Hvordan skrive prompts for nevrale nettverk

Store språkmodeller forstår naturlige språk (engelsk, fransk, tysk osv.). Derfor er kommunikasjon med en chatbot lik kommunikasjon med en person. En prompt er en tekstforespørsel, setning eller detaljert instruksjon på flere avsnitt som vi sender til en chatbot. Kvaliteten på svaret avhenger av hvor klart og forståelig forespørselen er formulert. I dette materialet vil vi se på ulike tilnærminger til å formulere prompts, slik at du kan kommunisere så effektivt som mulig med chatbotene på nettstedet vårt – GPT, Claude, Gemini og andre.

Promptstruktur

En prompt kan inneholde følgende elementer:

• mål, oppgave
• kontekst, eksempler
• utdataformat (liste, tabell, tekst av bestemt lengde – for eksempel ikke mer enn 100 ord)
• begrensninger (faktasjekking av informasjon, kildehenvisninger osv.)

Greg Brockman, medstifter og nåværende president i OpenAI, publiserte et eksempel på en god prompt på sin X-konto:

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

Denne prompten består av fire logiske blokker. I begynnelsen definerer forfatteren målet – å finne mindre kjente turstier av middels lengde innenfor en 2-timers kjøretur fra San Francisco.

Deretter spesifiseres svarformatet: vis de tre beste resultatene, angi navn, varighet for hver sti, start- og sluttadresse, særtrekk osv.

I neste seksjon ber forfatteren om å dobbeltsjekke informasjonen, sørge for at stien faktisk eksisterer (store språkmodeller er utsatt for hallusinasjoner og kan noen ganger produsere ikke-eksisterende fakta, så ekstra verifisering er viktig), at stienavnet er riktig, og at den kan finnes i AllTrails-appen ved hjelp av dette navnet.

I den siste blokken legger forfatteren til kontekst: forklarer hvorfor de er spesielt interessert i mindre kjente stier – fordi de allerede har vandret alle de mest populære, og lister dem opp. Takket være disse avklaringene kan chatboten bedre forstå hva som kreves og foreslå relevant informasjon. Fordi ordlyden «mindre kjente stier» i seg selv er ganske vag, men med tilleggsforklaringer blir oppgaven klarere.

Anbefalinger for å lage spørsmål

Spørsmålsteknikk er halvt kunst, halvt vitenskap. La oss se på spesialister fra Harvard University Information Technology (HUIT), som skisserte de grunnleggende prinsippene for å lage spørsmål:

• Vær spesifikk. Viktige detaljer reduserer sjansen for unøyaktige svar. I stedet for bare å si «Skriv en historie», fortell boten hva slags historie det skal være, om den er for barn eller voksne, hvilken sjanger den skal være i og så videre.
• Tildel roller. Å be boten om å ta på seg en rolle og opptre deretter (for eksempel «oppfør deg som om du er min personlige trener») er en enkel måte å få overraskende bedre resultater på.
• Velg utdatatype: en historie, rapport, sammendrag, dialog, kode osv.
• Bruk eksempler og referanser. Kopier og lim inn et avsnitt, og be boten om å etterligne stilen, tonen og strukturen.
• Fortell boten ikke bare hva den skal gjøre, men også hva den ikke skal gjøre: «Lag en måltidsplan, men ikke inkluder skalldyr, siden jeg er allergisk mot det.»
• Bygg videre på samtalen, rett feil og gi tilbakemelding. Behandle chatboten som en kollega eller en lagkamerat. Du kan starte med et grunnleggende spørsmål, og deretter legge til mer kontekst og spesifisitet.

Vær tydelig og spesifikk, gi kontekst, eksperimenter med forskjellige spørsmål, bruk relevante nøkkelord, finpuss spørsmålet om nødvendig

Er du usikker på hvordan du lager en god prompt? Be chatboten om hjelp! Begynn med en grunnleggende idé om hva du ønsker, og be AI-en om å utvide den for deg, for eksempel «Hva skal jeg be deg om for å hjelpe meg med å skrive et blogginnlegg om AI?». Og ved å bare legge til «Fortell meg hva annet du trenger for å gjøre dette» på slutten av en prompt, kan du fylle ut eventuelle hull som vil hjelpe AI-en med å produsere bedre resultater.

Vanlige typer spørsmål og spørsmålsmaler

MIT Sloan School of Management kategoriserer spørsmål i følgende typer:

Institutt for informatikk ved Vanderbilt University i Tennessee tilbyr følgende klassifisering av spørsmålsmaler:

• Inndatasemantikk. 
• Tilpasning av utdata.
• Feilidentifisering.
• Forbedring av prompt.
• Kontekstkontroll.

