💻 computer science

BT-APE: A Computationally Light Backtracking Approach to Automatic Prompt Engineering for Requirements Classification

यह शोध पत्र BT-APE का प्रस्ताव करता है, जो स्वचालित प्रॉम्प्ट इंजीनियरिंग के लिए एक गणनात्मक रूप से कुशल बैकट्रैकिंग-आधारित ढांचा है, जो आवश्यकताओं के वर्गीकरण (requirements classification) में अत्याधुनिक तरीकों के समान सटीकता प्राप्त करता है और साथ ही टोकन खपत और निष्पादन समय को काफी कम करता है।

मूल लेखक: Mohammad Amin Zadenoori, Waad Alhoshan, Jacek Dąbrowski, Liping Zhao, Alessio Ferrari

प्रकाशित 2026-07-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mohammad Amin Zadenoori, Waad Alhoshan, Jacek Dąbrowski, Liping Zhao, Alessio Ferrari

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक बहुत ही बुद्धिमान, लेकिन थोड़े जिद्दी रोबोट को मिले-जुले अक्षरों के ढेर को छाँटना सिखाने की कोशिश कर रहे हैं। कुछ अक्षर इस बारे में हैं कि "सिस्टम को क्या करना चाहिए" (फंक्शनल/Functional), कुछ इस बारे में हैं कि "इसे कितनी अच्छी तरह करना चाहिए" (क्वालिटी/Quality), और कुछ इस बारे में हैं कि "चीजों को सुरक्षित कैसे रखा जाए" (सिक्योरिटी/Security)।

अतीत में, इंसानों को रोबोट के लिए निर्देश (जिन्हें प्रॉम्प्ट कहा जाता है) लिखने के लिए अनुमान लगाने और बार-बार प्रयास करने (guess and check) की आवश्यकता होती थी। वे कहते थे, "यह एक अक्षर है, मुझे बताओ कि यह क्या है," और यदि रोब से गलती होती थी, तो इंसान उस वाक्य को थोड़ा बदलकर फिर से कोशिश करता था। यह धीमा, असंगत था और पूरी तरह से इंसान के अंतर्ज्ञान (gut feeling) पर निर्भर था।

यह पेपर रोबोट को सिखाने का एक नया, हल्का तरीका पेश करता है जिसे BT-APE (बैकट्रैकिंग ऑटोमैटिक प्रॉम्प्ट इंजीनियरिंग) कहा जाता है। यह कैसे काम करता है, इसके लिए सरल उपमाओं का उपयोग किया गया है:

1. समस्या: "अनुमान और जांच" का जाल (The "Guess-and-Check" Trap)

कल्पना कीजिए कि आप केक की एक बेहतरीन रेसिपी खोजने की कोशिश कर रहे हैं। केवल एक केक बनाने, उसे चखने और फिर चीनी बदलने के बजाय, आपके पास एक रोबोट बेकर है।

पुराना तरीका: आप एक रेसिपी लिखते हैं, रोबोट केक बनाता है, आप उसे चखते हैं, और फिर मैन्युअल रूप से रेसिपी को फिर से लिखते हैं। आप ऐसी रेसिपी लिखने में फंस सकते हैं जो बहुत लंबी या भ्रमित करने वाली हो, और आपको यह भी नहीं पता होगा कि वह क्यों विफल हो रही है।
समस्या: सॉफ्टवेयर आवश्यकताओं (हमारी कहानी में "अक्षर") की दुनिया में, इंसान सालों से यही मैन्युअल पुनलेखन कर रहे थे। यह काफी अनिश्चित था।

2. समाधान: BT-APE (द "स्मार्ट हाइकर")

लेखकों ने एक ऐसा सिस्टम बनाया है जहाँ रोबोट खुद अपने निर्देश लिखने में मदद करता है। लेकिन बिना किसी दिशा के भटकने के बजाय, BT-APE एक स्मार्ट हाइकर (चतुर पर्वतारोही) की तरह काम करता है जो सबसे ऊँची चोटी (सर्वश्रेष्ठ प्रदर्शन) की तलाश में है।

यहाँ हाइकर की रणनीति दी गई है:

