Stop met het opnieuw typen van aanwijzingen: sjablonen, persona's en enkele voorbeelden

Iedereen die regelmatig een taalmodel gebruikt, heeft hetzelfde archeologische probleem: ergens in de chatgeschiedenis staat de prompt die drie weken geleden precies de gewenste uitvoer opleverde, en je kunt deze niet vinden. Dus je typt een benadering opnieuw, zoekt iets in de buurt en past het elke keer aan, voor dezelfde terugkerende taak. De oplossing is geen beter geheugen. Het behandelt een prompt die werkt als een artefact dat u bewaart.

Scheid wat verandert en wat niet

Kijk naar een prompt die u wekelijks uitvoert en u zult twee delen vinden. Er is een stabiel deel – de rol, de beperkingen, het uitvoerformaat, de dingen die je wilt vermijden – en een variabel deel, dat meestal uit één document en twee of drie details bestaat. Het elke keer opnieuw typen van het stabiele gedeelte is waar de drift vandaan komt: elke keer opnieuw typen is iets anders, en je weet nooit of de uitvoer is veranderd omdat jouw invoer is veranderd of omdat je een instructie zonder bedoeling opnieuw hebt geformuleerd.

Schrijf het in plaats daarvan één keer met tijdelijke aanduidingen. De prompt-sjabloon neemt een sjabloon mee {{placeholder}} markeringen en een lijst met key = value paren en vult ze in. Sla het sjabloon op, geef de waarden op, plak het resultaat. Het stabiele deel is nu bij elke run byte-identiek, wat uw outputverschillen betekenisvol maakt - en, als bijkomend voordeel, ervoor zorgt dat de prompt-caching van de provider blijft werken, aangezien caching afhankelijk is van een ongewijzigd voorvoegsel.

Sommige tijdelijke aanduidingen zijn de moeite waard om te hebben, zelfs als je denkt dat je ze niet nodig hebt: het publiek, de uitvoerlengte, het formaat en de toon. Dat zijn precies de parameters die je uiteindelijk corrigeert in een vervolgbericht, en een vervolgbericht kost een volledige extra rondreis door het hele gesprek.

Het personablok

Het stabiele gedeelte opent meestal met een beschrijving van wie het model zou moeten zijn. Terloops geschreven, eindigt dit in drie vage zinnen die minder doen dan mensen denken. Het is met opzet geschreven en vormt het meest invloedrijke deel van de prompt, omdat het standaardinstellingen instelt voor alles wat u later niet opgeeft.

Wat daadwerkelijk helpt: een specifieke rol in plaats van een vleiende ('een technisch redacteur die 30% van elk concept weghaalt' verslaat 'een schrijfexpert van wereldklasse'), het publiek en hun niveau, een expliciet uitvoerformaat en – het meest onderschatte – een korte lijst met dingen die je niet moet doen. Negatieve beperkingen zijn niet glamoureus en werken: "geen inleiding, geen samenvatting aan het einde, geen opsommingen van meer dan vijf items" verwijdert de drie meest voorkomende ergernissen in één regel.

De AI-personapromptgenerator stelt dat blok samen uit een paar velden, zodat het resultaat elke keer dezelfde structuur heeft en niet afhankelijk is van wat je toevallig bedacht. Bewaar het samengestelde blok in uw aantekeningen en gebruik het als koptekst van elke sjabloon die een doelgroep deelt.

Voorbeelden verslaan bijvoeglijke naamwoorden

Wanneer de taak een transformatie met een specifieke stijl is – het herschrijven van ondersteuningsantwoorden, het extraheren van velden, het classificeren van tickets, het converteren van notities naar een huisformaat – komen de instructies snel op gang. Je kunt drie alinea's schrijven over de toon die je wilt en dan resultaat krijgen dat bijna klopt, op een manier die je niet helemaal kunt verwoorden. Twee uitgewerkte voorbeelden lossen dit onmiddellijk op, omdat het model de mapping kan zien in plaats van deze uit de beschrijving af te leiden.