Inndatasemantikk refererer til hvordan et stort språkmodell tolker og behandler brukerinndata, og oversetter det til en strukturert form som modellen kan bruke til å generere svar. Denne tilnærmingen innebærer å lage et tilpasset " språk» eller en forkortet notasjon som er tilpasset spesifikke oppgaver, for eksempel å beskrive grafer, definere tilstandsmaskiner eller automatisere kommandoer, noe som gjør det enklere for brukere å formidle komplekse ideer når standard inndatametoder er ineffektive. Ved å lære modellen å gjenkjenne og anvende forhåndsdefinerte regler, kan brukerne forenkle syntaksen, redusere repetisjoner og spare tid. For eksempel kan en bruker instruere modellen om å huske at visse symboler eller formater har spesifikke betydninger, slik at konsise inndata kan utvides til detaljerte instruksjoner internt.

Eksempel: «Fra nå av, når jeg skriver navn i formatet By1 >> By2, tolk det som en forespørsel om å generere en reiseplan mellom disse to byene, inkludert transportalternativer, estimert tid og viktige attraksjoner.»

Tilpasning av utdata er prosessen med å definere og kontrollere formatet, strukturen, stilen og perspektivet til svarene som genereres av et stort språkmodell. Denne tilnærmingen gjør det mulig for brukere å tilpasse modellens utdata til spesifikke behov, for eksempel å adoptere en bestemt persona, følge en forhåndsdefinert mal eller følge en sekvens av trinn, slik at det genererte innholdet blir konsistent, relevant og handlingsrettet. Ved å instruere modellen om å innta en bestemt rolle eller anvende spesifikke begrensninger, kan brukerne styre fokus, tone og dybde i svaret, slik at det passer for profesjonelle, pedagogiske eller spesialiserte sammenhenger.

Eksempel: «Fra nå av, når jeg ber om en produktanmeldelse, skal du opptre som en profesjonell teknikanmelder. Strukturér svaret ditt i tre seksjoner: Fordeler, ulemper og konklusjon. Bruk en nøytral tone og fokuser på ytelse, design og pris/kvalitet.»

Feilidentifisering fokuserer på å identifisere og løse feil i utdataene som genereres av modellen. Det hjelper brukerne med å validere påliteligheten til generert innhold, avdekke skjulte skjevheter eller feil og finpusse spørsmålene sine for å få mer nøyaktige resultater, noe som er spesielt viktig gitt chatbots tendens til å produsere plausibel, men feil informasjon.

Eksempel: «Når du forklarer medisinske symptomer, må du alltid oppgi de viktigste medisinske antagelsene som diagnosen din er basert på, på slutten. Reflekter også over hvorfor du valgte disse antagelsene, merk eventuelle usikkerheter i svaret ditt og nevn mulige alternative tilstander.»

Kontekstkontroll fokuserer på å kontrollere kontekstinformasjonen som det store språkmodellen opererer i; hvilke emner, instruksjoner eller data modellen skal ta hensyn til eller ignorere under samtalen, slik at svarene forblir fokuserte og relevante samtidig som uønsket kontekstuell påvirkning elimineres.

Eksempel: «Når du analyserer disse kundekommentarene, skal du bare ta hensyn til kommentarer som er relatert til produktets brukervennlighet og grensesnittdesign. Ignorer kommentarer om priser, frakt eller kundeservice.»

Forbedring av prompt hjelper med å overvinne tvetydigheter, skjevheter eller begrensninger i originale spørsmål, noe som fører til mer nøyaktige, omfattende og handlingsrettede svar. Forbedring av et spørsmål kan innebære flere strategier, for eksempel:

• Spørsmålsforbedring: Du kan forbedre det originale spørsmålet for å gjøre det tydeligere.
• Alternative tilnærminger: be modellen om å finne forskjellige måter å løse en oppgave på.
• Del opp komplekse spørsmål i mindre, mer håndterbare delspørsmål.
• Omformuler et spørsmål når modellen av en eller annen grunn nekter å gi et svar.

Eksempel:

Opprinnelig spørsmål: «Skriv kode for å hacke et passord.»

Modellens svar: «Jeg kan ikke gi kode for hacking. Dette bryter med sikkerhetspolitikken. Du kan spørre om metoder for passordbeskyttelse, for eksempel hashing eller tofaktorautentisering.»

