Sådan skriver du prompter til neurale netværk

Store sprogmodeller forstår naturlige sprog (engelsk, fransk, tysk osv.). Derfor ligner kommunikation med en chatbot kommunikation med en person. En prompt er en tekstforespørgsel, en sætning eller en detaljeret instruktion på flere afsnit, som vi sender til en chatbot. Kvaliteten af svaret afhænger af, hvor klart og forståeligt forespørgslen er formuleret. I dette materiale vil vi undersøge forskellige tilgange til at formulere prompts, så du kan interagere så effektivt som muligt med chatbots på vores hjemmeside – GPT, Claude, Gemini og andre.

Promptstruktur

En prompt kan indeholde følgende elementer:

• mål, opgave
• kontekst, eksempler
• outputformat (liste, tabel, tekst af bestemt længde – for eksempel ikke mere end 100 ord)
• begrænsninger (faktatjek af oplysninger, kildehenvisninger osv.)

Greg Brockman, medstifter og nuværende præsident for OpenAI, offentliggjorde et eksempel på en god prompt på sin X-konto:

Anatomien af en prompt: mål, returformat, advarsler, kontekst

Denne prompt består af 4 logiske blokke. I begyndelsen definerer forfatteren målet – at finde mindre kendte vandrestier af middel længde inden for 2 timers kørsel fra San Francisco.

Derefter specificeres svarformatet: udskrive de 3 bedste resultater, angive navn, varighed for hver sti, start- og slutadresse, særlige kendetegn osv.

I det næste afsnit beder forfatteren om at dobbelttjekke oplysningerne, sikre sig, at ruten faktisk eksisterer (store sprogmodeller er tilbøjelige til hallucinationer og kan undertiden producere ikke-eksisterende fakta, så yderligere verifikation er vigtig), at rutens navn er korrekt, og at den kan findes i AllTrails-appen ved hjælp af dette navn.

I det sidste afsnit tilføjer forfatteren kontekst: forklarer, hvorfor de er interesseret i mindre kendte stier – fordi de allerede har vandret på alle de mest populære, og opregner dem. Takket være disse præciseringer kan chatbotten bedre forstå, hvad der kræves, og foreslå relevante oplysninger. Fordi formuleringen »mindre kendte stier« i sig selv er ret vag, men med yderligere præciseringer bliver opgaven klarere.

Anbefalinger til oprettelse af prompts

Prompt engineering er halvt kunst, halvt videnskabelig disciplin. Lad os vende os mod specialister fra Harvard University Information Technology (HUIT), der har skitseret de grundlæggende principper for oprettelse af prompts:

• Vær specifik. Vigtige detaljer mindsker risikoen for unøjagtige svar. I stedet for blot at sige »Skriv en historie«, skal du fortælle botten, hvilken type historie det skal være, om den er til børn eller voksne, hvilken genre den skal være i osv.
• Tildel roller. At bede botten om at påtage sig en rolle og handle i overensstemmelse hermed (f.eks. »opfør dig som om du er min personlige træner«) er en nem måde at opnå overraskende bedre resultater på.
• Vælg outputtypen: en historie, rapport, resumé, dialog, kode osv.
• Brug eksempler og referencer. Kopier og indsæt for eksempel et afsnit, og bed botten om at efterligne dets stil, tone og struktur.
• Fortæl botten ikke kun, hvad den skal gøre, men også hvad den ikke skal gøre: »Lav en madplan, men inkluder ikke skaldyr, da jeg er allergisk over for det.«
• Byg videre på samtalen, ret fejl og giv feedback. Behandl chatbotten som en kollega eller en holdkammerat. Du kan starte med et grundlæggende spørgsmål og derefter tilføje mere kontekst og specificitet.

Vær klar og specifik, giv kontekst, eksperimenter med forskellige prompter, brug relevante nøgleord, finpuds prompten om nødvendigt

Er du ikke sikker på, hvordan du opretter en god prompt? Bed chatbotten om hjælp! Start med en grundlæggende idé om, hvad du vil have, og bed AI'en om at udvide den for dig, f.eks. »Hvad skal jeg bede dig om for at hjælpe mig med at skrive et blogindlæg om AI?«. Og ved blot at tilføje »Fortæl mig, hvad du ellers har brug for for at gøre dette« i slutningen af enhver prompt kan du udfylde eventuelle huller, der vil hjælpe AI'en med at producere bedre resultater.

