Антишаблони, които трябва да избягвате
На тази страница
- Грешки, които саботират Вашите подкани
- Антишаблон 1: Субективен език
- Антишаблон 2: Противоречиви инструкции
- Антишаблон 3: Искање от модела да брои
- Антишаблон 4: Прекомерно генериране на токени
- Антишаблон 5: Числови скали
- Антишаблон 6: Неясни инструкции
- Антишаблон 7: Игнориране на предварителното попълване (Pre-filling)
- Ключови изводи
Грешки, които саботират Вашите подкани
Овладяването на подканите (prompting) означава също да знаете какво не трябва да правите. Определени навици, съвсем естествени в човешката комуникация, водят до лоши резултати с моделите на Mistral – точно защото те разчитат на имплицитно разбиране, което моделът притежава. Този урок изброява седемте най-чести антишаблона, като за всеки от тях предоставя грешната версия, коригираната версия и логиката зад корекцията. Вероятно ще разпознаете някои от собствените си навици по пътя.
Антишаблон 1: Субективен език
Между колеги фразата „напиши ми текст, не твърде дълъг“ работи, защото споделяте контекст: колегата познава случая на употреба, читателя и навиките в компанията. Моделът не възприема субективните думи така, както Вие. Термини като „кратък“, „дълъг“, „много“, „интересен“ или „не твърде“ са двусмислени и произвеждат непредсказуеми резултати от едно изпълнение до друго.
Лошо:
Write a text not too long about AI.
Include many interesting examples.
Добре:
Write a text of 200 to 300 words about generative AI.
Include 3 concrete examples of application in business
(marketing, HR, customer service).
Правилото за корекция е механично: заменете всеки субективен термин с обективна мярка. „Не твърде дълъг“ става „200-300 думи“, „много примери“ става „3 примера“, а „интересен“ става точно описание на типа очаквани примери.
Антишаблон 2: Противоречиви инструкции
Когато Вашата подкана съдържа несъвместими инструкции – „бъдете изчерпателни и обхванете всички аспекти“, последвано от „отговорете с максимум 3 изречения“ – моделът трябва да избере коя да следва, а този избор е непредсказуем. Един ден получавате три повърхностни изречения, на следващия – изчерпателна стена от текст. Корекцията се състои в помиряването на двете изисквания в една единствена, кохерентна инструкция: „Обхванете 3-те основни аспекта на темата. За всеки аспект дайте обобщаващо изречение (макс. 25 думи).“ Изчерпателността става дефиниран обхват, а краткостта – ограничение за всеки елемент; няма повече конфликт.
Ако правилата Ви са наистина сложни, с различно поведение в зависимост от случая, не ги натрупвайте: структурирайте ги като дърво за вземане на решения, където всеки клон е изричен:
If the client is an individual:
→ Use an accessible tone, avoid technical jargon
→ Propose the Starter offer first
If the client is a business:
→ Use a professional and technical tone
→ Propose the Enterprise offer first
If you are unsure:
→ Politely ask if this is for personal or professional use
Антишаблон 3: Искање от модела да брои
Езиковите модели са лоши в броенето. Те всъщност не броят думи, символи или изречения – те оценяват, защото манипулират токени, а не текстови единици. Искаването на „точно 150 думи“ или „проверете дали всяко изречение е по-малко от 20 думи“ е като да изисквате от художник да измерва в микрони: това не е техният инструмент.
Лошо:
Write a text of exactly 150 words.
Check that each sentence is less than 20 words.
Добре:
Write a short text (around 150 words, 2-3 paragraphs).
Use concise and direct sentences.
И ако броенето е наистина критично за Вашето приложение – например ограничение на символите, наложено от интерфейс – извършете го в кода след получаване на отговора от модела, а не в подканата. Вашият език за програмиране брои перфектно; моделът – не.