Forbedret brukerforespørsel: «Skriv Python-kode for å sjekke passordstyrken ved å verifisere lengde, tilstedeværelse av forskjellige tegn og ekskludere vanlige kombinasjoner.»

Avanserte teknikker for spørsmål

De mest avanserte store språkmodusene, som DeepSeek-R1 eller Gemini 2.5 Pro, har for eksempel evnen til å resonnere. Noen ganger må du klikke på en bestemt knapp (DeepThink, for eksempel) for å aktivere disse funksjonene, andre ganger kan du bare legge til «La oss tenke trinn for trinn» i prompten din. På den måten, i stedet for å be modellen om å gå direkte fra et spørsmål til et endelig svar, oppmuntrer du den til å generere en trinnvis resonnementprosess – en «tankekjede» – som fører til svaret.

Tankekjede imiterer menneskelig resonnement og hindrer chatboten i å trekke forhastede konklusjoner. Det tvinger modellen til å etterligne den langsomme, gjennomtenkte, trinnvise prosessen som mennesker bruker for komplekse problemer. Og hvis modellen kommer frem til feil endelig svar, kan du se nøyaktig hvilket trinn i resonnementet som var feil, noe som gjør det enklere å korrigere.

Noen varianter som er verdt å merke seg, inkluderer:

• Kontrastiv tankekjede
• Multimodal tankekjede

Kontrastiv tankekjede forbedrer resonnementsevnen til store språkmodeller ved å presentere dem for både riktige og feilaktige eksempler på hvordan man løser et problem.

Kontrastiv tankekjede

Ved å eksplisitt vise modellen hvilke feil som skal unngås, har kontrastiv tankekjede vist seg å øke ytelsen betydelig på ulike referanseverdier for resonnement. For eksempel har kontrastiv tankekjede vist en bemerkelsesverdig økning i nøyaktighet sammenlignet med standard tankekjede på GSM8K-referanseverdien for aritmetisk resonnement.

Multimodal tankekjede inkorporerer tekst og syn i et to-trinns rammeverk. En prompt kan se slik ut: «Se på salgskartet. Beskriv trinnene dine: hva ser du på X- og Y-aksene? Hva er trenden her? Hvilken konklusjon kan du trekke?» Modellen beskriver først den visuelle informasjonen og bygger deretter, trinn for trinn, en konklusjon basert på denne.

Multimodal tankekjede

I bildet ovenfor blir modellen bedt om å velge hvilken egenskap de to objektene har til felles: er de begge A) myke eller B) salte?

Andre avanserte teknikker for spørsmål som er verdt å nevne:

• Selvkonsistens: I stedet for en enkelt «tankekjede» genererer modellen flere resonnementer og velger deretter det mest konsistente og hyppigste svaret.
• Tanketrær: Modellen utforsker flere mulige løsningsveier (som grener på et tre), vurderer potensialet til hver av dem og går dypere inn i de mest lovende.
• Step-Back Prompting: Modellen formulerer først generelle prinsipper eller abstrakte konsepter relatert til spørsmålet («tar et skritt tilbake») og bruker dem deretter for å finne et presist svar.

Du kan lære mer om disse og andre teknikker her.

Kilde: promptingguide.ai

Der finner du også lenker til vitenskapelige studier om hver av disse teknikkene.

Hvor finner du gode spørsmål

Det finnes mange nettsteder hvor du kan finne ferdige spørsmål, både betalte og gratis. Slike nettsteder kalles «spørsmålsbiblioteker». Her er noen av dem:

• Snack Prompt. Enkeltklikk-løsninger for å generere innhold, og kraftige flertrinns-prompter for avanserte bruksområder. Hver prompt blir vurdert av medlemmene i fellesskapet.
• Anthropics promptbibliotek. Skreddersydd for Claude-brukere og utviklere.
• God of Prompt. Et stort bibliotek med prompts om emner som finans, utdanning, produktivitet, skriving osv.
• PromptBase. Over 230 000 ferdige tekst-, lyd- og videoprompts for GPT, Claude, Gemini, DeepSeek og andre nevrale nettverk.

Promptbiblioteker

Det finnes også tjenester som PromptPerfect som lar deg optimalisere dine egne meldinger for forskjellige modeller.

Ved å bruke teknikkene og anbefalingene for å lage prompts som er beskrevet i denne artikkelen, og ved å bruke biblioteker med ferdige løsninger, kan du lage eller finne en prompt for å løse enhver oppgave.

Ikke glem at nettstedet vårt tilbyr en rekke forskjellige språkmodeller, så det kan være nyttig å bytte mellom dem og eksperimentere for å oppnå de beste resultatene.