Мета-подсказки: Генериране на оптимални подсказки
На тази страница
Урокът е актуализиран на 3 ноември 2026 г. въз основа на документацията на OpenAI: параметрите
temperatureиtop_pсе приемат само при усилие за разсъждение (reasoning effort) със стойностnone, докато моделите GPT-5.6 разсъждават по подразбиране (medium). Следователно заявките, които задават тези параметри, трябва изрично да посочватreasoning={"effort": "none"}(Responses API) илиreasoning_effort="none"(Chat Completions). Източници: Използване на GPT-6 · GPT-5.6 Terra.
Мета-подсказки: Генериране на оптимални подсказки
Мета-подсказването включва използването на голям езиков модел (LLM) за генериране или подобряване на подсказки. Вместо ръчно да пишете всяка инструкция, Вие описвате задачата и поискате от модела да създаде оптималната подсказка. Спестеното време е незабавно, но истинската полза идва от друго: тази техника изважда на повърхността формулировки, за които може би никога не бихте се сетили, тъй като разработчиците винаги пишат подсказки със същите рефлекси и слепи петна.
Принципът
Добрата подсказка е програма, написана на естествен език. Както при всяка програма, понякога е по-ефективно да я генерирате, отколкото да я въвеждате ръчно – вие също не пишете миграциите на базата данни символ по символ. Мета-подсказването използва факта, че по време на обучението си моделът е срещнал огромно количество подсказки и дискусии относно това какво ги прави ефективни. Примерът по-долу иска системна подсказка за класифициране на тикети за поддръжка. Два детайла заслужават вниманието Ви: спецификацията е прецизна до стойностите на категориите, а последният ред изисква суров изход без придружаващ коментар, което гарантира, че резултатът може да бъде директно използван от кода.
from openai import OpenAI
client = OpenAI()
meta_prompt = """You are an expert in prompt engineering.
Generate an optimized system prompt for the following task:
- Objective: Classify customer support tickets
- Categories: bug, feature_request, question, billing
- Output: JSON with "category", "priority" (1-5), "summary"
- Constraints: Response in French, max 100 tokens
The prompt must include:
1. A clear role
2. The categories with classification criteria
3. The exact output format with an example
4. Edge cases (ambiguous ticket, out-of-category)
Return ONLY the system prompt, with no explanation."""
response = client.responses.create(
model="gpt-5.6-sol",
reasoning={"effort": "none"}, # temperature requires effort none
input=meta_prompt,
temperature=0.7
)
generated_prompt = response.output_text
print(generated_prompt)
Генериране от спецификации
Първият шаблон индустриализира това, което току-що направихте ръчно: Вие описвате изискванията си като функционални ограничения, а моделът произвежда съответната подсказка. Чрез обвиването на мета-подсказката във функция, получавате многократен генератор за всяка задача във Вашето приложение. Страничният ефект е значителен: подсказките, написани от петима различни разработчици, спират да имат пет различни стила, което значително опростява прегледа на кода.
def generate_prompt(objective: str, constraints: list[str],
output_format: str) -> str:
"""Generates a system prompt from specifications."""
spec = f"""Generate a system prompt for this task:
Objective: {objective}
Constraints:
{chr(10).join(f'- {c}' for c in constraints)}
Expected output format:
{output_format}
Include a concrete input/output example.
Return only the prompt, with no commentary."""
response = client.responses.create(
model="gpt-5.6-sol",
reasoning={"effort": "none"}, # temperature requires effort none
input=spec,
temperature=0.5
)
return response.output_text
Подобряване на съществуваща подсказка
Вторият шаблон започва с подсказка, която вече е в продукция, и наблюдаван дефект в реална среда. Вместо да я препишете изцяло – което рискува да сработи нещо, което е работело перфектно – Вие предоставяте текущата подсказка заедно с точно описание на проблема: „понякога отговаря на английски“ или „измисля номера на поръчки, когато липсва референция“. Инструкцията „запазете работещото“ е решаващата част тук. Без нея моделът спонтанно ще рефакторира всичко и ще Ви предаде чисто нова подсказка, която вече не разбирате.
def improve_prompt(current_prompt: str, problem: str) -> str:
"""Improves an existing prompt based on feedback."""
meta = f"""Here is a system prompt that has a problem:
--- CURRENT PROMPT ---
{current_prompt}
--- END ---
Observed problem: {problem}
Rewrite this prompt to fix this problem.