Opmaak is hier belangrijker dan mensen verwachten. Voorbeelden hebben consistente scheidingstekens, consistente labels en elke keer dezelfde veldvolgorde nodig, anders besteedt het model aandacht aan het uitwerken van de conventie in plaats van aan de inhoud. De paar-shot snelle bouwer genereert een leeg sjabloon met genummerde invoer-/uitvoerblokken, zodat de structuur vastligt voordat u begint met het invullen ervan – en dat is precies de discipline die handgeschreven voorbeelden missen bij de derde.

Drie praktische regels. Gebruik twee tot vijf voorbeelden; verder betaal je tokens voor afnemende opbrengsten. Voeg één randgeval toe – een leeg veld, een dubbelzinnige invoer, iets dat het antwoord ‘Ik weet het niet’ zou moeten opleveren – omdat voorbeelden net zo goed de grenzen definiëren als het midden. En maak de voorbeelden werkelijkheid: verzonnen voorbeelden zijn doorgaans netter dan uw werkelijke gegevens, en het model leert de netheid ervan.

Wanneer de invoer groter is dan het venster

Een sjabloon overleeft het contact met een lang document alleen als het document past. Als dat niet het geval is, is splitsen de oplossing, en goed splitsen is een kwestie van grenzen van segmenten: een segment dat halverwege een zin eindigt, dwingt het model tot raden, en een segment dat halverwege een record eindigt levert een gedeeltelijke extractie op die het vol vertrouwen als voltooid zal rapporteren.

De snelle splitter verdeelt tekst in opeenvolgende stukken onder een tekenlimiet die u instelt, waarbij verstandige grenzen worden doorbroken en de delen worden genummerd, zodat elk deel kan worden uitgevoerd met hetzelfde instructieblok eraan. Twee dingen maken de resultaten aanzienlijk beter: vermeld het totaal in de instructie van elk deel ("deel 3 van 7, vat het niet samen tot het laatste deel"), en zorg ervoor dat de instructie identiek blijft voor alle delen, in plaats van deze gaandeweg te bewerken.

Mijn je eigen geschiedenis

De beste bron van sjablonen zijn de aanwijzingen die u al hebt geschreven en die hebben gewerkt. Chattranscripties die uit een webinterface worden gekopieerd, zijn een puinhoop – verweven rollen, UI-artefacten, tijdstempels, kopieerknoppen weergegeven als losse tekst – en die puinhoop is de reden waarom niemand er doorheen gaat.

De AI-chatlogparser ruimt een geplakt ChatGPT- of Claude-transcript op in een opgeruimde gebruiker/assistent-dialoog die u daadwerkelijk kunt lezen en doorzoeken. Voer één keer per week de sessies uit die iets hebben opgeleverd dat u hebt gebruikt, haal de aanwijzingen tevoorschijn die hebben gewerkt en verander ze in sjablonen. Dat is een gewoonte van vijftien minuten die sneller opbouwt dan welke hoeveelheid snel technisch advies dan ook.

Behandel aanwijzingen als code

Drie praktijken waar mensen uiteindelijk op uit komen en die ze vanaf het begin moeten overnemen:

• Versie ze. Bewaar aanwijzingen in bestanden, in de repository, naast de code die ze verzendt. Een prompt op een wikipagina is een prompt waar niemand verschil in kan maken.
• Houd vaste testingangen aan. Drie of vier representatieve documenten die u opnieuw uitvoert wanneer u de prompt of het model wijzigt. Zonder hen is ‘de nieuwe versie beter’ niet te falsificeren – en is elke modelupgrade een stille gedragsverandering.
• Noteer tegen welk model het is geschreven. Een prompt die is afgestemd op de eigenaardigheden van het ene model kan zich bij het volgende model anders gedragen, en als je weet waarvoor het is gebouwd, weet je waar je moet kijken als de output verschuift.

Niets van dit alles vereist een platform. Een map met tekstbestanden, een sjabloon met tijdelijke aanduidingen en de gewoonte om de bestanden die werken op te slaan, zullen voor onbepaalde tijd beter presteren dan een ongestructureerde chatgeschiedenis. Elke hier genoemde tool draait lokaal in uw browser, dus de aanwijzingen en transcripties die u organiseert (die routinematig klantmateriaal en interne details bevatten) blijven op uw computer staan.