Hogyan kell promptokat írni neurális hálózatokhoz

A nagy nyelvi modellek megértik a természetes nyelveket (angol, francia, német stb.). Ezért a chatbottal való kommunikáció hasonló a személyes kommunikációhoz. A prompt egy szöveges lekérdezés, kifejezés vagy több bekezdésből álló részletes utasítás, amelyet a chatbotnak küldünk. A válasz minősége attól függ, hogy a lekérdezés mennyire világos és érthető. Ebben az anyagban különböző megközelítéseket vizsgálunk a promptok összeállításához, hogy a lehető leghatékonyabban tudjon kommunikálni a weboldalunkon található chatbotokkal – GPT, Claude, Gemini és mások.

A prompt felépítése

A prompt a következő elemeket tartalmazhatja:

cél, feladat
kontextus, példák
kimeneti formátum (lista, táblázat, meghatározott hosszúságú szöveg – például legfeljebb 100 szó)
korlátozások (tények ellenőrzése, források megjelölése stb.)

Greg Brockman, az OpenAI társalapítója és jelenlegi elnöke, egy jó prompt példáját tette közzé X-fiókján:

A prompt felépítése: cél, visszatérési formátum, figyelmeztetések, kontextus

Ez a prompt 4 logikai blokkból áll. Az elején a szerző meghatározza a célt: kevésbé ismert, közepes hosszúságú túraútvonalakat találni San Franciscótól 2 órányi autóútra.

Ezután meghatározza a válasz formátumát: adja ki a 3 legjobb eredményt, jelölje meg az egyes útvonalak nevét, hosszát, kezdő és végpontját, jellegzetességeit stb.

A következő szakaszban a szerző kéri, hogy ellenőrizzék az információkat, győződjenek meg arról, hogy az ösvény valóban létezik (a nagy nyelvi modellek hajlamosak hallucinációkra, és néha nem létező tényeket állíthatnak elő, ezért fontos a további ellenőrzés), hogy az ösvény neve helyes, és hogy ez a név alatt megtalálható az AllTrails alkalmazásban.

Az utolsó blokkban a szerző kontextust ad hozzá: elmagyarázza, miért érdeklik őt kifejezetten a kevésbé ismert túraútvonalak – mert a legnépszerűbbeket már mind bejárta, és felsorolja azokat. Ezeknek a pontosításoknak köszönhetően a chatbot jobban megérti, mi a feladat, és releváns információkat tud javasolni. Mivel a „kevésbé ismert túraútvonalak” kifejezés önmagában meglehetősen homályos, de a további pontosításokkal a feladat egyértelműbbé válik.

Ajánlások a promptok létrehozásához

A promptok tervezése félig művészet, félig tudományos diszciplína. Forduljunk a Harvard University Information Technology (HUIT) szakértőihez, akik felvázolták a promptok létrehozásának alapelveit:

Legyen konkrét. A fontos részletek csökkentik a pontatlan válaszok esélyét. Ahelyett, hogy egyszerűen azt mondaná: „Írj egy történetet”, mondja el a botnak, hogy milyen történet legyen, gyerekeknek vagy felnőtteknek szóljon, milyen műfajba tartozzon, stb.
Rendeljen szerepeket. Ha megkéri a botot, hogy vállaljon egy szerepet és annak megfelelően viselkedjen (például: „viselkedj úgy, mintha az én személyi edzőm lennél”), meglepően jobb eredményeket érhet el.
Válassza ki a kimeneti típust: történet, jelentés, összefoglaló, párbeszéd, kód stb.
Használjon példákat és hivatkozásokat. Például másoljon be egy bekezdést, és kérje meg a botot, hogy utánozza annak stílusát, hangnemét és szerkezetét.
Ne csak azt mondja meg a botnak, hogy mit tegyen, hanem azt is, hogy mit ne tegyen: „készítsen étkezési tervet, de ne tegyen bele kagylót, mert allergiás vagyok rá”.
Építsen a beszélgetésre, javítsa ki a hibákat, és adjon visszajelzést. Kezelje a chatbotot úgy, mint egy kollégát vagy csapattársat. Kezdhet egy alapvető kérdéssel, majd hozzáadhat további kontextust és konkrétumokat.

