Prompt Engineering Basics: A Practical Glossary Entry

Prompt engineering इनपुट टेक्स्ट लिखने का अभ्यास है जो एक language model को वह output देने के लिए प्रेरित करता है जो आप वास्तव में चाहते हैं। यह लेखन और debugging के बीच कहीं स्थित है: आप पारंपरिक अर्थ में कोडिंग नहीं कर रहे हैं, लेकिन आप इस बारे में परिकल्पनाओं की जांच कर रहे हैं कि एक मॉडल निर्देशों की व्याख्या कैसे करता है और जब वह गलत हो तो पुनरावृत्ति कर रहे हैं।

एक prompt वास्तव में क्या है

एक prompt सब कुछ है जो आप एक मॉडल को भेजते हैं इसके response generate करने से पहले — निर्देश, context, उदाहरण, और वास्तविक प्रश्न या कार्य। अधिकांश आधुनिक chat models इसे roles में विभाजित करते हैं: एक system message (व्यवहार और constraints सेट करता है), user messages (वास्तविक request), और कभी-कभी assistant messages (पूर्व turns या उदाहरण)। अगर आप OpenAI या Anthropic जैसी API का उपयोग कर रहे हैं, तो आप इन्हें कोड में स्पष्ट रूप से सेट करेंगे। अगर आप chat interface का उपयोग कर रहे हैं, तो system prompt अक्सर छिपा हुआ होता है या conversation के शुरुआत में एक बार सेट होता है।

कोई एक ही प्रश्न अलग-अलग जवाब क्यों देता है

Language models अगला token भविष्यवाणी करते हैं जो सब कुछ के आधार पर होता है जो पहले आया था, आपकी phrasing, शब्द क्रम, और यहां तक कि punctuation भी। "Explain recursion" पूछें और आपको एक सामान्य textbook जवाब मिलेगा। "Explain recursion to a junior developer who understands loops but not recursion, using a single Python example with a base case and recursive case" पूछें और आपको कुछ बहुत अधिक उपयोगी मिलेगा। आपके input की specificity सीधे output की specificity को आकार देती है। यह core insight है जिसे शुरुआत करने वालों को समझने की आवश्यकता है: मॉडल आपके दिमाग को नहीं पढ़ रहा है, यह आपके शब्दों के विरुद्ध pattern-matching कर रहा है।

पहले सीखने के लायक मुख्य तकनीकें

Zero-shot prompting का अर्थ है बिना उदाहरणों के सीधे पूछना: "Write a regex that matches US phone numbers." यह सामान्य, अच्छी तरह से परिभाषित कार्यों के लिए ठीक काम करता है।

Few-shot prompting का अर्थ है मॉडल को एक या अधिक उदाहरण देना जो input/output pattern का आप चाहते हैं, इसे जारी रखने के लिए कहने से पहले। अगर आप चाहते हैं कि मॉडल support tickets को categories में classify करे, तो पहले इसे तीन labeled उदाहरण दिखाने से prose में categories बताने की तुलना में अधिक सुसंगत परिणाम मिलेंगे।

Chain-of-thought prompting मॉडल को final answer देने से पहले step by step reason करने के लिए कहता है, अक्सर literally "think step by step" जोड़कर या इसे अपना काम दिखाने के लिए कहकर। यह math, logic, और multi-step कार्यों के साथ मदद करता है, हालांकि यह token usage और response length को भी बढ़ाता है।

Role prompting मॉडल को एक persona assign करता है — "You are a senior security engineer reviewing this code for vulnerabilities" — जो tone, vocabulary, और detail के प्रकार को shift कर सकता है जिसे वह प्राथमिकता देता है। यह मॉडल को नई capabilities प्रदान नहीं करता है, लेकिन यह इसके output style को anchor करता है।

Structure cleverness से ज्यादा मायने रखता है

शुरुआत करने वाले अक्सर यह मानते हैं कि prompt engineering एक magic phrase खोजने के बारे में है। व्यवहार में, structure लगभग हर बार cleverness को हराता है। अपने prompt को स्पष्ट parts में विभाजित करें: context, task, constraints, और format। उदाहरण के लिए:

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.

इस प्रकार की explicit formatting ambiguity को कम करती है और अगर आप एक script में prompts को एक साथ chain कर रहे हैं तो outputs को programmatically parse करना आसान बनाती है।

शुरुआत में सामान्य गलतियां

एक frequent error संक्षिप्तता के रूप में प्रच्छन्न vagueness है — "make this better" पूछना बिना परिभाषित किए कि "better" का अर्थ क्या है (faster? अधिक readable? अधिक secure?)। एक और है एक single prompt को पांच असंबंधित कार्यों से भरना, जो पांचों को उथले जवाब देने की प्रवृत्ति रखता है एक को solid answer देने की बजाय। शुरुआत करने वाले यह भी भूल जाते हैं कि models के पास अलग-अलग API calls के बीच कोई memory नहीं होती है जब तक कि आप explicitly पूर्व conversation history को वापस pass न करें, जो stateful कुछ भी बनाते समय लोगों को trip करता है।

एक engineer की तरह testing और iterating करना

Prompts को code की तरह treat करें जो आप version और test करते हैं, one-off text नहीं जिसे आप फेंक देते हैं। Prompt variations और उनके outputs का एक log रखें, विशेष रूप से कुछ भी के लिए जिसे आप production में reuse करेंगे, जैसे एक customer support bot या एक code review assistant। छोटे wording changes — "summarize" vs "summarize in exactly three bullet points" — meaningfully अलग-अलग परिणाम produce कर सकते हैं, और यह जानने का एकमात्र तरीका कि आपके use case के लिए क्या काम करता है वह है comparison को स्वयं run करना न कि assume करना।

यह real चीजें बनाने में कहां फिट होता है

एक बार prompts reliable हो जाते हैं, अगला कदम आमतौर पर programmatic use होता है: एक API को temperature और max_tokens settings के साथ call करना जो आपके task के लिए tuned हों, malformed outputs के लिए retry logic जोड़ना, और responses को validate करना इससे पहले कि वे एक user को hit करें। यह वह है जहां prompt engineering regular software engineering discipline के साथ overlapping शुरू करता है, और यह एक chat window में experimenting से actual scripts लिखने तक जाने के लिए एक अच्छा बिंदु है।

अगर आप और आगे जाना चाहते हैं, तो Korra Studio के segments को देखें Python में LLM APIs के साथ काम करने पर और scratch से small AI-powered tools बनाने पर।