नक्शा (प्रॉम्प्ट): हाइकर एक बुनियादी नक्शे (एक सरल निर्देश) के साथ शुरुआत करता है।
कम्पास (फीडबैक): हाइकर इस नक्शे को परीक्षण अक्षरों के एक छोटे समूह पर आजमाता है। यदि रोबोट गलतियाँ करता है, तो हाइकर नोट करता है कि कौन से अक्षर गलत थे।
"संतुलित" दृष्टिकोण: महत्वपूर्ण बात यह है कि हाइकर केवल गलतियों को नहीं देखता। वे एक संतुलित बैच (balanced batch) देखते हैं: एक अक्षर जिसे रोबोट ने सही पहचाना, एक जिसे उसने गलत पहचाना, और प्रत्येक श्रेणी से एक। यह सुनिश्चित करता है कि रोबोट पूरी तस्वीर देखे, न कि केवल विफलताओं को।
"बैकट्रैकिंग" का कमाल: यही इस पेपर का असली राज है। कल्पना कीजिए कि हाइकर एक पहाड़ी पर चढ़ रहा है लेकिन बार-बार एक बंद रास्ते (dead-end) पर फिसल रहा है।
- पुराने तरीके शायद आगे बढ़ते रहेंगे, इस उम्मीद में कि किस्मत चमक जाएगी, या तुरंत हार मान लेंगे।
- BT-APE कहता है: "ठीक है, मैंने इस रास्ते को तीन बार आज़माया है और यह बेहतर नहीं हुआ है। मैं उस पिछले अच्छे स्थान (last good spot) पर वापस जाऊँगा जहाँ मैं था और वहाँ से एक अलग दिशा में कोशिश करूँगा।"
- यह सिस्टम को बुरे विचारों पर समय बर्बाद करने से रोकता है।

3. दौड़: BT-APE बनाम हेवीवेट चैंपियन

शोधकर्ताओं ने अपने "स्मार्ट हाइकर" (BT-APE) की तुलना दो अन्य प्रतियोगियों से की:

मैन्युअल लेखक: इंसान जो निर्देश लिखते हैं (Zero-shot, Few-shot, Chain-of-Thought)।
हेवीवेट चैंपियन (PE2): एक अन्य स्वचालित सिस्टम जो बहुत शक्तिशाली लेकिन बहुत भारी है। यह एक विशाल बैकपैक लेकर चलता है जिसमें हर वह निर्देश होता है जिसे इसने कभी आज़माया है, ताकि अगले कदम का निर्णय लिया जा सके।

परिणाम:

सटीकता (Accuracy): स्मार्ट हाइकर (BT- же BT-APE) और हेवीवेट चैंपियन (PE2) बिल्कुल उसी शिखर पर पहुँचे। वे अक्षरों को छाँटने में समान रूप से कुशल थे। दोनों ने मैन्युअल लेखकों को पछाड़ दिया।
वजन का अंतर: यहाँ बड़ी जीत है। हेवीवेट चैंपियन एक भारी बैकपैक लेकर चलता था, जिससे बहुत अधिक ऊर्जा और समय खर्च होता था। स्मार्ट हाइकर (BT-APE) एक बहुत ही हल्का बैग लेकर चलता है।
- BT-APE ने समान परिणाम प्राप्त करने के लिए 72% कम "शब्दों" (टोकन्स) का उपयोग किया।
- इसने काम को 66% तेज़ी से पूरा किया।
- यह क्यों मायने रखता है: क्योंकि यह बहुत हल्का है, आप इसे एक छोटे, स्थानीय कंप्यूटर (जैसे लैपटॉप या छोटे सर्वर) पर चला सकते हैं, जिसके लिए आपको किसी बड़े, महंगे क्लाउड सुपरकंप्यूटर की आवश्यकता नहीं है। यह उन कंपनियों के लिए बहुत अच्छा है जिन्हें अपने डेटा को निजी रखना है और जो इसे क्लाउड पर नहीं भेज सकतीं।

4. एक अच्छा निर्देश क्या बनाता है?

