Prompt engineering (AI)
Prompt engineering er disciplinen at formulere og forbedre de instruktioner (prompts), man giver til en AI-model, med det formål at få et svar der er så præcist, relevant og brugbart som muligt. Det handler om måden man stiller spørgsmålet eller giver opgaven på til modellen, ikke om at ændre modellens underliggende kode eller træning. Jo tydeligere og mere velovervejet en prompt er, desto større er sandsynligheden for at modellens svar rammer det, brugeren faktisk har brug for.
Forskellen på en svag og en stærk prompt kan være betydelig. En vag besked som “skriv en tekst om vores nye kaffeprodukt” kan give et generisk resultat, mens en prompt der angiver rolle, tone, målgruppe, konkrete detaljer og ønsket format – for eksempel “skriv et kort opslag til Instagram i en afslappet tone om vores nye økologiske kaffeblanding, målrettet morgenmennesker, og afslut med en opfordring til at besøge butikken” – typisk giver et output der kræver mindre efterbearbejdning. Denne forskel er kernen i prompt engineering: samme AI-model kan levere meget forskellige resultater afhængigt af, hvordan opgaven bliver formuleret.
Sådan fungerer prompt engineering i praksis
Arbejdet med prompt engineering er som regel en gentagende proces frem for en éngangsopgave. Man udformer en prompt, vurderer modellens svar, og justerer derefter formuleringen for at komme tættere på det ønskede resultat. Den justering kan bestå i at tilføje mere kontekst, gøre instruktionen mere specifik, fjerne unødvendig information der kan forvirre modellen, eller ændre rækkefølgen på de informationer, prompten indeholder.
Fordi sprogmodeller reagerer forskelligt på selv små ændringer i formuleringen, kræver god prompt engineering ofte test med flere varianter af samme prompt. Nogle opgaver løses bedst med korte, direkte instruktioner, mens andre – særligt komplekse eller flertrins-opgaver – har gavn af at blive brudt op i mindre delopgaver, som modellen guides igennem trin for trin.
Teknikker inden for prompt engineering
Der findes en række grundlæggende teknikker, som ofte danner udgangspunkt for arbejdet:
- Zero-shot prompting: Modellen får en opgave uden eksempler og skal løse den alene ud fra instruktionen. Fungerer bedst til relativt enkle opgaver.
- Few-shot prompting: Prompten indeholder et par eksempler på ønsket input og output, så modellen kan genkende mønsteret og følge det i sit svar.
- Chain-of-thought prompting: Modellen bliver bedt om at ræsonnere trin for trin, hvilket i mange tilfælde forbedrer resultatet på opgaver der involverer logik, beregninger eller flere sammenhængende trin.
- Rollebaseret prompting: Modellen tildeles en rolle eller persona, for eksempel “du er en erfaren økonomisk rådgiver”, hvilket kan påvirke tone, ordvalg og perspektiv i svaret.
- Output-format-specifikation: Man angiver præcis hvilken form svaret skal have, for eksempel som en tabel, en punktopstilling eller JSON-data.
Mere avancerede tilgange bygger videre på disse grundprincipper. Meta-prompting går ud på at bruge en AI-model til selv at forbedre en prompt, mens metoder som ReAct kombinerer ræsonnement med handlinger – modellen tænker, foretager en handling som for eksempel et opslag i en database, og fortsætter derefter ud fra resultatet. Den type teknik ligger til grund for mange AI-agenter og hænger tæt sammen med RAG (Retrieval-Augmented Generation), hvor modellen kombinerer en velformuleret prompt med opslag i eksterne datakilder for at give svar der bygger på mere aktuel eller specifik viden end det, modellen oprindeligt er trænet på.
Hvem kan bruge prompt engineering
Prompt engineering kræver ikke nødvendigvis programmeringserfaring. Det centrale er evnen til at formulere sig klart og til at forstå, hvordan en given model typisk reagerer på forskellige typer instruktioner. Det gør teknikken tilgængelig for en bred gruppe: marketingmedarbejdere der skal generere tekster i en bestemt tone, kundeservicemedarbejdere der bygger op til chatbot-svar, undervisere der tilpasser forklaringer til forskellige niveauer, og analytikere der beder en model opsummere eller strukturere store datamængder.
Udviklere har typisk en anden indgangsvinkel, fordi de ofte arbejder med prompts direkte gennem en REST API og integrerer dem i software, hvor prompten kan være en fast del af programmets logik. Her spiller også teknisk indsigt i modellens grænser, tokens og kontekstvindue en rolle, selvom det ikke er en forudsætning for at komme i gang. Mange af de sprogmodeller, der arbejdes med i praksis – herunder modeller udviklet af OpenAI – reagerer forskelligt på samme type prompt, hvilket betyder at teknikker, der virker godt til én model, ikke nødvendigvis giver samme resultat i en anden.
Fordele og begrænsninger
Velformulerede prompts kan bidrage til flere praktiske fordele. Svarene bliver ofte mere præcise og relevante for opgaven, hvilket reducerer behovet for at rette output efterfølgende. Det kan spare tid, fordi man i mange tilfælde får et brugbart svar hurtigere, og det kan gøre AI-værktøjer mere nyttige på tværs af opgaver, fra tekstproduktion til dataanalyse og kodning.
Samtidig har prompt engineering også begrænsninger. En prompt der er for specifik, kan indsnævre modellens svar unødigt, mens en prompt der er for generel, kan give svar der ikke rammer opgaven. Selv en velformuleret prompt garanterer ikke et korrekt svar – modeller kan stadig opfinde fakta (“hallucinere”), og samme prompt kan i visse tilfælde give forskellige svar fra gang til gang, fordi modellerne ikke er fuldstændig deterministiske. Det gør afprøvning og justering til en fast del af arbejdet snarere end en engangsopgave.