओं में विकास को तेज करने के लिए इन तकनीकों का उपयोग कर रहे हैं। यदि आप समान चुनौतियों से जूझ रहे हैं, तो संपर्क करें।