शोधकर्ताओं ने रोबोट द्वारा बनाए गए "रेसिपी" का भी अध्ययन किया ताकि देख सकें कि क्या चीज़ उन्हें सफल बनाती है। उन्होंने पाया कि सबसे अच्छे निर्देश लंबे और फैंसी नहीं थे। वे ऐसे थे:

छोटे और प्रभावशाली: जैसे कोई सैन्य आदेश।
क्रिया-उन्मुख (Action-Oriented): क्रियाओं (verbs) से भरपूर (जैसे, "पहचानें," "जांचें," "छाँटें")।
स्पष्ट: विचारों को व्यवस्थित करने के लिए कोलन (:) और डैश (-) जैसे विराम चिह्नों का उपयोग करना।
सरल: जटिल, भ्रमित करने वाली वाक्य संरचनाओं से बचना।

5. क्या शुरू करने के लिए विशेषज्ञ की आवश्यकता है?

टीम ने दो शुरुआती बिंदुओं का परीक्षण किया:

एक्सपर्ट स्टार्ट (विशेषज्ञ शुरुआत): रोबोट को शुरुआत से ही श्रेणियों की एक अत्यधिक विस्तृत, पाठ्यपुस्तक जैसी सटीक परिभाषा देना।
बिगिनर स्टार्ट (शुरुआती शुरुआत): रोबोट को एक बहुत ही सरल, अस्पष्ट परिभाषा देना (जैसे, "फंक्शनल का अर्थ है सिस्टम क्या करता है")।

चौंकाने वाला तथ्य: इससे बहुत अधिक फर्क नहीं पड़ा। भले ही आपने "बिगिनर" अस्पष्ट परिभाषाओं के साथ शुरुआत की हो, रोबोट की पुनरावृत्ति प्रक्रिया (हाइकर का चढ़ना और बैकट्रैक करना) इतनी स्मार्ट थी कि वह अपने आप सटीक परिभाषाएँ निकाल लेती है। अंतिम परिणाम लगभग वैसा ही था जैसा विशेषज्ञ परिभाषाओं के साथ शुरू करने पर होता।

सारांश

यह पेपर दिखाता है कि AI के साथ शानदार परिणाम प्राप्त करने के लिए हमें प्रॉम्प्ट लिखने वाला जादूगर होने या बहुत बड़े, महंगे कंप्यूटरों की आवश्यकता नहीं है। एक हल्के, बैकट्रैकिंग तरीके का उपयोग करके, हम AI को सबसे उन्नत तरीकों की तरह ही सॉफ्टवेयर आवश्यकताओं को छाँटना सिखा सकते हैं, लेकिन बहुत कम लागत और समय में। यह एक भारी, ईंधन की खपत करने वाले ट्रक को एक फुर्तीले, इलेक्ट्रिक स्कूटर से बदलने जैसा है जो आपको उसी मंजिल तक पहुँचाता है।

तकनीकी सारांश: आवश्यकताओं के वर्गीकरण (Requirements Classification) के लिए BT-APE

समस्या विवरण

लार्ज लैंग्वेज मॉडल्स (LLMs) का उपयोग आवश्यकताओं के इंजीनियरिंग (RE) कार्यों, जैसे कि आवश्यकताओं के वर्गीकरण के लिए तेजी से किया जा रहा है, क्योंकि उनमें कार्य-विशिष्ट प्रशिक्षण के बिना प्राकृतिक भाषा निर्देशों का पालन करने की क्षमता होती है। हालाँकि, इन मॉडल्स का प्रदर्शन उपयोग किए गए प्रॉम्प्ट्स (prompts) की गुणवत्ता पर अत्यधिक निर्भर करता है। RE डोमेन में, प्रॉम्प्ट डिजाइन अभी भी एक काफी हद तक मैनुअल, एड-हॉक प्रक्रिया है जो परीक्षण और त्रुटि (trial-and-error) तथा विशेषज्ञ अंतर्ज्ञान पर आधारित है। अनुकूलन (optimization) की इस कमी के कारण परिणाम असंगत, उप-इष्टतम होते हैं और पुनरुत्पादकता (reproducibility) को सीमित करते हैं। जबकि सामान्य नेचुरल लैंग्वेज प्रोसेसिंग (NLP) में ऑटोमैटिक प्रॉम्प्ट इंजीनियरिंग (APE) तकनीकें मौजूद हैं, RE जैसे डोमेन-विशिष्ट RE कार्यों के लिए उनकी प्रयोज्यता और शास्त्रीय प्रॉम्प्टिंग रणनीतियों की तुलना में उनकी प्रभावशीलता अभी भी अनहीखेली है। इसके अलावा, मौजूदा APE विधियों में उच्च कम्प्यूटेशनल लागत आती है, जो उन्हें संसाधन-सीमित वातावरण के लिए अनुपयुक्त बनाती है, जहाँ डेटा गोपनीयता अक्सर छोटे सर्वरों पर स्थानीय तैनाती (local deployment) की आवश्यकता पैदा करती है।