Антишаблон 4: Прекомерно генериране на токени
Всеки генериран токен има цена, както финансова, така и под формата на латентност. Искането от модела да произвежда информация, която няма да използвате, е чиста загуба: плащате повече, за да чакате по-дълго за текст, който няма да прочетете. Типичният случай е анализ на код, където искате „обяснете подробно всеки ред“, плюс „историята на езика“ и „възможни алтернативи“, когато Ви интересуват само бъговете.
Добре:
Analyze this code and identify:
1. Potential bugs (with the line concerned)
2. A proposed fix for each bug
Nothing else.
Крайното „нищо друго“ е изненадващо мощна инструкция: то изрично казва на модела да не добавя допълнения, предупреждения и разширения, които той произвежда спонтанно. Вашият отговор пристига по-бързо, струва по-малко и отива директно към същината.
Антишаблон 5: Числови скали
Искането от модела да оценява по скала от 1 до 5 или от 1 до 10 изглежда строго – в действителност е обратното. Моделът няма надеждна вътрешна калибрация за тези скали: един и същ текст може да получи 6/10 днес и 8/10 утре, без критерии, обясняващи разликата. Решението се състои в замяната на числата с словесни скали с изрични критерии:
Evaluate the quality of this text according to these levels:
- Insufficient: factual errors, incoherent structure
- Acceptable: correct but lacks depth or clarity
- Good: well structured, clear, with relevant examples
- Excellent: publication-ready, original, brings clear added value
Choose one level and justify in 2 sentences.
Тъй като всяко ниво е дефинирано чрез наблюдаеми критерии, оценката става възпроизводима и обоснована – знаете защо един текст е „Приемлив“, а не „Добър“, и моделът прилага същите критерии при всяко извикване.
Антишаблон 6: Неясни инструкции
„Подобрете този текст“ е перфектният пример за инструкция, която изглежда ясна, а изобщо не е. Какво да се подобри? Правопис? Стил? Структура? Моделът ще избере вместо Вас и рискува да пренапише пасажи, които сте искали да останат непроменени. Професионалната версия ограничава както какво да се коригира, така и какво да остане непокътнато:
Improve this text by correcting:
1. Spelling and grammar mistakes
2. Sentences longer than 30 words (simplify them)
3. Word repetitions within a range of 3 sentences
Do NOT modify:
- The meaning of sentences
- Technical terms (even if synonyms exist)
- Paragraph structure
Блокът „Do NOT modify“ е толкова важен, колкото и първият: без него един прекалено старателен модел ще замени Вашите технически термини с приблизителни синоними.
Антишаблон 7: Игнориране на предварителното попълване (Pre-filling)
Последният антишаблон е пропусната възможност, а не активна грешка: много потребители игнорират възможността за предварително попълване на отговора чрез ролята assistant, разгледана в урока за ролите. Все пак това е мощен лост за налагане на формат. При просто потребителско съобщение, искащо JSON, моделът може да добави уводно изречение, обратни кавички, финален коментар – толкова много елементи, които ще разрушат Вашия парсинг. Като завършите съобщенията си с началото на отговор от assistant, форматът става почти гарантиран:
Без предварително попълване (непредсказуем формат):
messages = [
{"role": "user", "content": "List 3 advantages of remote work in JSON."}
]
С предварително попълване (гарантиран формат):
messages = [
{"role": "user", "content": "List 3 advantages of remote work in JSON."},
{"role": "assistant", "content": "{\"advantages\": [", "prefix": True}
]
Моделът се оказва вече „в процеса на писане“ на JSON обекта: той може само да го довърши.
Ключови изводи
- Заменете субективния език и неясните инструкции с измерими и ограничени инструкции
- Избягвайте противоречиви инструкции – структурирайте сложните случаи като дърво за вземане на решения
- Никога не искайте от модела да брои: критичните бройки се извършват в кода
- Ограничете генерирането до информация, която действително се използва, като използвате словесни скали вместо числови
- Използвайте предварителното попълване от assistant, за да гарантирате формата на изхода