Prompt engineering

Hvad er prompt engineering?

Prompt engineering er kunsten og videnskaben at designe instruktioner der får de bedst mulige resultater ud af AI-modeller. Det handler om at formulere dine prompts på en måde der guider modellen mod præcis det output du ønsker.

Det er ikke bare at “skrive en god besked.” Prompt engineering er en systematisk tilgang der udnytter viden om hvordan sprogmodeller fungerer, for at opnå bedre, mere pålidelige og mere nyttige svar. En prompt engineer ved hvilke teknikker der virker, hvorfor de virker, og hvornår de skal bruges.

Prompt engineering er opstået som en ny disciplin fordi AI-modellers output er ekstremt følsomt over for input. Små ændringer i formuleringen (rækkefølgen af information, brugen af eksempler, instruktionens detaljegrad) kan give markant forskellige resultater.

Kerneteknikker

1. Zero-shot prompting. Giv modellen en opgave uden eksempler. “Klassificer denne anmeldelse som positiv eller negativ.” Virker godt til simple opgaver.
2. Few-shot prompting. Giv 2-5 eksempler på input og ønsket output før din egentlige opgave. Modellen lærer mønsteret fra eksemplerne og generaliserer til dit input.
3. Chain-of-thought (CoT). Bed modellen om at “tænke trin for trin.” Det forbedrer markant præstationen på opgaver der kræver logisk ræsonnement, matematik og kompleks analyse.
4. Rollebaseret prompting. Giv modellen en rolle: “Du er en erfaren dataingeniør med 15 års erfaring.” Det indsnævrer modellens svar til et relevant ekspertdomæne.
5. Outputformat-specifikation. Definer præcis hvilken form svaret skal have: JSON, markdown-tabel, punktliste, essay med overskrifter. Modeller er meget gode til at følge formatinstruktioner.
6. Kontekstgivning. Giv modellen al den baggrund den har brug for: hvem målgruppen er, hvad formålet er, hvilke begrænsninger der gælder.

Avancerede teknikker

1. Tree-of-thought. Udvidelse af chain-of-thought hvor modellen udforsker flere løsningsveje parallelt og vælger den bedste.
2. Self-consistency. Generer flere svar og vælg det mest konsistente. God til opgaver med ét korrekt svar.
3. ReAct (Reasoning + Acting). Kombiner ræsonnement med handlinger. Modellen tænker, handler (f.eks. søger), observerer resultatet og fortsætter. Grundlaget for AI-agenter.
4. Meta-prompting. Brug AI til at generere og forbedre prompts. “Forbedre dette prompt så det giver mere detaljerede svar.”
5. Negative prompting. Angiv eksplicit hvad modellen ikke skal gøre. “Brug ikke bullet points.” “Undgå teknisk jargon.”

Prompt engineering i praksis

1. Business. Virksomheder bruger prompt engineering til at skabe pålidelige AI-workflows: automatisk email-klassificering, dokumentsammenfatning, kundesupport-assistenter.
2. Udvikling. Udviklere bruger prompt engineering til at bygge AI-features i produkter. System prompts definerer AI-assistentens personlighed og kapabiliteter.
3. Content creation. Marketingfolk og skribenter bruger teknikker som rollebaseret prompting og few-shot til at generere konsistent content i den rette tone.
4. Data-analyse. Analytikere bruger strukturerede prompts til at få AI til at processere, analysere og opsummere store datamængder.
5. Uddannelse. Undervisere designer prompts der tilpasser forklaringer til elevens niveau og læringsstil.

Principper for effektiv prompt engineering

1. Vær specifik. “Skriv en professionel email” er svagt. “Skriv en venlig men professionel email til en kunde der har ventet 5 dage på levering. Hold den under 100 ord. Tilbyd 10% rabat som kompensation.” er stærkt.
2. Iterér. De bedste prompts kommer sjældent i første forsøg. Skriv, evaluer, juster, gentag.
3. Strukturér. Brug overskrifter, nummerering og klare sektioner i længere prompts. Det hjælper modellen med at parse dine instruktioner.
4. Test edge cases. Et prompt der virker på ét eksempel virker ikke nødvendigvis på alle. Test med varierede inputs.
5. Forstå modellen. Forskellige modeller reagerer forskelligt. Claude, GPT-4 og Llama har forskellige styrker og svagheder. Tilpas dine prompts til den model du bruger.