कार्यप्रणाली: BT-APE

लेखक BT-APE (Backtracking APE) प्रस्तावित करते हैं, जो एक कम्प्यूटेशनल रूप से हल्का ढांचा है जो प्रॉम्प्ट डिजाइन को एक अनुकूलन समस्या (optimization problem) के रूप में फ्रेम करता है। यह विधि LLM-जनित उम्मीदवारों, एक बैकट्रैकिंग सर्च रणनीति और डायनेमिक उदाहरण चयन का उपयोग करके प्रॉम्प्ट को पुनरावृत्ति (iteratively) के माध्यम से परिष्कृत करती है।

मुख्य वर्कफ़्लो

प्रक्रिया को तीन अलग-अलग पूल्स में विभाजित किए गए डेटासेट का उपयोग करके तीन चरणों में विभाजित किया गया है: उदाहरणों के नमूनाकरण के लिए एक पूल ( $D_{pool}$ ), एक वैलिडेशन सेट ( $D_{val}$ ), और एक होल्ड-आउट टेस्ट सेट ( $D_{test}$ )।

आरंभीकरण (Initialization): बेसलाइन स्थापित करने के लिए वैलिडेशन सेट पर एक प्रारंभिक प्रॉम्प्ट को स्कोर किया जाता है।
पुनरावृत्ति परिशोधन (Iterative Refinement):
- उम्मीदवार पीढ़ी (Candidate Generation): एक LLM वर्तमान प्रॉम्प्ट और एक संतुलित डायनेमिक उदाहरण बैच पर आधारित एक नया उम्मीदवार प्रॉम्प्ट प्रस्तावित करता है। यह बैच हर पुनरावृत्ति में $D_{pool}$ से एक सही ढंग से वर्गीकृत सकारात्मक (positive), एक सही ढंग से वर्गीकृत नकारात्मक (negative), एक गलत वर्गीकृत सकारात्मक, और एक गलत वर्गीकृत नकारात्मक उदाहरण को शामिल करने के लिए रिफ्रेश किया जाता है।
- मूल्यांकन (Evaluation): स्टोकेस्टिसिटी (stochasticity) को कम करने के लिए 3-रन मेजॉरिटी वोटिंग का उपयोग करके $D_{val}$ पर उम्मीदवारों को स्कोर किया जाता है।
- बाउंडेड बैकट्रैकिंग (Bounded Backtracking): केवल एक विफलता पर तुरंत पीछे हटने वाली विधियों के विपरीत, BT-APE सभी मूल्यांकित उम्मीदवारों की एक रैंक की गई सूची बनाए रखता है। यह एक कॉन्फ़िगर करने योग्य पेशन थ्रेशोल्ड (patience threshold) ( $X=3$ ) की निरंतर गैर-सुधार वाली पुनरावृत्तियों तक एक प्रक्षेपवक्र (trajectory) के साथ चलता है। उसके बाद ही, यह इतिहास के अगले-सर्वश्रेष्ठ प्रॉम्प्ट पर बैकट्रैक करता है, जिससे यह अनुत्पादक क्षेत्रों में फंसने से बच जाता है।
होल्ड-आउट मूल्यांकन (Held-out Evaluation): खोज के दौरान मिले सबसे अच्छे प्रॉम्प्ट का अंतिम, निष्पक्ष प्रदर्शन मेट्रिक प्रदान करने के लिए $D_{test}$ पर ठीक एक बार मूल्यांकन किया जाता है।

प्रमुख डिजाइन अंतर

BT-APE को PE2, जो एक स्टेट-ऑफ-द-आर्ट APE बेसलाइन है, के साथ स्पष्ट रूप से विरोधाभास में रखा गया है। हालांकि दोनों सिंगल-ट्रैजेक्टरी, हिस्ट्री-अवेयर विधियाँ हैं, BT-APE कम्प्यूटेशनल फुटप्रिंट को कम करने के लिए तीन प्रमुख तरीकों से भिन्न है:

