Prompt Engineering Alapok: Írj konzisztens utasításokat!
A prompt engineering nem „bűvészkedés” vagy véletlenszerű szavak bepötyögése, hanem a nagy nyelvi modellek (LLM-ek) működési logikájának kiaknázása. Ha megérted, hogyan dolgozza fel az AI a tokeneket, képes leszel konzisztens, mérhető és megismételhető kimeneteket generálni a vállalkozásod számára.
1. A Tökéletes Prompt 4 Fő Pillére
Ahhoz, hogy az AI ne általános, unalmas szöveget adjon vissza, az utasításodnak (a promptnak) mindig tartalmaznia kell az alábbi négy strukturális elemet:
A. Szerepkör (Role / Persona)
Az LLM-ek hatalmas tudásbázissal rendelkeznek, de szükségük van egy „fókuszpontra”. Határozd meg, ki ő!
- Példa: „Te egy senior B2B copywriting szakértő vagy, aki ért a közvetlen értékesítési (direct response) szövegíráshoz.”
B. Kontextus (Context)
A háttérinformáció, ami korlátozza a modell asszociációs terét.
- Példa: „Egy magyar KKV-nak írunk hírlevelet, akik prémium napelemes rendszereket értékesítenek családiház-tulajdonosoknak. Az áramárak növekedése a fő fájdalompont.”
C. Feladat (Task / Instruction)
Pontos, cselekvésre ösztönző leírás arról, mit kell tennie. Használj cselekvő igéket!
- Példa: „Írj egy 3 részes e-mail sorozatot, amely felkelti az érdeklődést egy ingyenes helyszíni felmérés iránt.”
D. Kimeneti Formátum & Korlátozások (Output Format & Constraints)
Határozd meg a stílust, a hangnemet és a formátumot.
- Példa: „Használj tiszta markdown formázást (címsorok, listák). A hangnem legyen magabiztos, barátságos, de szakmai. TILTÁS: Ne használj olyan elcsépelt szavakat, mint a 'dinamikus', 'innovatív' vagy 'rohanó világunkban'.”
2. Haladó Technika: Chain-of-Thought (Gondolatmenet)
Ha egy bonyolult feladatot adsz a modellnek (például adatelemzést vagy összetett kalkulációt), a modell hajlamos az első valószínű szót kiírni anélkül, hogy „végiggondolná” a lépéseket. A Chain-of-Thought (CoT) technika arra kényszeríti a modellt, hogy először a gondolatmenetet írja le, és csak utána a végeredményt.
Hogyan használd?
Egyszerűen szúrd be ezt a mondatot a promptod végére:
„Gondolkozz lépésről lépésre. Mielőtt megírnád a végleges választ, írd le a logikai lépéseket és a kalkuláció menetét XML-szerű
<gondolatmenet>tagek között.”
Miért működik?
A modellek a következő tokent az összes előző token alapján generálják. Ha a válasz előtt a saját helyes levezetését olvassa vissza a kontextusában, a végeredmény pontossága drasztikusan (akár 40-50%-kal) javul.
3. Sablonok és XML Tag-ek Használata (Zero-Trust Prompting)
A modern LLM-ek (mint a Claude 3.5 Sonnet vagy GPT-4o) rendkívül jól kezelik az XML tag-eket. Ezek segítenek elválasztani az utasításokat a feldolgozandó tartalomtól, így megakadályozzák az úgynevezett „prompt injection” (utasítás-eltérítés) hibákat.
Példa Strukturált Promptra:
Te egy professzionális szövegszerkesztő vagy. A feladatod a megadott nyers szöveg átírása.
<szabalyok>
- Javítsd a helyesírási hibákat.
- Használj aktív mondatszerkezeteket a passzív helyett.
- Tartsd meg az eredeti mondanivalót.
</szabalyok>
<feldolgozando_szoveg>
[Ide jön az ügyféltől kapott vagy a generált nyers szöveg]
</feldolgozando_szoveg>
4. Hibakeresés (Debugging) és Iteráció
Ha az AI rossz választ ad, ne kezdd el elölről a prompt írását. Alkalmazd az alábbi ellenőrzőlistát:
- Túl hosszú a prompt? Az AI elveszhet a részletekben. Szelektálj, és csak a legfontosabb szabályokat hagyd meg.
- Hiányzik a példa (Few-Shot)? Ha konkrét formátumot vársz el, mutass neki egy példát a prompton belül (pl. „Íme egy minta a kívánt kimenetről: [Minta]”).
- Ellentmondásosak az utasítások? Ellenőrizd, hogy a „szabályok” és a „tiltások” nem ütik-e egymást.
💡 Gyakorlati Tanács: Ha egy prompt tökéletesen működik neked, mentsd el az ai-promt.hu egyedi munkafolyamatai közé, így a kollégáid is egyetlen gombnyomással, hiba nélkül futtathatják majd!