Gevinster:
- Kan designe hvordan systemprompten guider modellen gennem hele samtalen
- Forstår rollen og omkostningseffekten af adaptiv tænkning og indsatsparametre
- implementerer outputkontroller såsom max_tokens, stopsekvenser og struktureret output
To forskellige produkter af samme model kan opføre sig helt forskelligt. Forskellen ligger ikke i selve modellen, men i systemprompten og de parametre, der er givet til den. Systemprompten er modellens "arbejdskontrakt", og parametrene er "arbejdsindstillinger". I denne enhed lærer du, hvordan du designer en kraftfuld systemprompt, hvad tanke- og indsatsindstillingerne i moderne modeller gør, og hvordan du styrer output for format/længde. Hvis du indstiller disse indstillinger korrekt, kan du administrere både kvalitet og omkostninger på samme tid.
Systemprompt: Permanent direktiv for modellen
Systemprompten er instruktionen på højt niveau, der gælder gennem hele samtalen. Disse regler forbliver gyldige, uanset hvad brugeren skriver. En god systemprompt indeholder følgende komponenter:
- Rolle/identitet: Hvem er modellen? ("Du er en virksomhedssupportassistent.")
- Omfang og grænse: Hvad gør det, og hvad gør det ikke? ("Baser kun på det leverede politikdokument.")
- Formatregler: Hvordan skal output se ud? ("Maksimalt 3 artikler, officielt sprog.")
- Adfærd i uvished: Hvad gør man, når man er usikker? ("Hvis der ikke er nogen information, gør det op, send det til den relevante enhed.")
- Sikkerhed/privatliv: Hvad vil/vil ikke? ("Anmod om personlige data")
Tip: Hold systemprompten fast. Indlejr ikke oplysninger, der ændres med hver anmodning (aktuel dato, brugernavn, sessions-id). Dette både bryder konsistensen og ugyldiggør prompt-cachen på enhed 6. Indsæt den variable information i brugermeddelelsen.
Den alt for aggressive instruktionsfælde
Moderne modeller følger instruktionen meget nøje. Aggressive sætninger som "MÅ", "ALTID", "DEFINITIVT gøre det her" osv., som virkede i ældre modeller, fører i dag til overtrigger: Modellen ringer til en agent, når den ikke er nødvendig eller kører i unødvendig lang tid. Blødgør reglen: I stedet for "SKAL bruge søgeværktøjet", er "Hvis svaret ikke er i samtalen, så brug søgeværktøjet" mere præcist.
Modelparametre: Tanke og indsats
Klassiske LLM'er havde en temperaturparameter: en lavere værdi producerede mere specifik/konsistent output, en højere værdi producerede mere varieret/kreativt output. Moderne generationsmodeller (såsom Opus 4.8, Sonnet 5) erstatter denne tilgang med to mere kraftfulde mekanismer og accepterer ikke længere prøveudtagningsparametre såsom temperatur.
- Adaptiv tænkning: Modellen ræsonnerer trin for trin i sit "hoved", før den reagerer. Modellen bestemmer, hvor meget der skal tænkes ud fra opgavens sværhedsgrad. Forbedrer markant nøjagtigheden på komplekse problemer med flere trin; Han tænker mindre for at undgå unødvendige forsinkelser på simple spørgsmål.
- Indsats: Højniveau-knap, der justerer, hvor dybt modellen dykker ned i en opgave, og hvor mange tokens den bruger i alt. Typiske niveauer: lav, medium, høj og over. Høj indsats kan forbedre kvaliteten, men det øger også forsinkelser og omkostninger; Lav indsats giver hastighed og besparelser.
Indstilling
Hvad gør
hvornår
Tænker fra/lav indsats
Hurtigt, billigt, overfladisk
Enkel klassificering, kort respons, forsinkelse af følsomme opgaver
Adaptiv tænkning + medium indsats
Afbalanceret kvalitet/omkostninger
De fleste generelle opgaver
Adaptiv tænkning + høj indsats
højeste nøjagtighed
Kompleks ræsonnement, kodning, langtrækkende agentarbejde
Forsigtig: Refleksen "maksimal indsats uanset hvad" øger omkostningerne. Tilpas indsats til opgave; I simple opgaver giver lav indsats ofte det samme præcise resultat til en meget billigere pris. Gå højt, hvor der er behov for kritisk nøjagtighed.