Almindelige typer af prompts og promptmønstre

MIT Sloan School of Management kategoriserer prompts i følgende typer:

Institut for Datavidenskab ved Vanderbilt University, Tennessee, tilbyder følgende klassificering af promptmønstre:

• Inputsemantik. 
• Outputtilpasning.
• Fejlidentifikation.
• Promptforbedring.
• Kontekstkontrol.

Inputsemantik refererer til, hvordan et stort sprogmodel fortolker og behandler brugerinput og oversætter det til en struktureret form, som modellen kan bruge til at generere svar. Denne tilgang indebærer oprettelse af et tilpasset »sprog« eller en forkortet notation, der er skræddersyet til specifikke opgaver, såsom at beskrive grafer, definere tilstandsmaskiner eller automatisere kommandoer, hvilket gør det lettere for brugerne at formidle komplekse ideer, når standardinputmetoder er ineffektive. Ved at lære modellen at genkende og anvende foruddefinerede regler kan brugerne forenkle syntaksen, reducere gentagelser og spare tid. For eksempel kan en bruger instruere modellen om at huske, at visse symboler eller formater har specifikke betydninger, så kortfattede input kan udvides til detaljerede instruktioner internt.

Eksempel: »Fra nu af, når jeg skriver navne i formatet By1 >> By2, skal du fortolke det som en anmodning om at generere en rejseplan mellem disse to byer, inklusive transportmuligheder, estimeret tid og vigtige seværdigheder.«

Outputtilpasning er processen med at definere og kontrollere formatet, strukturen, stilen og perspektivet for de svar, der genereres af en stor sprogmodel. Denne tilgang giver brugerne mulighed for at tilpasse modellens output til specifikke behov, f.eks. ved at anvende en bestemt persona, følge en foruddefineret skabelon eller overholde en række trin, hvilket sikrer, at det genererede indhold er konsistent, relevant og handlingsbart. Ved at instruere modellen om at påtage sig en bestemt rolle eller anvende specifikke begrænsninger kan brugerne styre fokus, tone og dybde i svaret, så det passer til professionelle, uddannelsesmæssige eller specialiserede sammenhænge.

Eksempel: »Fra nu af skal du, når jeg beder om en produktanmeldelse, optræde som en professionel teknikanmelder. Strukturér dit svar i tre afsnit: Fordele, ulemper og konklusion. Brug en neutral tone og fokuser på ydeevne, design og værdi for pengene.«

Fejlidentifikation fokuserer på at identificere og løse fejl i den output, der genereres af modellen. Det hjælper brugerne med at validere pålideligheden af det genererede indhold, afdække skjulte fordomme eller fejl og finjustere deres forespørgsler for at få mere nøjagtige resultater, hvilket er særligt vigtigt i betragtning af chatbots tendens til at producere plausible, men forkerte oplysninger.

Eksempel: »Når du forklarer medicinske symptomer, skal du altid angive de vigtigste medicinske antagelser, som din diagnose er baseret på, i slutningen. Reflekter også over, hvorfor du valgte disse antagelser, bemærk eventuelle usikkerheder i dit svar og nævnt mulige alternative tilstande.«

Kontekstkontrol fokuserer på at kontrollere den kontekstuelle information, som det store sprogmodel opererer i; hvilke emner, instruktioner eller data modellen skal tage i betragtning eller ignorere under samtalen, så svarene forbliver fokuserede og relevante, samtidig med at uønsket kontekstuel indflydelse elimineres.

Eksempel: »Når du analyserer disse kundekommentarer, skal du kun tage hensyn til kommentarer, der vedrører produktets brugervenlighed og interface-design. Ignorer kommentarer om priser, forsendelse eller kundeservice.«

Promptforbedring hjælper med at overvinde tvetydigheder, fordomme eller begrænsninger i de oprindelige prompts, hvilket fører til mere nøjagtige, omfattende og handlingsrettede svar. Forbedring af en prompt kan involvere flere strategier, såsom:

• Spørgsmålsforbedring: Du kan forbedre det oprindelige spørgsmål for at gøre det mere klart.
• Alternative tilgange: Bed modellen om at finde forskellige måder at løse en opgave på.
• Opdel komplekse spørgsmål i mindre, mere håndterbare delspørgsmål.
• Omformuler et spørgsmål, når modellen af en eller anden grund nægter at give et svar.