Legyen világos és konkrét, adjon kontextust, kísérletezzen különböző promptokkal, használjon releváns kulcsszavakat, szükség esetén finomítsa a promptot

Nem tudja, hogyan készítsen jó promptot? Kérjen segítséget a chatbottól! Kezdje egy alapvető ötlettel, amit szeretne, és kérje meg az AI-t, hogy bővítse ki azt, például: „Mit kérjek tőled, hogy segíts nekem egy blogbejegyzést írni az AI-ről?”. Ha pedig egyszerűen csak hozzáadja a „Mondd meg, mire van még szükséged ehhez” kifejezést a prompt végéhez, az kitöltheti az esetleges hiányosságokat, ami segít az AI-nak jobb eredményeket produkálni.

Gyakori prompt-típusok és prompt-minták

Az MIT Sloan School of Management a promptokat a következő típusokba sorolja:

Típus	Leírás	Példa
Zero-Shot Prompt	Adjon egyszerű és egyértelmű utasításokat példák nélkül. Nagyon gyors és könnyű megírni, ideális egy ötlet vagy egy modell képességeinek gyors tesztelésére egy új feladatban	„Összefoglalja ezt a cikket 5 pontban.”
Few-Shot Prompt	Adjon meg néhány példát arra, hogy mit szeretne, hogy az AI utánozzon. Nem triviális feladatok esetén gyakran konzisztensebb és helyesebb eredményeket ad, mint a zero-shot.	„Íme 2 példa összefoglalóra. Írjon egy harmadikat ugyanebben a stílusban.”
Utasítás	Tegyen bele közvetlen utasításokat olyan igékkel, mint összefoglalni, lefordítani, átírni, osztályozni, írni, magyarázni stb.	„Írja át a következő e-mailt, hogy tömörebb és professzionálisabb legyen. Ne haladja meg a 100 szót.”
Szerepkör alapú prompt	Kérje meg az AI-t, hogy vegyen fel egy adott személyiséget vagy nézőpontot. A modell a szerep szemszögéből szűri tudását, így célzottabb és alkalmazhatóbb információkat nyújt.	„Viselkedj úgy, mint egy barátságos középiskolai természettudomány-tanár. A feladatod, hogy elmagyarázd, mi az a blokklánc egy 15 évesekből álló osztálynak. Használj egyszerű analógiákat, és kerülj a szakzsargon használatát.”
Kontextusos prompt	A kérdés feltevése előtt adjon meg releváns háttérinformációkat vagy keretet. Ez segít az AI-nek a válaszokat egy adott közönséghez vagy környezethez igazítani.	„Ez a szöveg egy viselkedési közgazdaságtanról szóló egyetemi kurzushoz készült. Fogalmazza át egyszerűbb nyelven.”
Meta prompt / Rendszer prompt	Rendszer szintű utasítások, amelyek meghatározzák az AI viselkedését, hangnemét vagy hatókörét, mielőtt a felhasználó bármilyen adatot megadna.	„Mindig formálisan válaszolj és hivatkozz valódi forrásokra. Soha ne találgass. ”

A Tennessee állambeli Vanderbilt Egyetem Informatikai Tanszéke a következő osztályozást kínálja a prompt mintákra vonatkozóan:

Bemeneti szemantika.
Kimeneti testreszabás.
Hibaazonosítás.
Prompt javítás.
Kontextusvezérlés.

A bemeneti szemantika arra utal, hogy egy nagy nyelvi modell hogyan értelmezi és dolgozza fel a felhasználói bemenetet, és fordítja azt strukturált formába, amelyet a modell válaszok generálásához használhat. Ez a megközelítés magában foglalja egy egyedi „nyelv” vagy rövidített jelölés létrehozását, amely konkrét feladatokhoz igazodik, például grafikonok leírásához, állapotgépek definiálásához vagy parancsok automatizálásához, így a felhasználók könnyebben tudják átadni komplex ötleteiket, amikor a standard bemeneti módszerek nem hatékonyak. A modellnek előre meghatározott szabályok felismerésére és alkalmazására való tanításával a felhasználók egyszerűsíthetik a szintaxist, csökkenthetik az ismétléseket és időt takaríthatnak meg. Például a felhasználó utasíthatja a modellt, hogy jegyezze meg, hogy bizonyos szimbólumok vagy formátumok konkrét jelentéssel bírnak, így a tömör bemenetek belsőleg részletes utasításokká bővíthetők.

Példa: „Mostantól, amikor City1 >> City2 formátumban írok neveket, értelmezd azt úgy, hogy utazási útvonalat kell generálni a két város között, beleértve a közlekedési lehetőségeket, a becsült időt és a főbb látnivalókat.”