Outputkontrol: Format, Længde, Struktur
Udover parametrene styrer du også selve outputtet:
- max_tokens: Hårdt loft af output (1. og 3. enhed).
- Stopsekvenser: Stopper modellen, når den ser en bestemt streng. Nyttigt til at sætte brudpunkter i struktureret produktion.
- Struktureret output: Tving modellens svar til at passe til et JSON-skema, du angiver. Det sikrer, at outputtet er programmatisk parserbart og gyldigt. Det er mere pålideligt end at sige "bare returner JSON" med en prompt.
{ "output_config": { "format": { "type": "json_schema", "schema": { "type": "objekt", "additionalProperties": false, "properties": { "category": { "type": "streng", "enum": ["faktura", "teknisk", "return": ", "andre"type, "returgency":}, "anden"type "enum": ["lav", "medium", "høj"] } }, "påkrævet": ["kategori", "haster"] } } }}
Kopierbare systempromptskabeloner
# VirksomhedssupportassistentDu er en virksomhedssupportassistent.- Stol udelukkende på det medfølgende politikdokument; Hvis det ikke er i dokumentet, skal du sige "Jeg har ikke disse oplysninger." - Giv et formelt og klart svar i maks. 3 sætninger. - Bed om personlige data (TC ID-nummer, kortnummer) og gentag det ikke i dit svar. - Hvis du ikke er sikker, skal du ikke gætte.
# Struktureret output-tvingende klassifikatorDu er en efterspørgselsklassifikator. Inputtet er en kundebesked. Returner kun de ønskede felter, skriv ikke kommentarer. Hvis du ikke er sikker, så brug "andet".
# Analytiker med defineret adfærd ved at stå i uvishedDu er dataanalytiker. Træk kun verificerbare slutninger fra den medfølgende tabel. Lav aldrig en konklusion, der ikke findes i dataene. Hvis en slutning er uklar, skriv "data utilstrækkelige".
# Indholdsforfatter med tone- og længdekontrolDu er indholdsforfatter. Brug en varm, men professionel tone. Begræns hver tekst til 120 ord eller mindre. Undgå kliché-marketingsprog.
Svag prompt / Stærk prompt
# SVAGVær hjælpsom og giv gode svar. Gør dit bedste.
# STÆRK Rolle: Teknisk supportspecialist.Omfang: Produktvejledning leveres kun.Format: Trin-for-trin, nummereret liste, 5 trin maksimalt.Grænse: Anbefaler løsning ikke i vejledningen; Sig "Jeg kunne ikke finde det i manualen." Fortrolighed: Gentag ikke serienummeret, som brugeren deler i svaret.
Kraftig version; Den bestemmer rollen, omfanget, formatet, grænserne og fortroligheden separat. Outputkonsistens kommer direkte fra denne klarhed.
Tre mini etuier
Case 1 — Omkostningsreduktion gennem indsatstilpasning. Et team kørte alle deres opkald på høj indsats + tænkning; Selv simple e-mail-sammendrag var dyre og langsomme at producere. De tildelte simple opgaver såsom opsummeringer til lav indsats og kontraktanalyse til høj indsats. Nøjagtigheden blev opretholdt, den gennemsnitlige ventetid blev halveret, og de månedlige omkostninger blev reduceret med en tredjedel.
Tilfælde 2 — JSON-garanti. Et operationsteam bad om klassificeringsoutput med en prompt, der sagde "bare giv JSON", men modellen ville lejlighedsvis skrive "Her er resultatet:", og parseren ville gå ned. Da jeg tilsluttede det konfigurerede outputskema, returnerede outputtet gyldig JSON hver gang; parsing fejl er blevet nulstillet.