बाउंडेड कॉन्टेक्स्ट (Bounded Context): PE2 शीर्ष- $n$ प्रॉम्प्ट्स के पूर्ण इतिहास पर आधारित होता है, जिससे इनपुट कॉन्टेक्स्ट रैखिक रूप से बढ़ता है। BT-APE केवल वर्तमान प्रॉम्प्ट और एक कॉम्पैक्ट, संतुलित बैच पर आधारित होता है, जिससे कॉन्टेक्स्ट का आकार सीमित रहता है।
संतुलित उदाहरण चयन (Balanced Example Selection): BT-APE एक सख्त चार-टुपल (सफलता/विफलता $\times$ क्लास) चयन लागू करता है, जबकि PE2 एक अनकन्स्ट्रेंड एरर बैच का उपयोग करता है।
स्पष्ट धैर्य (Explicit Patience): BT-APE बैकट्रैकिंग के लिए एक निश्चित धैर्य थ्रेशोल्ड का उपयोग करता है, जबकि PE2 गैर-सुधारों पर अधिक तुरंत प्रतिक्रिया देता है।

प्रयोगात्मक डिजाइन

अध्ययन BT-APE का मूल्यांकन निम्नलिखित के माध्यम से करता है:

डेटासेट्स: तीन बेंचमार्क RE डेटासेट्स: PROMISE (NFR), PROMISE-Refined, और SecReq।
मॉडेल्स: 7–8B पैरामीटर रेंज के पांच इंस्ट्रक्शन-ट्यून्ड LLMs (Qwen2, Falcon3, Granite-3.2, Ministral, LLaMA-3)।
बेसलाइन्स: चार शास्त्रीय प्रॉम्प्टिंग रणनीतियाँ (Zero-shot, Few-shot, Chain-of-Thought, CoT+Few-shot) और PE2 APE बेसलाइन।
आरंभीकरण वेरिएंट्स: दो आरंभीकरण रणनीतियों का परीक्षण किया गया: BT-APE-Uninformed (सरल, सहज परिभाषाएँ) और BT-APE-Informed (RE साहित्य से क्यूरेट की गई परिभाषाएँ)।

मुख्य परिणाम

शास्त्रीय बेसलाइन्स के विरुद्ध प्रदर्शन

BT-APE लगभग सभी डेटासेट और मॉडल संयोजनों में चारों शास्त्रीय प्रॉम्प्टिंग रणनीतियों को महत्वपूर्ण रूप से पछाड़ देता है।

सांख्यिकीय महत्व (Statistical Significance): शास्त्रीय बेसलाइन्स पर भारित F1 ($wF1 $) में औसत सुधार +0.049 से +0.143 तक है, जिसमें बड़े प्रभाव आकार ($ r \ge 0.50 $) और सांख्यिकीय महत्व ($ Holm-Bonferroni correction के बाद $p < 0.05$ ) है।
निरंतरता (Consistency): BT-APE 15 में से 11 मॉडल-डेटासेट कॉन्फ़िगरेशन में सर्वश्रेष्ठ शास्त्रीय बेसलाइन के बराबर या उससे बेहतर प्रदर्शन करता है।

PE2 (APE बेसलाइन) के विरुद्ध प्रदर्शन

सटीकता (Accuracy): BT-APE, PE2 के सांख्यिकीय रूप से अविभेद्य प्रदर्शन प्राप्त करता है (औसत अंतर $\Delta = +0.001$ , नगण्य प्रभाव आकार)। दोनों विधियाँ एक समान प्रदर्शन सीमा (performance ceiling) तक पहुँचती हैं।
दक्षता (Efficiency): समान सटीकता के बावजूद, BT-APE काफी अधिक कुशल है। यह PE2 की तुलना में लगभग 72% कम संचयी इनपुट टोकन और 66% कम वॉल-क्लॉक समय का उपभोग करता है। यह BT-APE को छोटे, संसाधन-सीमित, या एयर-गैप्ड सर्वरों पर तैनाती के लिए बेहतर बनाता है।

प्रॉम्प्ट फीचर विश्लेषण (RQ3)

