প্রম্পট ইঞ্জিনিয়ারিং বেসিক্স: একটি ব্যবহারিক গ্লোসারি এন্ট্রি

Prompt engineering হল input text লেখার অনুশীলন যা একটি language model কে সেই output তৈরি করতে বাধ্য করে যা আপনি সত্যিই চান। এটি writing এবং debugging এর মধ্যে কোথাও অবস্থান করে: আপনি traditional sense এ coding করছেন না, কিন্তু আপনি একটি model কীভাবে instruction গুলি interpret করে তা নিয়ে hypothesis পরীক্ষা করছেন এবং যখন এটি ভুল হয় তখন iterate করছেন।

একটি prompt আসলে কি

প্রম্পট হল সবকিছু যা আপনি একটি model এর কাছে পাঠান response generate করার আগে — instructions, context, examples, এবং actual question বা task। আধুনিক বেশিরভাগ chat model এটিকে roles এ বিভক্ত করে: একটি system message (behavior এবং constraints নির্ধারণ করে), user messages (actual request), এবং কখনো কখনো assistant messages (prior turns বা examples)। যদি আপনি OpenAI বা Anthropic এর মতো একটি API ব্যবহার করছেন, তাহলে আপনি code এ এগুলি explicitly set করবেন। যদি আপনি একটি chat interface ব্যবহার করছেন, তাহলে system prompt প্রায়ই hidden থাকে বা একটি conversation এর শুরুতে একবার set করা হয়।

কেন একই প্রশ্নের বিভিন্ন উত্তর আসে

Language model গুলি পরবর্তী token predict করে যা এর আগে আসা সবকিছুর উপর ভিত্তি করে, আপনার phrasing, word order, এবং এমনকি punctuation সহ। "Explain recursion" জিজ্ঞাসা করুন এবং আপনি একটি generic textbook উত্তর পাবেন। "Explain recursion to a junior developer who understands loops but not recursion, using a single Python example with a base case and recursive case" জিজ্ঞাসা করুন এবং আপনি অনেক বেশি useful কিছু পাবেন। আপনার input এর specificity সরাসরি output এর specificity কে shape করে। এটি core insight যা beginners দের প্রয়োজন: model আপনার mind পড়ছে না, এটি আপনার words এর বিরুদ্ধে pattern-matching করছে।

প্রথমে শেখার যোগ্য core techniques

Zero-shot prompting মানে কোনো examples ছাড়াই সরাসরি জিজ্ঞাসা করা: "Write a regex that matches US phone numbers." এটি সাধারণ, well-defined tasks এর জন্য ভালো কাজ করে।

Few-shot prompting মানে model কে আপনি যে input/output pattern চান তার একটি বা আরও example দেওয়া আগে আপনি এটি continue করার জন্য জিজ্ঞাসা করেন। যদি আপনি একটি model কে support tickets কে categories এ classify করতে চান, তাহলে এটিকে তিনটি labeled example প্রথমে দেখানো prose এ categories describe করার চেয়ে আরও consistent results তৈরি করবে।

Chain-of-thought prompting model কে একটি final answer দেওয়ার আগে step by step reason করতে বলে, প্রায়ই literally "think step by step" যোগ করে বা এটিকে এর work show করতে বলে। এটি math, logic, এবং multi-step tasks এর সাথে সাহায্য করে, যদিও এটি token usage এবং response length ও বৃদ্ধি করে।

Role prompting model কে একটি persona assign করে — "You are a senior security engineer reviewing this code for vulnerabilities" — যা tone, vocabulary, এবং যে kind of detail এটি prioritize করে তা shift করতে পারে। এটি model কে নতুন capabilities grant করে না, কিন্তু এটি এর output style anchor করে।

Structure cleverness এর চেয়ে বেশি গুরুত্বপূর্ণ

Beginners প্রায়ই assume করে যে prompt engineering একটি magic phrase খুঁজে বের করার বিষয়ে। Practice তে, structure প্রায় প্রতিটি সময় cleverness কে beat করে। আপনার prompt কে স্পষ্ট parts এ break করুন: context, task, constraints, এবং format। উদাহরণস্বরূপ:

Context: You're reviewing a Python Flask app for a security audit.
Task: Identify SQL injection risks in the code below.
Constraints: Only flag issues in the /login and /search routes.
Format: Return a numbered list with the line number and a one-sentence explanation.

এই ধরনের explicit formatting ambiguity কমায় এবং outputs parse করা easier করে programmatically যদি আপনি একটি script এ prompts একসাথে chain করছেন।

শুরুতে সাধারণ ভুল

একটি frequently error হল vagueness disguised as brevity — "make this better" জিজ্ঞাসা করা defining ছাড়াই "better" মানে কি (faster? more readable? more secure?)। আরেকটি হল একটি single prompt এ পাঁচটি unrelated tasks stuff করা, যা পাঁচটির সবার কাছে shallow answer তৈরি করতে থাকে একটির একটি solid answer এর জায়গায়। Beginners ও ভুলে যায় যে models এর separate API calls এর মধ্যে কোনো memory নেই যদি না আপনি explicitly prior conversation history এ pass করেন, যা people দের trip করে যখন stateful কিছু build করা হয়।

একজন engineer এর মতো testing এবং iterating

Prompts treat করুন code এর মতো যা আপনি version এবং test করেন, এক-এক text নয় যা আপনি throw away করেন। prompt variations এবং তাদের outputs এর একটি log রাখুন, especially production এ reuse করবেন এমন যেকোনো কিছুর জন্য, যেমন একটি customer support bot বা একটি code review assistant। ছোট wording changes — "summarize" vs "summarize in exactly three bullet points" — meaningfully different results produce করতে পারে, এবং জানার একমাত্র উপায় যে আপনার use case এর জন্য কি কাজ করে তা হল comparison yourself run করা rather than assume করা।

এটি real things building তে কোথায় fit করে

যখন prompts reliable হয়ে যায়, তখন পরবর্তী step সাধারণত programmatic use: temperature এবং max_tokens settings সহ একটি API call করা যা আপনার task এর জন্য tuned, malformed outputs এর জন্য retry logic যোগ করা, এবং responses validate করা একটি user এ হিট করার আগে। এটি যেখানে prompt engineering regular software engineering discipline এর সাথে overlapping শুরু করে, এবং এটি একটি ভালো point experiment করা একটি chat window এ থেকে move করার actual scripts লেখার জন্য।

যদি আপনি আরও এগিয়ে যেতে চান, Korra Studio এর segments check করুন Python এ LLM APIs এর সাথে কাজ করার উপর এবং scratch থেকে ছোট AI-powered tools build করার উপর।