Prompt Engineering Basics: A Practical Glossary Entry

Prompt engineering este practica de a scrie text de intrare care determină un model de limbaj să producă rezultatul pe care îl dorești cu adevărat. Se situează undeva între scrierea și debugging-ul clasic: nu codezi în sensul tradițional, dar testezi ipoteze despre modul în care un model interpretează instrucțiuni și iterezi atunci când greșește.

Ce este de fapt un prompt

Un prompt este totul pe care îl trimit unui model înainte ca acesta să genereze un răspuns — instrucțiuni, context, exemple și întrebarea sau sarcina propriu-zisă. Cele mai moderne modele de chat împart aceasta în roluri: un mesaj de sistem (stabilește comportamentul și constrângerile), mesaje de utilizator (cererea propriu-zisă) și uneori mesaje de asistent (tururi anterioare sau exemple). Dacă folosești un API cum ar fi OpenAI sau Anthropic, vei seta acestea explicit în cod. Dacă folosești o interfață de chat, promptul de sistem este adesea ascuns sau setat o singură dată la începutul unei conversații.

De ce aceeași întrebare primește răspunsuri diferite

Modelele de limbaj preiau următorul token pe baza a tot ceea ce a venit înainte, inclusiv formularea ta, ordinea cuvintelor și chiar punctuația. Întreabă "Explică recursivitatea" și vei obține un răspuns generic din manual. Întreabă "Explică recursivitatea unui developer junior care înțelege bucle dar nu și recursivitatea, folosind un singur exemplu Python cu caz de bază și caz recursiv" și vei obține ceva mult mai util. Specificitatea intrării tale modelează direct specificitatea ieșirii. Aceasta este perspectiva centrală pe care incepătorii trebuie s-o înțeleagă: modelul nu ți citește gândurile, potrivește pattern-uri cu cuvintele tale.

Tehnici esențiale pe care merită să le înveți mai întâi

Zero-shot prompting înseamnă a întreba direct fără exemple: "Scrie o regex care se potrivește cu numere de telefon din SUA." Aceasta funcționează bine pentru sarcini obișnuite, bine definite.

Few-shot prompting înseamnă a oferi modelului unul sau mai multe exemple ale pattern-ului intrare/ieșire pe care îl dorești înainte de a-l cere să continue pattern-ul. Dacă vrei ca un model să clasifice tichetele de suport în categorii, a-i arăta mai întâi trei exemple etichetate va produce rezultate mai consistente decât a descrie categoriile doar în proză.

Chain-of-thought prompting cere modelului să raționeze pas cu pas înainte de a oferi un răspuns final, adesea adăugând literal "gândește pas cu pas" sau cerând să-și arate munca. Aceasta ajută la matematică, logică și sarcini cu mai mulți pași, dar mărește și utilizarea de token-uri și lungimea răspunsului.

Role prompting atribuie modelului o personă — "Ești un inginer senior de securitate care revizuiește acest cod pentru vulnerabilități" — ceea ce poate schimba tonul, vocabularul și tipul de detaliu pe care îl prioritizează. Nu acordă modelului capabilități noi, dar ancorezează stilul ieșirii sale.

Structura contează mai mult decât inteligenţa

Incepătorii presupun adesea că prompt engineering este despre a găsi o frază magică. În practică, structura bate inteligenţa aproape de fiecare dată. Împarte promptul în părți clare: context, sarcină, constrângeri și format. De exemplu:

Context: Revizuiești o aplicație Python Flask pentru un audit de securitate.
Task: Identifică riscurile de SQL injection în codul de mai jos.
Constraints: Marchează doar probleme în rutele /login și /search.
Format: Returnează o listă numerotată cu numărul liniei și o explicație de o propoziție.

Acest tip de formatare explicită reduce ambiguitatea și face ieșirile mai ușor de analizat din punct de vedere programatic dacă înlănțuiești prompturi într-un script.

Greșeli frecvente la început

O eroare obișnuită este vagitatea mascată ca conciziune — a cere "fă asta mai bine" fără a defini ce înseamnă "mai bine" (mai rapid? mai ușor de citit? mai sigur?). Alta este îngrămădirea unei singure cereri cu cinci sarcini neînrudite, ceea ce tinde să producă răspunsuri superficiale la toate cinci în loc de un răspuns solid la una. Incepătorii uită de asemenea că modelele nu au memorie între apeluri API separate dacă nu treci explicit istoricul conversației anterioare, ceea ce pune beții oamenii atunci când construiesc ceva cu stare.

Testare și iterare ca un inginer

Tratează prompturile ca pe cod pe care-l versionezi și testezi, nu ca pe text pe care-l arunci la o parte. Ține o evidență a variațiilor de prompt și ale ieșirilor lor, mai ales pentru orice vei refolosi în producție, cum ar fi un bot de suport pentru clienți sau un asistent de revizuire a codului. Mici schimbări de formulare — "rezumă" vs "rezumă în exact trei puncte" — pot produce rezultate semnificativ diferite, și singura modalitate de a ști ce funcționează pentru cazul tău de utilizare este să faci comparația tu însuți mai degrabă decât să presupui.

Unde se încadrează aceasta în construirea lucrurilor reale

Odată ce prompturile devin fiabile, pasul următor este de obicei utilizarea programatică: apelarea unui API cu setări de temperature și max_tokens ajustate pentru sarcina ta, adăugarea logicii de reîncercare pentru ieșiri malformate și validarea răspunsurilor înainte ca acestea să ajungă la un utilizator. Acolo prompt engineering-ul începe să se suprapună cu disciplina obișnuită a ingineriei software, și este un punct bun să treci de la experimentarea într-o fereastră de chat la scrierea script-urilor propriu-zise.

Dacă vrei să mergi mai departe, verifică segmentele Korra Studio despre lucrul cu LLM API-uri în Python și despre construirea de mici instrumente cu putere AI de la zero.