Prompts

Lær at styre AIs 100%

Introduktion: Avanceret Prompt Engineering som videnskabelig disciplin

For at forstå, hvordan vi får en kunstig intelligens (AI) til at udføre præcis det, vi ønsker, må vi rykke væk fra forestillingen om, at en Large Language Model (LLM) blot er en avanceret chatbot, der svarer på spørgsmål. I datalogien betragtes prompt engineering ikke som "gode råd til Google-søgninger", men som en tæt på deterministisk disciplin, der styrer komplekse statistiske sandsynligheder.

0. Hvad er prompting?

I sin mest basale form er en prompt det input (tekst, kode eller data), du giver til en AI-model for at fremprovokere et specifikt output.

Ordet "prompt" stammer fra teaterverdenen (en sufflør, der hvisker de næste ord til en skuespiller) og computerscience (en kommandolinje, der venter på input). Inden for generativ AI fungerer prompten som en aktiveringsmekanisme – du fodrer en matematisk model med en sekvens af tokens, og modellens opgave er at beregne det mest sandsynlige næste ord.

Avanceret prompting handler om at manipulere denne sandsynlighedsfordeling, så modellen ikke bare gætter det mest almindelige næste ord, men følger en dyb, logisk ræsonnementsvej.

Prompt engineering som disciplin: Styring af den generelle indlæring

Når virksomheder som OpenAI, Google eller Anthropic træner en LLM, gennemgår modellen to primære faser: Pre-training (generel indlæring) og Fine-tuning (adfærdstilpasning).

• Pre-training: Modellen læser enorme mængder tekst fra internettet, bøger og kode. Her lærer den sprogstruktur, grammatik og generel verdensviden.
• Fine-tuning: Modellen justeres til at forstå instruktioner og dialog (ofte via Reinforcement Learning from Human Feedback – RLHF).

1. Det grundlæggende: Sproglige arkitekturer og LLM-psykologi

For at mestre avanceret prompt engineering må man aflægge sig den antropomorfe opfattelse af AI. Modellen har ingen bevidsthed eller intuition – dens adfærd styres af ren matematik, dataarkitektur og statistiske vægtninger.

Mekanismerne bag: Hvordan neurale netværk og transformer-modeller forstår tekstkontekst

Moderne LLM'er bygger på en specifik arkitektur kaldet en Transformer. Transformeren introducerede mekanismen Self-Attention (selv-opmærksomhed), der behandler alle ord i en prompt samtidigt og udregner matematiske forbindelser mellem samtlige ord for at forstå den præcise kontekstuelle betydning.

Sandsynlighedsfordeling: Hvorfor præcise instrukser ændrer modellens næste-token-forudsigelse

En LLM genererer tekst ét token ad gangen. Hver gang modellen skal skrive det næste ord, genererer den en sandsynlighedsfordeling over alle de ord, den kender.

Hvis din prompt er vag, bliver sandsynlighedsfordelingen flad og uforudsigelig. Hvis den er ultra-præcis, kollapser fordelingen omkring de helt rigtige tokens.

2. Fundamentale teknikker (The Baseline Architectures)

Zero-Shot Prompting: Direkte opgaveformulering uden eksempler

Zero-Shot Prompting betyder, at du fodrer modellen med en instruktion uden at give den forudgående eksempler. Du forventer, at modellen leverer det korrekte svar udelukkende baseret på din beskrivelse.

Mekanisme: Aktivering af eksisterende parametrisk viden – modellen analyserer dine ord og navigerer til det abstrakte vidensdomæne, der matcher din beskrivelse.

Few-Shot Prompting (In-Context Learning): Præsentation af strukturerede input-output-par

Ved at give modellen eksempler (input-output-par) før den egentlige opgave, lærer du modellen præcis, hvad du forventer. Teknikken udnytter In-Context Learning, hvor modellen danner et midlertidigt matematisk mønster og udfører analogisk ræsonnement.

3. Avancerede ræsonnementsteknikker

Chain-of-Thought (CoT): Trin-for-trin guide til logisk tænkning

Chain-of-Thought (CoT), introduceret af Google-forskere i 2022, tvinger modellen til at generere en sekvens af mellemliggende ræsonnementstrin.

Mekanisme: Opsplitning af komplekse problemer i sekventielle sub-tokens. Hvert logisk trin bliver en del af kontekstvinduet, hvilket reducerer den kognitive belastning per token.

Tree of Thoughts (ToT): Træstrukturerede søgealgoritmer

Tree of Thoughts (ToT), udviklet af Princeton University og MIT, tillader modellen at udforske flere ræsonnementsveje samtidigt i en træstruktur.

Mekanisme: Integration af selvevaluering (heuristik) og backtracking. For hvert trin genererer modellen flere mulige næste skridt (grene). En ekstern evaluator vurderer disse skridt, og hvis en gren er en blindgyde, foretages backtracking.

Graph of Thoughts (GoT): Netværksbaseret tankestruktur

Graph of Thoughts (GoT), udviklet ved ETH Zürich, repræsenterer information som en rettet graf, hvor tanke-enheder er knuder og logiske forbindelser er kanter.

Mekanisme: Cykliske argumenter, aggregation og transformation af idéer. Dette tillader:

• Aggregation: Sammenfletning af uafhængige ræsonnementsveje (f.eks. økonomisk + teknologisk analyse)
• Cyklisk ræsonnement: Refinement loops – en tanke kan føre tilbage til en tidligere knude for at opdatere præmisser

Skeleton-of-Thought (SoT): Parallel behandling af komplekse svar

Skeleton-of-Thought (SoT) fokuserer på at løse generationshastighed (latency).

