Prompt engineeringPrompt Engineering

Prompt engineering är disciplinen att utforma och iterera på instruktioner till en LLM så att outputen blir konsekvent och högkvalitativ. Det skiljer sig från att tweaka en prompt, där varje ändring baseras på ett enskilt utfall, genom att kräva mätbar feedback via eval-pipeline.

Fyra grundtekniker

Litteraturen brukar lista fyra tekniker som tillsammans ger mätbar förbättring:

1. Clear & Direct. Första raden = action verb + tydlig task + output-spec. Inte "kan du hjälpa mig" utan "Generate a one-day meal plan…".
2. Being Specific. Två sorter:
   • Type A (attributes): egenskaper du vill se i outputen (längd, struktur, format).
   • Type B (steps): stegen modellen ska gå igenom när den resonerar fram svaret.
3. XML Tags. Wrappa interpolerat data i beskrivande taggar (<athlete_profile>, <requirements>) så modellen separerar prompten från datat.
4. Few-shot Examples. Input/output-par i prompten efter instruktionerna, med motivering (<why_this_is_ideal>) som förklarar varför exemplet är ideala.

Tillsammans kan de fyra teknikerna lyfta en prompts kvalitetspoäng från 2–3 till 7–8 av 10 i en typisk eval, utan att byta modell.

Skiljs från relaterade praktiker

Prompt engineering opererar på prompten, det som matas in i ett LLM-anrop. Det skiljer sig från prompt-enrichment (att en harness automatiskt utökar en kort användarinput med kontext) och från systeminstruktioner (som styr modellens roll och beteende på en högre nivå än en enskild task-prompt). I praktiken kombineras alla tre.

Disciplinen är inte engångskonst. En prompt i prod ska itereras på över tid, med eval-pipelinen som regression-skydd.