Prompt engineering

Prompt engineering (på svenska ofta kallat promptteknik eller promptutformning) är konsten och vetenskapen att formulera effektiva inmatningar (prompter) till språkmodeller och andra AI-system för att styra deras svar. Det är en central kompetens inom användningen av generativ AI.

En prompt är den text eller instruktion som ges till en AI-modell för att den ska generera ett svar. I språkmodeller som ChatGPT eller Claude kan en prompt bestå av en fråga, ett scenario, en uppmaning eller ett exempel på önskat svar.

Exempel:

• ”Skriv en sammanfattning av detta dokument…”
• ”Vad är skillnaden mellan maskininlärning och djupinlärning?”
• ”Generera en e-post på ett artigt sätt som säger nej till ett erbjudande”

Några vanliga metoder och principer inom prompt engineering:

• Zero-shot prompting – Ingen kontext ges, modellen svarar direkt.
• Few-shot prompting – Några exempel ges för att styra beteendet.
• Chain-of-thought prompting – Används för att få modellen att resonera steg för steg.
• Systeminstruktioner – Inleder prompten med roller eller regler (t.ex. ”Du är en hjälpsam assistent…”).
• Instruktionsdesign – Att vara tydlig, specifik och målinriktad i promptens formulering.

Prompt engineering används inom:

• Automatisering av kundtjänst
• Innehållsgenerering (text, kod, sammanfattningar)
• Dataanalys och tabelltolkning
• Interaktiva utbildningsverktyg
• Kodgenerering och felsökning

• Resultatet kan vara känsligt för små variationer i prompten
• Svårt att uppnå konsekventa resultat utan testning
• Begränsad insyn i modellens tolkning av instruktioner
• Kräver ofta iterativ experimentering

Utvecklingen inom prompt engineering går mot mer automatiserade eller grafiska gränssnitt för promptdesign. Verktyg som PromptLayer, LangChain och Microsoft Copilot Studio ger struktur åt processen.

Det finns också ett växande forskningsfält kring *automated prompt optimization*, där AI själv förbättrar prompts genom försök och utvärdering.

• OpenAI: GPT best practices
• The Prompt Engineering Guide
• Brown et al (2021): Language Models are Few-Shot Learners (GPT-3)