Vodič za optimizaciju promptova
U svetu veštačke inteligencije, na strani korisnika sve se vrti oko prompta / promptova. Evo kratkog vodiča za njihovu optimizaciju.
Prompt je upit ili instrukcija koja se daje modelu veštačke inteligencije. To je tekst koji piše korisnik da bi model razumeo šta je potrebno da uradi – da objasni, prevede, generiše, analizira ili izvrši neki zadatak. Prompt može biti vrlo jednostavan, ali i vrlo složen. Kvalitet prompta direktno utiče na kvalitet i relevantnost odgovora koje generiše veštačka inteligencija.
Prompt inženjering (Prompt Engineering) je veština oblikovanja i optimizacije promptova tako da model veštačke inteligencije daje što tačnije, korisnije i kvalitetnije rezultate.
Struktuisan pristup
Greg Brockman, predsednik OpenAI, preporučuje struktuisan pristup pisanju promptova kako bi AI modeli davali precizne, korisne i kontekstualno tačne odgovore. Po njegovom mišljenju, najbolji promptovi se sastoje iz četiri ključna elementa: cilj, format odgovora, ograničenja i kontekst.
Prvi element, cilj (Goal), podrazumeva da korisnik jasno definiše šta želi da AI uradi. To može biti konkretan zadatak, pitanje ili problem koji treba rešiti. Precizno postavljen cilj daje modelu jasnu smernicu i smanjuje mogućnost nesporazuma ili generičkog odgovora.
Drugi element je format odgovora (Return format). Ovde korisnik određuje kako želi da izgleda rezultat – da li kao lista, tabela, kod, paragrafi ili neki drugi strukturirani oblik. Definisanje formata omogućava modelu da odmah proizvede rezultat u upotrebljivom obliku, što štedi vreme i smanjuje potrebu za dodatnom obradom.
Treći element su upozorenja i ograničenja (Warnings/Constraints). Ovim delom prompta modelu se daju jasna pravila – šta treba izbegavati, šta proveriti ili na šta obratiti pažnju. Na primer, korisnik može tražiti da model izbegava nepotvrđene informacije, da ne koristi vulgaran jezik ili da se drži određenih smernica. Ograničenja pomažu da output bude precizan, pouzdan i u skladu sa očekivanjima korisnika.
Četvrti element je kontekst (Context dump), odnosno davanje svih relevantnih informacija koje pomažu modelu da razume situaciju. Ovo uključuje pozadinske podatke, definicije, prethodne interakcije ili dodatne detalje koji omogućavaju modelu veštačke inteligencije da pruži sveobuhvatan i relevantan odgovor.
Brockman ističe da ovakav pristup, poznat kao „o1 prompt“, omogućava modelu dublje razmišljanje i bolje rezonovanje. Struktura prompta smanjuje nesigurnost, vodi model kroz logički tok i omogućava generisanje preciznijih, korisnijih i kontekstualno prilagođenih odgovora.
o1 prompt
Primer o1 prompta za konsultantsku firmu koja nudi svoje usluge:
Cilj: Napiši promotivni tekst koji jasno i ubedljivo opisuje prodaju konsultantske usluge Digitalna transformacija za mala i srednja preduzeća i motiviše vlasnike i menadžere SME da zakažu besplatnu 30-minutnu konsultaciju.
Format odgovora: Headline (1 rečenica); uvod (2–3 rečenice) — problem; glavni deo (3–4 kratka pasusa) — prednosti, konkretni rezultati, metodologija; socijalni dokaz (1 rečenica); ponuda i CTA (1–2 rečenice); potpis (Ime firme + garancija sledećeg koraka).
Ograničenja: Ton profesionalan i prijateljski; ukupno 180–240 reči; ne koristiti tehnički žargon; ne obećavati nerealan rast.
Kontekst: Ime firme: X; Usluga: analiza procesa, implementacija CRM i automatizacija prodaje, obuka tima; Ciljna grupa: mala i srednja B2B preduzeća; Prednosti: brže generisanje ponuda, smanjenje ručnih zadataka do 40%, bolja preglednost prodajnog toka; Ponuda: besplatna 30-minutna konsultacija za prvih 10 prijavljenih; Kontakt podaci: kontakt@gmail.com/ +381 64 000 0000.
