Trei reguli de prompting, publicate acum câteva zile, au adus și câteva reacții care meritau mai mult decât un like. M-au împins să văd un tipar pe care nu-l numisem încă. (Postarea originală, cu context complet, aici).
Regulile bune de prompting nu sunt despre formulare. Sunt despre ce parte din gândire alegi să ții pentru tine și ce parte cedezi modelului. „Gândește pas cu pas” cedează structura problemei, nu doar procesul de răspuns. O comandă completă, dintr-o singură replică, cedează și presupunerile pe care AI-ul le face în locul tău, fără să le observi.
Asta a schimbat felul în care caut reguli noi. Nu mai vânez formulări magice, caut punctele în care cedez fără să bag de seamă.
Trei reguli pe care deja le-am publicat zilele trecute, pe scurt:
- Nu încheia cu „corect?” — forțează acordul. Reformulează neutru sau evită varianta da/nu.
- Maxim trei cerințe pe prompt — peste atât, ceva se pierde. Împarte în etape separate.
- Renunță la „pas cu pas” — [Rolul] + [Întrebarea] funcționează mai bine decât instrucțiunea de proces.
Alte cinci, testate direct pe workflow-urile mele din ultima vreme:
4. Nu-i cere să presupună, cere-i să întrebe
Un prompt complet, dat dintr-o singură comandă, forțează modelul să completeze golurile cu presupuneri, iar tu nu vezi unde a ghicit. Dacă îi ceri în schimb să pună întrebări înainte de răspuns, una câte una, presupunerile devin vizibile și corectabile din timp. Diferența nu e în calitatea răspunsului final, e în cine controlează informația care lipsește. Am observat asta mai ales la texte cu ton specific, unde o presupunere greșită despre audiență strică tot restul, chiar dacă structura rămâne corectă.
5. Arată-i ce nu vrei, nu doar ce vrei
O descriere pozitivă lungă, „vreau ton profesional, cald, apropiat”, lasă loc de interpretare, fiecare cuvânt poate însemna altceva pentru model decât pentru tine. Un exemplu negativ scurt, „nu suna ca un consultant care vinde”, elimină dintr-o mișcare o zonă întreagă de variante greșite. Funcționează mai ales pentru ton și stil, unde diferența dintre „bine” și „aproape bine” e greu de pus în cuvinte pozitive. Practic, îi arăți limita, nu ținta, și îl lași să găsească singur ce rămâne în interior.
6. Nu-i cere, în aceeași replică, să scrie și să se autoevalueze
Dacă îi ceri într-o singură replică să scrie și să verifice ce a scris, modelul tinde să-și confirme propria muncă, nu să o pună la îndoială serios. E același mecanism ca la oameni, greu să fii critic obiectiv cu ce tocmai ai produs, în același moment. Separă cele două cereri în replici diferite, ideal chiar în sesiuni diferite dacă poți, ca evaluarea să pornească de la zero, nu din inerția generării. Diferența se vede clar la texte lungi, unde erorile de logică trec neobservate dacă cel care le caută e chiar cel care le-a scris.
7. Dă-i voie explicit să spună „nu știu”
Fără o permisiune explicită, modelul completează cu încredere, chiar și acolo unde nu are bază reală, pentru că un răspuns „nu știu” pare, din perspectiva lui, un eșec de a ajuta. O linie simplă în prompt, „dacă nu ești sigur, spune”, schimbă comportamentul vizibil, mai ales la întrebări de fapt sau la cifre. Nu elimină complet halucinația, dar reduce încrederea nejustificată cu care apare răspunsul greșit. Merită folosită mai ales acolo unde consecința unei presupuneri greșite e mai mare decât consecința unui răspuns incomplet.
8. Nu corecta rezultatul, rescrie cererea
Când corectezi manual un rezultat greșit, repari simptomul o singură dată, dar cauza rămâne în prompt și produce aceeași greșeală la următoarea generare. Dacă în schimb rescrii cererea, cu partea care a generat problema clarificată, corectezi cauza, nu doar rezultatul curent. Ia ceva mai mult timp în momentul respectiv, dar economisește timpul pierdut cu aceeași corecție repetată la fiecare iterație. E genul de regulă care pare contraintuitivă sub presiune de timp, dar chiar atunci contează cel mai mult.
Întrebarea cu care rămân: data viitoare când scrii un prompt, care e partea din gândire pe care tocmai ai decis să n-o mai faci tu?
Citește și