A kimenet testreszabása az a folyamat, amelynek során meghatározzák és ellenőrzik a nagy nyelvi modell által generált válaszok formátumát, szerkezetét, stílusát és perspektíváját. Ez a megközelítés lehetővé teszi a felhasználók számára, hogy a modell kimenetét konkrét igényeikhez igazítsák, például egy adott személyiséget vegyenek fel, egy előre meghatározott sablont kövessenek, vagy egy lépéssorozatot tartsanak be, biztosítva ezzel, hogy a generált tartalom konzisztens, releváns és megvalósítható legyen. Azáltal, hogy a modellt egy bizonyos szerep felvételére vagy konkrét korlátozások alkalmazására utasítják, a felhasználók irányíthatják a válasz fókuszát, hangnemét és mélységét, így az alkalmas lesz szakmai, oktatási vagy speciális kontextusokra.

Példa: „Mostantól, amikor termékértékelést kérek, viselkedj úgy, mint egy professzionális technikai értékelő. A válaszodat három részre oszd: előnyök, hátrányok és végső ítélet. Használj semleges hangnemet, és összpontosíts a teljesítményre, a kialakításra és az ár-érték arányra.”

Hibaazonosítás a modell által generált kimenetben található hibák azonosítására és kijavítására összpontosít. Segít a felhasználóknak ellenőrizni a generált tartalom megbízhatóságát, feltárni a rejtett elfogultságokat vagy hibákat, és finomítani a lekérdezéseiket a pontosabb eredmények érdekében, ami különösen fontos, mivel a csevegőrobotok hajlamosak hihető, de helytelen információkat generálni.

Példa: „Orvosi tünetek magyarázatakor mindig sorolja fel a végén azokat a legfontosabb orvosi feltételezéseket, amelyekre a diagnózisa épül. Gondolkodjon el azon is, miért választotta ezeket a feltételezéseket, jegyezze fel a válaszában szereplő bizonytalanságokat, és említsen meg lehetséges alternatív állapotokat.”

A kontextus-vezérlés a nagy nyelvi modell működésének kontextusinformációinak vezérlésére összpontosít; arra, hogy a modell mely témákat, utasításokat vagy adatokat vegye figyelembe vagy hagyjon figyelmen kívül a beszélgetés során, biztosítva, hogy a válaszok fókuszáltak és relevánsak maradjanak, miközben kiküszöböli a nem kívánt kontextusbeli hatásokat.

Példa: „Ezen ügyfél-visszajelzések elemzésekor csak a termék használhatóságával és a felület kialakításával kapcsolatos megjegyzéseket vegye figyelembe. Az árakkal, szállítással vagy ügyfélszolgálattal kapcsolatos megjegyzéseket hagyja figyelmen kívül.”

A prompt javítása segít leküzdeni az eredeti promptok kétértelműségeit, elfogultságait vagy korlátait, ami pontosabb, átfogóbb és megvalósíthatóbb válaszokhoz vezet. A prompt javítása több stratégiát is magában foglalhat, például:

Kérdés finomítása: finomíthatja az eredeti kérdést, hogy egyértelműbbé tegye.
Alternatív megközelítések: kérje meg a modellt, hogy találjon különböző módszereket egy feladat megoldására.
Bonyolult kérdések kisebb, könnyebben kezelhető alkérdésekre bontása.
A kérdés átfogalmazása, ha a modell valamilyen okból nem hajlandó válaszolni.

Példa:
Eredeti kérdés: „Írj kódot a jelszó feltöréséhez.”
A modell válasza: „Nem adhatok meg kódot feltöréshez. Ez sérti a biztonsági irányelveket. Kérdezhet a jelszóvédelmi módszerekről, például a hash-ről vagy a kétfaktoros hitelesítésről.”
Javított felhasználói kérdés: „Írj Python kódot a jelszó erősségének ellenőrzéséhez a hosszúság, a különböző karaktertípusok jelenléte és a gyakori kombinációk kizárása alapján.”

Fejlett prompting technikák

A legfejlettebb nagy nyelvi módok, mint például a DeepSeek-R1 vagy a Gemini 2.5 Pro, rendelkeznek érvelési képességekkel. Néha egy adott gombra kell kattintani (például DeepThink), például) gombra kell kattintani az említett képességek aktiválásához, máskor pedig egyszerűen hozzáadhatja a „Gondolkodjunk lépésről lépésre” kifejezést a promptjához. Így ahelyett, hogy a modellt arra kérné, hogy közvetlenül a kérdéstől a végső válaszig haladjon, arra ösztönzi, hogy lépésről lépésre gondolkodási folyamatot – „gondolkodási láncot” – generáljon, amely a válaszhoz vezet.

