Diagnostisera en Dålig Prompt

Även med en gedigen förståelse för tekniker och komponenter kommer du att skriva promptar som inte ger det resultat du behöver. Detta är normalt. Färdigheten ligger inte i att undvika dåliga utdata — utan i att kunna tolka dem, förstå vad som gick fel och åtgärda problemet effektivt.

Detta kapitel ger en systematisk metod för att göra just detta.

De fem vanligaste felen i promptar

Fel 1 — Uppgiften är oklar

Modellen tolkar din begäran annorlunda än du avsett eftersom instruktionen var tvetydig.

Tecken: utdata besvarar en annan version av din fråga, eller så ber modellen om förtydligande.

Åtgärd: omformulera uppgiften med ett specifikt verb. Byt ut "hjälp mig med" mot "skriv", "sammanfatta", "lista" eller "jämför".

Fel 2 — Saknad kontext

Modellen har inte den information som krävs för att anpassa utdata till din situation. Den producerar något generiskt eftersom den inte har något val.

Tecken: utdata är tekniskt korrekt men känns som om den kunde ha skrivits för vem som helst, om vad som helst.

Åtgärd: lägg till kontext — vem du är, vem utdata är till för, vilken situation du hanterar och vad som redan har hänt.

Fel 3 — Ingen angiven format

Modellen väljer en struktur som inte matchar hur du kommer att använda resultatet.

Tecken: du behövde punktlistor men fick stycken; du behövde en tabell men fick en lista; svaret är fem gånger längre än vad du behövde.

Lösning: ange exakt vilket format du vill ha — och om längden är viktig, ange ett antal.

Fel 4 — För många uppgifter i en prompt

Du bad modellen göra flera olika saker samtidigt och den gjorde alla dåligt.

Tecken: resultatet täcker allt du bad om men inget av det är tillräckligt bra för att använda direkt.

Lösning: dela upp prompten i separata, fokuserade förfrågningar. Gör en uppgift per prompt och bygg sedan vidare på resultatet.

Fel 5 — Fel riktning från början

Den grundläggande metoden modellen använde var fel — inte utförandet, utan själva riktningen.

Tecken: resultatet är välskrivet och välstrukturerat, men löser fel problem eller tar fel angreppssätt.

Lösning: iterera inte på en bristfällig grund. Börja en ny prompt med lärdomarna från det misslyckade försöket tydligt inbyggda som begränsningar.

En praktisk diagnostisk sekvens

När ett svar missar målet, gå igenom dessa frågor innan du skriver din uppföljning:

• Var uppgiften tydlig? Kunde modellen ha tolkat den på ett annat men lika giltigt sätt?
• Angav du tillräcklig kontext? Vad antog du att modellen visste som den inte kunde veta?
• Specificerade du format och längd? Om inte — fungerade modellens val för ditt användningsområde?
• Bad du om en sak eller flera? Om flera — vilken är viktigast just nu?
• Är riktningen grundläggande fel? Om ja — sluta iterera och börja om.

Du behöver inte svara på alla fem varje gång. De flesta misslyckade prompter har en huvudsaklig orsak — identifiera den, åtgärda den och gå vidare.

Övning: Identifiera feltypen

Ta en prompt du nyligen använt som gav ett nedslående resultat — eller skriv en nu och gör den medvetet vag.

Läs utdata och använd de fem feltyperna ovan för att identifiera vad som gick fel. Skriv sedan om prompten för att åtgärda bara det specifika felet — inga andra ändringar.

Jämför de två resultaten. I de flesta fall räcker en enda riktad justering för att gå från oanvändbar till användbar.

I avsnitt 3 kommer du att tillämpa allt från de två första avsnitten på de specifika arbetsuppgifter du oftast möter — med start i skrivande.