Премини към основното съдържание
Български— Изберете език
Меню

Контекст и ограничения

Урок 4 от 16 Обновен 28 юли 2026 г. Начинаещ
На тази страница
  1. Контекст: Дайте на модела това, което не знае
  2. Три вида контекст за предоставяне
  3. Дефинирайте очаквания формат
  4. Ограничете дължината
  5. Ограничете тона и регистра
  6. Ограничете обхвата
  7. Комбинирайте контекст и ограничения
  8. Ключови изводи

Контекст: Дайте на модела това, което не знае

Моделите на Mistral притежават обширни общи познания, но не знаят нищо за Вашата конкретна ситуация: Вашата компания, Вашият проект, Вашата аудитория, Вашите бизнес ограничения. Контекстът, който предоставяте в подканването си, запълва тази празнота. Това е разликата между инструмент с общо предназначение и специализиран асистент. Без контекст моделът генерира общи отговори – верни средно, но неприложими в частния случай. С правилния контекст той създава персонализирани отговори.

Три вида контекст за предоставяне

Първият е ситуационен контекст: обстановката около Вашата заявка. Директор маркетинг, който просто напише „предложи маркетингов план“, ще получи учебникарски план. Ако уточни ситуацията си, всичко се променя:

Context: I am the marketing director of an SME with 50 employees
specializing in B2B office furniture sales.
We are launching a new eco-friendly line in September 2026.
Our annual marketing budget is €80,000.

Всяко изречение в този контекст елиминира десетки отговори извън темата: няма стратегии за B2C, няма бюджети от седем цифри, няма препоръки, несвързани със старта.

Вторият е документален контекст: данните, които моделът трябва да анализира или използва. Моделът не знае Вашите вътрешни figures – трябва да му ги дадете, идеално разграничени с тагове, за да ги отделите от инструкциите:

Here are the quarterly results to analyze:

<data>
Q1 2026: Revenue €1.2M, margin 23%, 145 new clients
Q2 2026: Revenue €1.5M, margin 21%, 178 new clients
Q3 2026: Revenue €1.1M, margin 19%, 112 new clients
</data>

Identify trends and propose 3 corrective actions for Q4.

Третият е контекст на аудиторията: за кого е предназначено генерираното съдържание. Не обяснявате една и съща тема по един и същи начин на начинаещ и на експерт. Посочете например: „Текстът е за опитни Python разработчици (5+ години стаж), които за първи път откриват API на езикови модели. Няма нужда да обяснявате основите на Python, но детайлизирайте концепциите за LLM.“ Тогава моделът ще калибрира нивото на детайлност точно там, където читателят Ви се нуждае от него.

Дефинирайте очаквания формат

Форматът на изхода е едно от най-мощните ограничения. Без насоки моделът ще избере формат по подразбиране – често проза, – който ще трябва да преработвате. Като уточните формата, получавате точно това, от което се нуждаете, готово за употреба.

За списък го кажете: „Избройте предимствата като точки (максимум 5).“ За таблица: „Представете резултатите в Markdown таблица с колони Функция | Наличност | Приоритет.“ За софтуерна интеграция структурираният JSON е цар, и заслужава да бъде уточнен поле по поле:

Return the response in the following JSON format:
{
  "summary": "string (max 100 words)",
  "keywords": ["string"],
  "sentiment": "positive | neutral | negative",
  "confidence_score": "number (0-1)"
}

Същият принцип важи и за кода: „Напишете функцията на Python 3.11+. Добавете docstrings в стил Google и типизирани подсказки (type hints). Включете 2 примера за употреба в коментарите в края.“ Колкото по-точно опишете формата, толкова по-малко преработки ще Ви се наложи да правите.

Ограничете дължината

Моделите на Mistral имат тенденция да бъдат изчерпателни, ако не зададете граници. Можете да ограничите дължината чрез брой думи („Отговорът да е максимум 150 думи“), чрез структура („Отговорът да се състои точно от 3 параграфа по 2-3 изречения всеки“) или чрез елементи („Дайте точно 5 препоръки, всяка в едно изречение“).

Едно предупреждение обаче: езиковите модели броят думите и символите лошо. Искайки „точно 150 думи“, ще получите текст от около 150 думи, рядко точно на точката. Ако дължината наистина има значение за Вас, предпочитайте структурни ограничения – брой параграфи, точки, секции, – които моделът следва много по-вярно от точните бройки.

Ограничете тона и регистра

Тонът на отговора директно влияе върху неговата полезност: текст с грешен тон е текст, който трябва да пренапишете. Бъдете изрични, дори ако това означава да натрупате спецификации: „Тон: професионален, но достъпен. Избягвайте техническия жаргон, освен ако не е неизбежен (в такъв случай го дефинирайте). Използвайте официален език. Без емотикони или неформален език.“

Професионален съвет: най-ефективните директиви за тон често сравняват задачата с известна професионална ситуация. „Отговорете като старши консултант, представящ пред изпълнителен комитет“, „Приемете педагогически тон, като професор, обясняващ на магистранти“ или „Бъдете директни и сбити, като вътрешен одиторски доклад“: всяка от тези фрази кондензира цял набор от избори на речник, дължина и позиция в един образ, който моделът умее да декодира.

Ограничете обхвата

Определянето на обхвата означава да кажете на модела къде да спре. Ето пример за ограничения:

Scope constraints:
- Focus ONLY on the French market
- Do NOT mention US or UK regulations
- Ignore tax aspects (another expert handles this)
- If information is missing, state it explicitly
  rather than inventing it

Обърнете специално внимание на последното ограничение: то е Вашата най-добра защита срещу халюцинации. Модел, помолен за пълен отговор, има тенденция да запълва празнините с правдоподобна информация; като изрично му разрешите да признае своите ограничения, Вие превръщате тихото измисляне във видим флаг, който след това можете да обработите.

Комбинирайте контекст и ограничения

На практика професионалното подканване естествено комбинира всичко гореизброено: контекст и постоянни правила в системното подканване, данни и очакван формат в потребителското съобщение. Ето един пълен пример за HR анализ:

messages = [
    {
        "role": "system",
        "content": """You are a senior HR analyst at a tech company.
Rules:
- Formal English, professional tone
- Base your analysis solely on the provided data
- If data is missing, flag it with [MISSING_DATA]
- Format: sections with headings, bullet points, no prose"""
    },
    {
        "role": "user",
        "content": """Analyze the absenteeism data below and propose an action plan.

Q1 2026 Data:
- Overall absenteeism rate: 7.2% (+1.8 points vs Q1 2025)
- Most affected department: Customer Support (12.1%)
- Main reason: short-term sick leave (< 5 days)
- Average tenure of absent employees: 2.3 years

Expected format:
1. Diagnosis (3 points max)
2. Probable causes (3 hypotheses)
3. Action plan (5 concrete measures with timeline)"""
    }
]

Забележете как всеки елемент, разгледан в този урок, намира своето място: роля и регистър в системата, разграничени данни в потребителското съобщение, номериран формат в края на съобщението и защитната бариера срещу измислици ([MISSING_DATA]), зададена веднъж завинаги.

Ключови изводи

  • Контекстът трансформира общия отговор в персонализиран
  • Предоставяйте ситуационен, документален и контекст на аудиторията според нуждите
  • Винаги дефинирайте очаквания изходен формат (JSON, списък, таблица и др.)
  • Ограничавайте дължината чрез структура, а не чрез брой думи
  • Разграничете обхвата и разрешете на модела да сигнализира липсваща информация