A gondolatlánc utánozza az emberi gondolkodást, és megakadályozza, hogy a chatbot elhamarkodott következtetéseket vonjon le. Arra kényszeríti a modellt, hogy utánozza azt a lassú, átgondolt, lépésről lépésre haladó folyamatot, amelyet az emberek komplex problémák megoldásához alkalmaznak. Ha pedig a modell téves végső választ ad, pontosan láthatjuk, hogy a gondolkodási folyamat melyik lépése volt hibás, így könnyebb kijavítani.

Néhány említésre méltó változat:

Kontrasztív gondolkodási lánc
Multimodális gondolkodási lánc

A kontrasztív gondolkodási lánc javítja a nagy nyelvi modellek gondolkodási képességeit azáltal, hogy helyes és helytelen példákat mutat be nekik egy probléma megoldására.

Kontrasztív gondolkodási lánc

A kontrasztív gondolkodási lánc, amely kifejezetten megmutatja a modellnek, hogy milyen hibákat kell elkerülnie, jelentősen javítja a teljesítményt különböző érvelési benchmarkok esetében. Például a GSM8K aritmetikai érvelési benchmarkon a kontrasztív gondolkodási lánc jelentős pontosságnövekedést mutatott a standard gondolkodási lánchoz képest.

A multimodális gondolkodási lánc a szöveget és a látást egy kétlépcsős keretrendszerbe integrálja. Egy prompt így nézhet ki: „Nézd meg az eladási táblázatot. Írd le a lépéseidet: mit látsz az X és Y tengelyeken? Mi a tendencia itt? Milyen következtetést vonhatsz le?” A modell először leírja a vizuális információkat, majd lépésről lépésre építi fel a következtetést.

Multimodális gondolati lánc

A fenti képen a modellt arra kérik, hogy válassza ki, melyik tulajdonság közös a két tárgyban: mindkettő A) puha, vagy B) sós?

Egyéb említésre méltó fejlett prompting technikák:

Összhang: Egyetlen „gondolkodási lánc” helyett a modell több gondolkodási utat generál, majd kiválasztja a legkövetkezetesebb és leggyakoribb választ.
Gondolatfa: A modell több lehetséges megoldási utat vizsgál (mint egy fa ágai), értékeli mindegyik ígéretességét, majd a legígéretesebbeket mélyebben is megvizsgálja.
Visszalépéses ösztönzés: A modell először megfogalmazza a kérdéssel kapcsolatos általános elveket vagy absztrakt fogalmakat („visszalép”), majd ezeket alkalmazza a pontos válasz megtalálásához.

Ezekről és más technikákról többet megtudhat itt.

Forrás: promptingguide.ai

Ott megtalálhatók az egyes technikákról szóló tudományos tanulmányok linkjei is.

Hol találhatók jó promptok

Számos weboldal létezik, ahol kész promptokat találhatunk, fizetős és ingyenes formában egyaránt. Az ilyen weboldalakat „prompt könyvtáraknak” nevezik. Íme néhány közülük:

Snack Prompt. Egy kattintással megoldások tartalom generálásához, valamint hatékony, több lépésből álló promptok haladó felhasználási esetekhez. Minden promptot a közösség tagjai értékelnek.
Anthropic prompt könyvtár. Claude felhasználók és fejlesztők számára készült.
God of Prompt. Hatalmas prompt-könyvtár olyan témákban, mint a pénzügyek, az oktatás, a termelékenység, az írás stb.
PromptBase. Több mint 230 000 kész szöveges, hang- és videó prompt GPT, Claude, Gemini, DeepSeek és más neurális hálózatokhoz.

Prompt könyvtárak

Vannak olyan szolgáltatások is, mint például a PromptPerfect, amelyek lehetővé teszik a saját promptok optimalizálását különböző modellekhez.

Így, a cikkben leírt promptok létrehozására vonatkozó technikák és ajánlások alkalmazásával, valamint a kész megoldások könyvtárainak felhasználásával bármilyen feladat megoldásához létrehozhat vagy megtalálhat egy promptot.

Ne felejtsd el, hogy weboldalunk számos különböző nyelvi modellt kínál, ezért hasznos lehet közöttük váltani és kísérletezni a legjobb eredmények elérése érdekében.