Tilfælde 3 — Aggressiv hurtig rekyl. En assistent-prompt sagde: "MÅ søge efter HVER SPØRGSMÅL"; Modellen foretog unødvendige søgninger, selv efter simple spørgsmål, som den allerede vidste svaret på, hvilket sænkede farten og øgede omkostningerne. De lempede reglen til "Hvis svaret ikke er i kontekst, søg"; Unødvendige opkald faldt med 70 %, og svarene accelererede.
Almindelige fejl
- Indlejring af variable data i systemprompten: Bryder konsistensen og ugyldiggør cachen.
- Overdrevent aggressiv instruktion: Overdreven udløsning og unødvendige omkostninger i moderne modeller.
- Høj indsats i enhver opgave: Spild i simple opgaver; tilpasse indsatsen til opgaven.
- Anmoder kun om JSON via prompt: Den går i stykker af og til; hvis det er kritisk, brug struktureret output.
- Ikke definere grænse-/ambiguitetsadfærd: Modellen udfylder hullet med fabrikation (hallucination).
- Gammel `temperatur`-vane: Moderne modeller accepterer ikke dette; Vejled adfærd med hurtig og indsats.
Dybere: At skrive prompten som en kontrakt
Erfarne teams behandler systemprompten som en kontrakt, ikke en litterær tekst: klare klausuler, målbare regler, utvetydige grænser. Denne tilgang har tre konkrete fordele. Den første er konsistens: det samme input giver lignende output på forskellige tidspunkter. For det andet er testbarhed: du kan teste hver vare separat med en prøve. For det tredje er nem vedligeholdelse: Hvis en adfærd er forkert, ved du, hvilken genstand du skal erstatte.
En god praksis er at gå foran med positive eksempler. I stedet for at give en liste over "gør ikke dette", er det meget mere effektivt i moderne modeller at give et eksempel, der siger "det er præcis, hvordan det ønskede output ser ud". For eksempel, i en klassificering, vil tilføjelse af en eller to eksempler på den forventede JSON til prompten reducere formateringsfejl markant.
En anden kraftfuld teknik er at skrive usikkerhedsadfærden eksplicit. En klausul som "Hvis du er usikker, så gæt ikke; sig 'utilstrækkelige data'" undertrykker modellens tendens til at udfylde det tomme felt med fremstilling (hallucination). Denne enkelt sætning aflaster verifikationslaget, som vi vil dække i enhed 11: når modellen allerede har markeret usikkerhed, bliver det lettere at føre til menneskelig validering.
Overvej endelig indsats og spørg sammen. Ved høj indsats udforsker modellen mere og udfører nogle gange uønsket "ekstra arbejde" (unødvendig forklaring, yderligere forslag). At sige "giv kun det ønskede output, tilføj ikke yderligere kommentarer" i prompten opvejer denne bivirkning af høj indsats.
Sammenfattende
Systemprompten er modellens permanente direktiv: den definerer rollen, omfanget, formatet, uklarhedsadfærd og fortrolighed. I moderne modeller er adfærd drevet af adaptiv tænkning og indsatsparametre frem for temperatur; At tilpasse indsatsen til opgaven styrer kvalitet og omkostninger på samme tid. Du sikrer outputtet med max_tokens, stop-arrays og struktureret output.
Ansøgningsopgave
Vælg en opgave. (1) Skriv en systemprompt med fem komponenter (rolle, omfang, format, tvetydighed, fortrolighed). (2) Angiv hvilket indsatsniveau du ville vælge til denne opgave og hvorfor. (3) Hvis output skal være struktureret, skitser du et lille JSON-skema. (4) Tjek, om der er et alt for aggressivt mønster i din prompt, og blødgør den.
tjekliste
- [ ] Jeg kan nævne fem komponenter i en god systemprompt.
- [ ] Jeg kan forklare, hvad den adaptive tænkning og indsatsparametre gør.
- [ ] Jeg kan balancere kvalitet/omkostning ved at tilpasse indsatsen efter opgaven.
- [ ] Jeg ved, hvorfor struktureret output er sikrere end at anmode om JSON via prompt.
- [ ] Jeg kan genkende risikoen i moderne modeller for alt for aggressive instruktioner.