Prompt Engineering Basics: A Practical Glossary Entry

Prompt engineering وہ مشق ہے جس میں آپ input text لکھتے ہیں تاکہ language model وہ output دے جو آپ کو چاہیے۔ یہ لکھنے اور debugging کے درمیان کہیں ہے: آپ روایتی معنوں میں code نہیں لکھ رہے، لیکن آپ اس بات کے بارے میں مفروضے test کر رہے ہیں کہ model ہدایات کو کیسے سمجھتا ہے اور جب وہ غلط ہو تو دوبارہ کوشش کر رہے ہیں۔

Prompt اصل میں کیا ہوتا ہے

ایک prompt وہ تمام کچھ ہے جو آپ model کو بھیجتے ہیں اس سے پہلے کہ وہ جواب دے — ہدایات، سیاق و سباق، مثالیں، اور اصل سوال یا کام۔ زیادہ تر جدید chat models اسے roles میں تقسیم کرتے ہیں: ایک system message (رویہ اور حدود مقرر کرتا ہے)، user messages (اصل request)، اور کبھی کبھی assistant messages (پہلے کے turns یا مثالیں)۔ اگر آپ OpenAI یا Anthropic جیسی API استعمال کر رہے ہیں تو آپ یہ code میں واضح طور پر سیٹ کریں گے۔ اگر آپ chat interface استعمال کر رہے ہیں تو system prompt اکثر چھپا ہوا ہوتا ہے یا conversation کے شروع میں ایک بار سیٹ ہوتا ہے۔

ایک جیسے سوال کو مختلف جوابات کیوں ملتے ہیں

Language models اگلے token کی پیشن گوئی کرتے ہیں اس سب کی بنیاد پر جو اس سے پہلے آیا ہے، آپ کی تشکیل، لفظوں کی ترتیب، اور یہاں تک کہ اوقاف کی بھی۔ "Explain recursion" پوچھیں اور آپ کو ایک عام textbook جواب ملے گا۔ "Explain recursion to a junior developer who understands loops but not recursion, using a single Python example with a base case and recursive case" پوچھیں اور آپ کو کچھ بہت زیادہ مفید ملے گا۔ آپ کی input کی تفصیل براہ راست output کی تفصیل کو متاثر کرتی ہے۔ یہ وہ بنیادی سوچ ہے جو ابتدائیوں کو سیکھنے کی ضرورت ہے: model آپ کے ذہن کو نہیں پڑھ رہا، یہ آپ کے الفاظ کے خلاف pattern-matching کر رہا ہے۔

بنیادی تکنیکیں جو پہلے سیکھنے کے قابل ہیں

Zero-shot prompting کا مطلب ہے براہ راست پوچھنا بغیر کسی مثال کے: "Write a regex that matches US phone numbers." یہ عام، ٹھیک طریقے سے متعین کاموں کے لیے ٹھیک کام کرتا ہے۔

Few-shot prompting کا مطلب ہے model کو input/output pattern کی ایک یا زیادہ مثالیں دینا جو آپ چاہتے ہیں اس سے پہلے کہ آپ اسے pattern جاری رکھنے کے لیے کہیں۔ اگر آپ model کو support tickets کو categories میں classify کرنا چاہتے ہیں تو پہلے تین labeled مثالیں دکھانا زیادہ مطابقت رکھنے والے نتائج دے گا بجائے categories کو صرف prose میں بیان کرنے کے۔

Chain-of-thought prompting model سے کہتا ہے کہ وہ حتمی جواب دینے سے پہلے قدم بہ قدم تفکر کریں، اکثر لفظی طور پر "think step by step" شامل کر کے یا اسے اپنا کام دکھانے کے لیے کہہ کر۔ یہ ریاضی، منطق، اور multi-step کاموں میں مدد دیتا ہے، اگرچہ یہ token usage اور response length بھی بڑھاتا ہے۔

Role prompting model کو ایک persona assign کرتا ہے — "You are a senior security engineer reviewing this code for vulnerabilities" — جو tone، vocabulary، اور تفصیل کی جو قسم یہ ترجیح دیتا ہے وہ تبدیل کر سکتا ہے۔ یہ model کو نئی صلاحیتیں نہیں دیتا، لیکن اس کی output style کو anchor کرتا ہے۔

ڈھانچہ ہوشیاری سے زیادہ اہم ہے

ابتدائی اکثر یہ سمجھتے ہیں کہ prompt engineering ایک جادوئی لفظ تلاش کرنے کے بارے میں ہے۔ عملی طور پر، ڈھانچہ تقریباً ہمیشہ ہوشیاری سے بہتر ہے۔ اپنے prompt کو واضح حصوں میں توڑیں: context، task، constraints، اور format۔ مثال کے طور پر:

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.

اس قسم کی واضح formatting ابہام کو کم کرتی ہے اور اگر آپ اسے ایک script میں مل کر استعمال کر رہے ہیں تو outputs کو programmatically parse کرنا آسان بناتی ہے۔

شروع میں عام غلطیاں

ایک عام غلطی ہے غیر وضاحت جو مختصری میں چھپی ہو — "make this better" پوچھنا بغیر یہ بتائے کہ "better" کا مطلب کیا ہے (تیز؟ زیادہ readable؟ زیادہ محفوظ؟)۔ ایک اور ہے ایک prompt میں پانچ غیر متعلقہ کاموں کو ٹھوس دینا، جو تمام پانچ کے لیے سطحی جوابات دیتا ہے بجائے ایک کے سخت جواب۔ ابتدائی یہ بھی بھول جاتے ہیں کہ models کے پاس الگ API calls کے درمیان کوئی memory نہیں ہے جب تک آپ explicitly prior conversation history واپس pass نہ کریں، جو لوگوں کو کسی بھی stateful چیز بنانے میں trouble کرتا ہے۔

ایک engineer کی طرح testing اور iterating کریں

Prompts کو code کی طرح سلوک کریں جو آپ version اور test کریں، نہ کہ ایک بار کا text جو آپ پھینک دیں۔ prompt variations اور ان کے outputs کا ایک log رکھیں، خاص طور پر کسی چیز کے لیے جو آپ production میں دوبارہ استعمال کریں گے، جیسے ایک customer support bot یا ایک code review assistant۔ چھوٹی wording تبدیلیاں — "summarize" بمقابلہ "summarize in exactly three bullet points" — معنی خیز طور پر مختلف نتائج دے سکتی ہیں، اور یہ جانने کا واحد طریقہ کہ آپ کے use case کے لیے کیا کام کرتا ہے وہ یہ ہے کہ comparison خود چلائیں بجائے یہ فرض کریں۔

یہ حقیقی چیزیں بنانے میں کہاں فٹ ہوتا ہے

ایک بار جب prompts قابل اعتماد ہو جائیں تو اگلا قدم عام طور پر programmatic use ہے: ایک API کو temperature اور max_tokens settings کے ساتھ call کریں جو آپ کے کام کے لیے tune کیے گئے ہوں، malformed outputs کے لیے retry logic شامل کریں، اور responses کو validate کریں اس سے پہلے کہ وہ کسی user تک پہنچیں۔ یہ وہ جگہ ہے جہاں prompt engineering عام software engineering discipline کے ساتھ overlap ہونا شروع کرتا ہے، اور یہ ایک اچھا point ہے chat window میں experimenting سے actual scripts لکھنے میں منتقل ہونے کے لیے۔

اگر آپ آگے بڑھنا چاہتے ہیں تو Korra Studio کے segments دیکھیں جو Python میں LLM APIs کے ساتھ کام کرنے پر ہیں اور scratch سے small AI-powered tools بنانے پر۔