Mekanisme:

• Fase 1 (Skelet-generering): Modellen genererer en overordnet disposition
• Fase 2 (Parallel udfyldelse): Et Python-script sender punkterne som uafhængige API-kald parallelt

Dette reducerer den samlede ventetid med op mod 70%.

4. Metakognitive og selv-korrigerende teknikker

Self-Consistency (CoT-SC): Generering af flere CoT-veje med flertalsafstemning

Self-Consistency (introduceret af Google i 2023) genererer et ulige antal uafhængige CoT-rækker (f.eks. 5 eller 11) og anvender flertalsafstemning.

Mekanisme: Reducering af stokastisk støj og tilfældige fejl. Ved at eliminere outliers (de tilfældige fejl i enkelte ræsonnementer) opnås et mere robust svar.

Self-Refine / Critique-and-Refine: Iterativ fejlfinding

Self-Refine er en teknik, hvor modellen agerer sin egen kritiske korrekturlæser. Processen kører i en lukket programmatisk løkke:

Automatic Prompt Engineer (APE): Generation og optimering af prompts

Automatic Prompt Engineer (APE) behandler prompt engineering som et rent optimeringsproblem.

Mekanisme:

• Prompt-generering: En "Instruktør-LLM" genererer 5-10 forskellige detaljerede prompts
• Masse-testning: Hver prompt testes på et datasæt
• Evaluering: En algoritme måler nøjagtigheden og vælger den optimale prompt

5. Kontekstuelle og adfærdsstyrende teknikker

Role-Prompting & Persona Adoption

Role-Prompting handler om at tildele modellen en specifik identitet via System Prompt, hvilket indsnævrer dens semantiske søgerum til et relevant fagligt domæne.

Directional Stimulus Prompting (DSP)

Directional Stimulus Prompting (DSP) forsyner modellen med strategiske hints eller nøgleord, der guider genereringen i en specifik retning.

Mekanisme: Dynamisk vægtning af specifikke tokens under genereringen. Stimulus-blokken fungerer som en magnet, der konstant trækker modellens opmærksomhed tilbage til de ønskede nøglepunkter.

6. Prompt engineering og dataformater

Struktureret input/output med JSON

I softwareudvikling er fritekst ubrugeligt som output. Ved at tvinge modellen til at kommunikere i JSON via et præcist JSON Schema gøres outputtet 100% deterministisk og maskinlæsbart.

Python-integration via API

Gennem programmeringssprog som Python opnår man fuld kontrol med modellens hyperparametre:

• Temperature: Styrer spredningen af sandsynlighedsfordelingen. Sættes til 0.0 for deterministiske svar
• top_p: Sætter en grænse for, hvor stor en del af sandsynlighedsmassen modellen må kigge på
• frequency_penalty: Straffer modellen for at gentage de nøjagtig samme ord

System vs. User Prompts

I en programmatisk arkitektur adskilles prompten i to lag for at forhindre Prompt Injection:

• System Prompt: Permanente forretningsregler, persona og JSON-skemaer – kan ikke ændres af slutbrugeren
• User Prompt: En tom databeholder, hvor brugerens input indsprøjtes dynamisk

Retrieval-Augmented Generation (RAG)

RAG (Retrieval-Augmented Generation) injicerer programmatisk ekstern data fra en vektordatabase i prompten.

Proces:

• Brugerens spørgsmål sendes til en vektordatabase
• Databasen finder de 3 mest relevante interne dokumenter
• Et Python-script indsprøjter disse dokumenter som kontekst i prompten
• LLM'en genererer svar baseret på den specifikke kontekst

Oversigt: Sammenligning af avancerede prompt-teknikker

📌 10 konkrete, avancerede prompts

Her er 10 konkrete, avancerede eksempler på prompts, der demonstrerer de vigtigste teknikker fra artiklen i praksis. De er designet, så du kan kopiere dem direkte over i en moderne LLM (f.eks. GPT-4o eller Claude 3.5 Sonnet).

[Kontekst: Du er en support-AI for en webshop, der kun sælger elektronik.]

Spørgsmål: Hvad er leveringstiden på jeres smartphones?
Svar: Leveringstiden på alle lagervarer, herunder smartphones, er 1-2 hverdage.

Spørgsmål: Sælger I økologiske kaffebønner?
Svar: Beklager, det ligger uden for mit vidensdomæne. 
Jeg kan kun besvare spørgsmål relateret til vores elektroniske produkter.

Spørgsmål: Hvornår udkommer den nye Playstation-model, og hvad bliver den præcise pris i Danmark?
Svar: [Her indsættes brugerens aktuelle spørgsmål, og AI'en vil nu efterligne den restriktive tone fra eksemplerne, 
hvis prisen ikke er officielt bekræftet]

Brug udelukkende nedenstående kontekst til at besvare spørgsmålet. 
Hvis svaret ikke findes i teksten, skal du svare: 'Informationen findes ikke i HR-håndbogen'.

[KONTEKST START]
Afsnit 4.2: Funktionærer ansat efter 1. januar 2024 har ret til fuld løn under barsel i op til 16 uger for moderen og 
11 uger for faderen/medmoderen.
[KONTEKST SLUT]

Spørgsmål: Hvad er vores politik for barselsorlov for funktionærer ansat efter 2024?
Svar:

Links: https://www.promptingguide.ai/techniques