Keep what works; modify only what is necessary.
Return only the improved prompt."""
response = client.responses.create(
model="gpt-5.6-sol",
reasoning={"effort": "none"}, # temperature requires effort none
input=meta,
temperature=0.3
)
return response.output_text
Генериране на варианти за сравнение
Третият шаблон генерира множество версии на една и съща подсказка: постоянна цел, но разминаващи се формулировки и структури. Това е суровият материал за A/B тестването, което ще разгледаме в Урок 15; без варианти просто нямате какво да сравнявате. Високата температура тук не е пропуск: тя служи именно за създаване на разнообразие между версиите, докато ниската температура би Ви дала три почти еднакви преразкази.
def generate_variants(base_prompt: str, n: int = 3) -> list[str]:
"""Generates n variants of a prompt."""
meta = f"""Here is a system prompt:
{base_prompt}
Generate {n} variants of this prompt that:
- Keep the same objective
- Use different phrasing
- Vary the structure (lists vs. paragraphs, order of instructions)
Separate each variant with "---VARIANT---"."""
response = client.responses.create(
model="gpt-5.6-sol",
reasoning={"effort": "none"}, # temperature requires effort none
input=meta,
temperature=0.9
)
return response.output_text.split("---VARIANT---")
Сглобяване на конвейера
Тези три строителни блока се свързват естествено: генерирайте подсказка от целта, създайте варианти, след което изпълнете всеки вариант върху представителен тестов набор, за да ги прецените въз основа на доказателства, а не на оценки.
def meta_prompt_pipeline(objective: str, tests: list[str]) -> str:
"""Complete meta-prompting pipeline."""
# 1. Generate 3 variants
variants = generate_variants(
generate_prompt(objective, [], "free text"), n=3
)
# 2. Test each variant
scores = []
for i, prompt in enumerate(variants):
results = []
for test in tests:
response = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # temperature requires effort none
instructions=prompt.strip(),
input=test,
temperature=0.2
)
results.append(response.output_text)
scores.append((i, results))
# 3. Evaluate (adapt to your criteria)
print("Compare the results and select the best variant.")
return variants, scores
Какво мета-подсказването няма да направи за Вас
Моделът има силна тенденция към свръхоптимизация: подсказката, която връща, често е твърде многословна или твърде тясно калибрирана към примерите, които сте предоставили, което кара поведението ѝ да бъде лошо при леко различни случаи. Човешкият преглед е следователно задължителен преди всяко внедряване, макар и само за да се провери дали не са измислени бизнес правила по пътя – модел, който допълва непълна спецификация, винаги го прави с добри намерения, а понякога и грешно. Също така следете разходите: всяка итерация консумира токени и един неограничен цикъл за подобряване може да продължи дълго, без никога да достигне до сходимост. Задайте максималния брой итерации във Вашия код, а не във Вашата лична дисциплина.
За да овладеете тази техника, вземете реална задача от Вашата област, напишете пълната ѝ спецификация (цел, ограничения, формат), генерирайте три варианта, тествайте ги върху пет случая от Вашата производствена среда и след това ръчно усъвършенствайте най-добрия. Почти винаги именно този финален ръчен щрих прави разликата между една прилична подсказка и такава, която сте готови да пуснете в продукция.
Ключови изводи
- Мета-подсказването използва LLM като генератор на подсказки
- Три шаблона: генериране, итеративно подобряване, варианти
- Винаги валидирайте генерираните подсказки с конкретни тестове
- Комбинирайте автоматичното генериране с ръчна настройка
- Задавайте ограничения, за да избегнете скъпи цикли на итерация