Počni sada i napiši tekst pogodan za LinkedIn objavu i email outreach.
Vrste promptova
Vrste promptova:
- Direktan prompt (Zero shot) – jednostavna instrukcija bez primera.
- Prompt sa jednim ili više primera (One-shot, Few-shot, Multi-shot) – Korisnik modelu unapred daje jedan ili više konkretnih primera, kako bi precizno razumeo kakav odgovor ili stil očekuje.
- Korak po korak (Chain of Thought) – podstiče model da razmišlja korak po korak i razloži zadatak na delove pre nego što da konačan odgovor.
- Direktno razmišljanje korak po korak (Zero-shot CoT) – kombinuje razmišljanje korak-po-korak sa direktnom instrukcijom, bez primera.
Primer direktnog prompta:
Napiši kratak LinkedIn post kojim konsultantska firma objašnjava vlasnicima firmi zašto je digitalizacija prodaje ključna za opstanak u naredne 3 godine
Primer prompta sa jednim primerom:
Primer: ‘Naša usluga optimizacije CRM-a smanjila je vreme obrade ponuda za 30% kod klijenta X.’ Napiši kratku studiju slučaja (120–150 reči) za konsultantsku firmu koristeći isti stil kao primer: navedi problem, rešenje i kvantifikovan rezultat. Dodaj jednu rečenicu sa pozivom na akciju.
Primer prompta korak po korak:
Ponašaj se kao konsultant i razloži korak po korak kako bi sproveo trofazni plan za povećanje stope konverzije online prodaje za 25% u roku od 6 meseci. Za svaki korak navedi: (1) šta se radi, (2) ko je odgovoran, (3) merljive KPI-je, (4) tipične rizike i kako ih ublažiti. Počni sa fazom istraživanja tržišta.
Primer direktnog prompta korak po korak:
Bez primera, razloži mi korak po korak kako bi konsultantska firma izradila 90-dnevni onboarding program za nove klijente u sektoru B2B-softvera. Fokus: brza vrednost, metrika uspeha i 3 šablona mejlova za komunikaciju. Objasni razmišljanje pre svake faze (kratko).
Parametri
U prompt inženjeringu, parametri su kontrolni mehanizmi koji određuju kako AI model reaguje na unos korisnika. Oni ne menjaju samu sposobnost modela, ali utiču na stil, ton, dužinu, kreativnost i strukturu odgovora.
U tabeli ispod se nalazi prikaz parametara koji mogu da se koriste u prompt inženjeringu.
| Parametar | Opseg | Manja vrednost | Veća vrednost | Uticaj na odgovor | ||||
| temperature | 0 – 1 | Odgovori su predvidivi, uobičajene fraze. | Odgovori su kreativni, raznovrsni, neočekivani. | Kontroliše koliko model sme da eksperimentiše. | ||||
| top_p | 0 – 1 | Model bira reči iz malog, vrlo verovatnog skupa. | Model bira reči iz šireg skupa, veća raznovrsnost. | Ograničava izbor reči na najverovatnije;
niži top_p → fokusiran i precizan, viši top_p → raznovrsniji i neočekivan output. |
||||
| max_tokens | 1 – ~4000 – 8000 | Kratki, sažeti odgovori. |
|
|
||||
| frequency_penalty | -2.0 – 2.0 | Manje kazni za ponavljanje. |
Više kazni, model izbegava ponavljanje.
|
|
||||
| presence_penalty | -2.0 – 2.0 | Manje podsticaja za nove koncepte. | Više podsticaja; model uvodi nove teme ili reči. |
|
||||
| diversity_penalty | 0 – 2 | Manje raznovrsnosti, veća ponavljanja. | Veća raznovrsnost, više novih koncepata i reči. |
|
||||
| best_of | >=1 | Manje kandidata, brže generisanje, manja šansa za optimalan odgovor. |
|
|
Šablon prompta sa korišćenjem parametara:
temeprature=[željeni broj]
diversity_penalty=[željeni broj]
best_of=[željeni broj]
Prompt
Na slici ispod se nalazi primer korišćenja parametara u promptu.
Tina Paunović, master inženjer informacionih sistema
