Prompt Engineering Techniques: LLM Optimization Guide

Prompt engineering er kunsten og vitenskapen bak å systematisk utforme input for å få ønsket output fra AI-modeller. Riktige prompt-strategier kan øke modellens ytelse med opptil 50%.

Prompt Engineering Fundamentals

Prompt Anatomy

En effektiv prompt består av følgende komponenter:

1. System Instruction: Modellens rolle og atferdsregler
2. Context: Bakgrunnsinformasjon relatert til oppgaven
3. Example(s): Eksempler på ønsket output-format
4. Task: Spesifikk forespørsel eller spørsmål
5. Output Format: Forventet responsstruktur

Basic Prompt Structure

1[Role Definition]
2You are a {field of expertise} expert.
3
4[Context]
5{Relevant information}
6
7[Task]
8{Specific request}
9
10[Format]
11{Expected output format}

Basic Prompt Techniques

1. Zero-Shot Prompting

Direkte oppgavedefinisjon uten eksempler:

Summarize the following text:
{text}

Use cases:

• Enkle oppgaver
• Generelle kunnskapsspørsmål
• Klassifisering

2. Few-Shot Prompting

Oppgavedefinisjon med eksempler:

1Text: "This product is great, I am very satisfied"
2Sentiment: Positive
3
4Text: "It was a terrible experience, I do not recommend it"
5Sentiment: Negative
6
7Text: "It's okay for the price"
8Sentiment: ?

Best Practices:

• 3–5 eksempler er vanligvis tilstrekkelig
• Legg til ulike edge cases
• Ranger eksemplene i tilfeldig rekkefølge

3. Chain-of-Thought (CoT)

Steg-for-steg-tenking:

1Question: A store has 15 apples. 8 apples were sold, 
2then 6 more apples arrived. How many apples are there?
3
4Let's think step by step:
51. Initially there are 15 apples
62. 8 apples sold: 15 - 8 = 7 apples left
73. 6 apples arrived: 7 + 6 = 13 apples
8
9Answer: 13 apples

4. Self-Consistency

Ulike resonnementsstier for samme spørsmål:

1Solve this problem in 3 different ways and choose the most consistent answer:
2
3[Problem]

5. Tree of Thoughts (ToT)

Forgrenet tanketre:

1Problem: {complex problem}
2
3Thought 1: {approach A}
4  → Sub-thought 1.1: {detail}
5  → Sub-thought 1.2: {detail}
6  
7Thought 2: {approach B}
8  → Sub-thought 2.1: {detail}
9  
10Evaluate and select the most suitable path.

Advanced Techniques

ReAct (Reasoning + Acting)

Syklus av tenking og handling:

1Question: How many times larger is Istanbul's population than Paris?
2
3Thought: I need to find the population of both cities
4Action: [search] Istanbul population
5Observation: Istanbul population ~16 million
6
7Thought: Now I need to find Paris population
8Action: [search] Paris population  
9Observation: Paris population ~2.2 million
10
11Thought: I can calculate the ratio
12Action: [calculate] 16 / 2.2
13Observation: 7.27
14
15Answer: Istanbul's population is approximately 7.3 times larger than Paris.

Constitutional AI Prompting

Definering av etiske regler og sikkerhetsregler:

1System: You are a helpful assistant.
2
3Rules:
41. Do not generate harmful content
52. Do not share personal information
63. Do not help with illegal activities
74. Always be honest
8
9User question: {question}

Role Prompting

Definering av spesifikt ekspertiseområde:

1You are a cybersecurity expert with 20 years of experience.
2You have worked as a CISO in Fortune 500 companies.
3You can explain technical details clearly and understandably.
4
5User's question: {question}
6## Strategier for optimalisering av prompt
7
8### 1. Øke spesifisitet
9
10❌ Dårlig:

Write a blog post

✅ God:

Target audience: Software developers Topic: Docker container security Length: 1500-2000 words Tone: Technical but accessible Format: Introduction, 5 main sections, conclusion

1
2### 2. Bestemme utdataformat
3

Provide your response in this JSON format: { "summary": "string", "key_points": ["string"], "next_steps": ["string"], "confidence_score": number }

1
2### 3. Negativ prompting
3
4Spesifisere uønsket atferd:
5

Do NOT do the following:

• Give speculative information
• Make claims without citing sources
• Lead the user
• Give excessively long answers

1
2### 4. Bruk av skilletegn
3
4Avklare seksjoner:
5

###CONTEXT### {context information}

###TASK### {work to be done}

###FORMAT### {output format}

1
2## Modellspecifikke optimaliseringer
3
4### For GPT
5

• Use System message effectively
• Activate JSON mode: response_format={"type": "json_object"}
• Temperature: 0.7-1.0 for creative tasks, 0.1-0.3 for analytical

1
2### For Claude
3

• Use XML tags: <context>, <task>, <format>
• Put important information at the end in long context
• Evaluate Thinking tags

1
2### For Gemini
3

• Optimize for multimodal prompts
• Up-to-date information with Grounding
• Adjust Safety settings

1
2## Testing og iterasjon av prompt
3
4### A/B-testingsrammeverk
5

Prompt A: {version 1} Prompt B: {version 2}

Metrics:

• Accuracy: %
• Consistency: 1-5
• Latency: ms
• Token usage: #

1
2### Versjonskontroll for prompt
3

prompt_v1.0: First version prompt_v1.1: Typo corrections prompt_v2.0: CoT added prompt_v2.1: Output format changed

1
2## Enterprise prompt-administrasjon
3
4### Lage et prompt-bibliotek
5

/prompts /classification - sentiment_analysis.json - intent_detection.json /generation - blog_writer.json - code_reviewer.json /extraction - entity_extraction.json - data_parsing.json

1
2### Prompt-templatesystem
3
4```python
5class PromptTemplate:
6    def __init__(self, template, variables):
7        self.template = template
8        self.variables = variables
9    
10    def render(self, **kwargs):
11        return self.template.format(**kwargs)
12
13# Usage
14sentiment_prompt = PromptTemplate(
15    template="Analyze sentiment: {text}",
16    variables=["text"]
17)

Vanlige feil og løsninger

Feil 1: Altfor vag prompt

Problem: Modellen forstår ikke hva du vil
Løsning: Legg til spesifikke instruksjoner og eksempler

Feil 2: Veldig lang prompt

Problem: Token-grense overskrides, kostnader øker
Løsning: Fjern unødvendig informasjon, bruk sammendrag

Feil 3: Motstridende instruksjoner

Problem: Modellen oppfører seg inkonsekvent
Løsning: Prioriter og tydeliggjør regler

Feil 4: Hallusinasjon

Problem: Modellen gir oppdiktet informasjon
Løsning: Grounding, krav om referanser, lavere temperatur

Konklusjon

Prompt engineering er en kritisk faktor for suksessen til AI-prosjekter. Du kan øke modellens ytelse betydelig med riktige teknikker og en systematisk tilnærming.

Hos Veni AI utvikler vi tilpassede promptstrategier for våre bedriftskunder. Kontakt oss for profesjonell støtte.