उच्च-प्रदर्शन वाले प्रॉम्प्ट्स के विशिष्ट सहसंबंधों (correlates) को प्रकट करने के लिए एक लीनियर मिक्स्ड-इफेक्ट्स मॉडल विश्लेषण ने पाया:

सकारात्मक सहसंबंध (Positive Correlates): उच्च वर्ब काउंट (क्रिया-उन्मुख भाषा) और उच्च पंक्चुएशन मार्कर काउंट (संरचनात्मक स्पष्टता) बेहतर प्रदर्शन से जुड़े हैं।
नकारात्मक सहसंबंध (Negative Correlates): लंबे वाक्य/शब्द काउंट, उच्च लेक्सिकल डाइवर्सिटी (lexical diversity), और अधिक सिंटैक्टिक जटिलता कम प्रदर्शन से सह-संबंधित हैं।
सिमेंटिक ड्रिफ्ट (Semantic Drift): बड़े सिमेंटिक परिवर्तनों (सिमेंटिक ड्रिफ्ट) वाली पुनरावृत्तियाँ प्रदर्शन सुधार से जुड़ी हैं, जो सुझाव देती है कि सतही पैराफ्रेसिंग की तुलना में मौलिक संशोधन अधिक प्रभावी है।

आरंभीकरण का प्रभाव (RQ4)

इनफॉर्म्ड बनाम अनइनफॉर्म्ड (Informed vs. Uninformed): डोमेन-इनफॉर्म्ड क्लास डेफिनिशन (BT-APE-Informed) प्रदान करने से न्यूनतम, अनइनफॉर्म्ड डेफिनिशन (BT-APE-Uninformed) की तुलना में अंतिम प्रदर्शन में कोई सांख्यिकीय रूप से महत्वपूर्ण सुधार नहीं हुआ।
मजबूती (Robustness): पुनरावृत्ति अनुकूलन प्रक्रिया कमजोर प्रारंभिक प्रॉम्प्ट्स की भरपाई करने के लिए पर्याप्त मजबूत थी, जो किसी भी आरंभीकरण रणनीति के बावजूद तुलनीय अंतिम प्रदर्शन तक पहुँच गई।

महत्व और योगदान

पेपर तीन प्राथमिक योगदानों का दावा करता है:

एक हल्का APE ढांचा: BT-APE एक कम्प्यूटेशनल रूप से कुशल विकल्प प्रदान करता है, जो उल्लेखनीय रूप से कम संसाधन पदचिह्न (resource footprint) के साथ अत्याधुनिक सटीकता प्राप्त करता है। यह RE सेटिंग्स में स्वचालित प्रॉम्प्ट इंजीनियरिंग के अनुप्रयोग को सक्षम बनाता है जहाँ स्थानीय, निजी तैनाती की आवश्यकता होती है।
व्यवस्थित अनुभवजन्य मूल्यांकन: यह कार्य कई डेटासेट्स और LLMs में क्रॉस-ए-रिक्वायरमेंट्स क्लासिफिकेशन के लिए APE बनाम शास्त्रीय प्रॉम्प्टिंग की पहली व्यवस्थित तुलना प्रदान करता है। यह प्रदर्शित करता है कि APE बड़े प्रभाव आकारों के साथ RE कार्यों में मजबूती से स्थानांतरित होता है।
प्रॉम्प्ट विकास में अंतर्दृष्टि: अध्ययन प्रभावी प्रॉम्प्ट्स के विशिष्ट संरचनात्मक और अर्थ संबंधी गुणों (संक्षिप्त, क्रिया-उन्मुख, संरचनात्मक रूप से स्पष्ट) की पहचान करता है और दिखाता है कि अनुकूलन प्रक्रिया को सफल बनाने के लिए डोमेन-इनफॉर्म्ड आरंभीकरण अनिवार्य नहीं है।

लेखक BT-APE को एक व्यावहारिक समाधान के रूप में प्रस्तुत करते हैं जो उच्च प्रदर्शन वाले स्वचालित प्रॉम्प्ट अनुकूलन और वास्तविक दुनिया के RE वातावरण की संसाधन सीमाओं के बीच के अंतर को पाटता है। वे इसे अपनाने और आगे के शोध को सुविधाजनक बनाने के लिए एक इंटरैक्टिव टूल और एक रेप्लिकेशन पैकेज जारी करते हैं।