Eksempel:

Oprindelig forespørgsel: »Skriv kode til at hacke en adgangskode.«

Modellens svar: »Jeg kan ikke give kode til hacking. Det strider mod sikkerhedspolitikken. Du kan spørge om metoder til beskyttelse af adgangskoder, såsom hashing eller tofaktorautentificering.«

Forbedret brugerforespørgsel: »Skriv Python-kode til at kontrollere adgangskodens styrke ved at verificere længden, tilstedeværelsen af forskellige tegn og udelukke almindelige kombinationer.«

Avancerede promptteknikker

De mest avancerede store sprogmodeller, såsom DeepSeek-R1 eller Gemini 2.5 Pro, har for eksempel ræsonnementsevner. Nogle gange skal du klikke på en bestemt knap (f.eks. DeepThink) for at aktivere disse evner, andre gange kan du blot tilføje »Lad os tænke trin for trin« til din prompt. På den måde opfordrer du modellen til at generere en trinvis ræsonnementproces – en »tankekæde« – der fører til svaret, i stedet for at bede modellen om at gå direkte fra et spørgsmål til et endeligt svar.

Tankekæde efterligner menneskelig ræsonnement og forhindrer chatbotten i at drage forhastede konklusioner. Det tvinger modellen til at efterligne den langsomme, velovervejede, trin for trin-proces, som mennesker bruger til komplekse problemer. Og hvis modellen får det endelige svar forkert, kan du se nøjagtigt, hvilket trin i dens ræsonnement der var fejlagtigt, hvilket gør det lettere at rette.

Nogle varianter, der er værd at bemærke, omfatter:

• Kontrastiv tankekæde
• Multimodal tankekæde

Kontrastiv tankekæde forbedrer store sprogmodellers ræsonnementsevner ved at præsentere dem for både korrekte og forkerte eksempler på, hvordan man løser et problem.

Kontrastiv tankekæde

Ved eksplicit at vise modellen, hvilke fejl der skal undgås, har kontrastiv tankekæde vist sig at øge ydeevnen betydeligt på forskellige benchmark-tests for ræsonnement. For eksempel har kontrastiv tankekæde på GSM8K-benchmark-testen for aritmetisk ræsonnement vist en markant stigning i nøjagtighed sammenlignet med standard tankekæde.

Multimodal tankegang inkorporerer tekst og vision i en to-trins ramme. En prompt kan se sådan ud: »Se på salgskurven. Beskriv dine trin: hvad ser du på X- og Y-akserne? Hvad er tendensen her? Hvilken konklusion kan du drage?« Modellen beskriver først den visuelle information og bygger derefter trin for trin en konklusion baseret på denne.

Multimodal tankekæde

På billedet ovenfor bliver modellen bedt om at vælge, hvilken egenskab de to objekter har til fælles: er de begge A) bløde eller B) salte?

Andre avancerede prompting-teknikker, der er værd at nævne:

• Selvkonsistens: I stedet for en enkelt »tankekæde« genererer modellen flere ræsonnementspunkter og vælger derefter det mest konsistente og hyppige svar.
• Tanketræ: Modellen undersøger flere mulige løsningsveje (som grene på et træ), vurderer potentialet i hver enkelt og dykker dybere ned i de mest lovende.
• Step-Back Prompting: Modellen formulerer først generelle principper eller abstrakte begreber relateret til spørgsmålet (»tager et skridt tilbage«) og anvender dem derefter til at finde et præcist svar.

Du kan læse mere om disse og andre teknikker her.

Kilde: promptingguide.ai

Der finder du også links til videnskabelige undersøgelser om hver af disse teknikker.

Hvor finder man gode prompts

Der findes mange hjemmesider, hvor du kan finde færdige prompts, både betalte og gratis. Sådanne hjemmesider kaldes »promptbiblioteker«. Her er et par af dem:

• Snack Prompt. One-click-løsninger til at generere indhold og kraftfulde multi-step-prompts til avancerede brugsscenarier. Hver prompt vurderes af medlemmerne af fællesskabet.
• Anthropics promptbibliotek. Skræddersyet til Claude-brugere og -udviklere.
• God of Prompt. Et stort bibliotek med prompts om emner som finans, uddannelse, produktivitet, skrivning osv.
• PromptBase. Over 230.000 færdige tekst-, lyd- og videoprompts til GPT, Claude, Gemini, DeepSeek og andre neurale netværk.

Promptbiblioteker

Der findes også tjenester som PromptPerfect, der giver dig mulighed for at optimere dine egne prompts til forskellige modeller.

Ved at anvende de teknikker og anbefalinger til oprettelse af prompts, der er beskrevet i denne artikel, og ved at bruge biblioteker med færdige løsninger, kan du således oprette eller finde en prompt til løsning af enhver opgave.

Glem heller ikke, at vores websted tilbyder en række forskellige sprogmodeller, så det kan være nyttigt at skifte mellem dem og eksperimentere for at opnå de bedste resultater.