Løs komplekse problemer med ræsonnement på højt niveau
På denne side
Udnyttelse af ræsonnement på højt niveau
Du ved nu, hvornår du skal aktivere ræsonnement. Næste skridt er at lære, hvordan du fodrer det. Denne lektion viser dig præcis, hvordan du skal formulere dine forespørgsler, så en model indstillet til et højt refleksionsniveau – „High” eller „Extra High” i Chat, high til max i API’en – leverer sin bedste ydeevne på komplekse problemer.
Kunsten at formulere det rigtige problem
En ræsonnementsmodel er ikke et orakel: den er kun så god som de problemer, du giver den. Et veldefineret problem giver struktureret ræsonnement og et pålideligt svar; et vagt problem giver skuffende resultater, uanset hvor meget ræsonnementkraft du kaster efter det. OpenAI opsummerer det sådan for sine ræsonnementsmodeller: simple, direkte instrukser; eksplicitte begrænsninger; et krystalklart slutmål. Konkret handler forskellen om fire elementer, som din forespørgsel altid skal indeholde.
- Kontekst: Forklar situationen i et par sætninger.
- Data: Angiv alle tal, begrænsninger og parametre.
- Mål: Specificér præcis, hvad du forventer.
- Format: Angiv, hvordan du vil have svaret (tabel, detaljerede trin, endelig anbefaling).
Kløften mellem disse to prompts illustrerer reglen bedre end nogen forklaring kunne.
Dårlig prompt: „Hjælp mig med at optimere mine udgifter.”
God prompt: „Mit årlige marketingbudget er 180.000 €. Jeg har 4 kanaler: SEO (omkostning 3.000 €/md., estimeret ROI 4,2x), Google Ads (omkostning 5.000 €/md., ROI 2,8x), LinkedIn Ads (omkostning 4.000 €/md., ROI 1,9x) og Content Marketing (omkostning 3.000 €/md., ROI 3,5x). Jeg vil maksimere den samlede ROI, mens jeg holder mindst 2.000 €/md. på hver kanal. Foreslå en optimal fordeling med detaljerede beregninger.”
Den anden prompt giver modellen alt, hvad den behøver for at ræsonnere; den første tvinger den til at opfinde manglende data. Det er faktisk den mest almindelige fælde: hvis du ikke angiver tallene, vil modellen lave sine egne antagelser, og din analyse vil være bygget på sand. Angiv altid rigtige data, og glem ikke at specificere det forventede format – uden vejledning vælger modellen sit eget, hvilket sjældent spiller dig i hænde.
Problemer med flere begrænsninger
Ræsonnement på højt niveau excellerer, når et problem kombinerer flere interagerende begrænsninger. Modellen identificerer disse begrænsninger, tjekker deres kompatibilitet, finder en løsning, der opfylder dem alle, og – dette er den ofte oversete del – flagger eventuelle modstridende begrænsninger i stedet for at levere et ubrugeligt svar.
Projektplanlægning er et klassisk eksempel:
„Jeg skal levere et projekt på 12 uger med et team på 3 udviklere. Her er de 8 opgaver med deres afhængigheder og estimerede varighed: [detaljeret liste]. Find den kritiske sti og foreslå en tidsplan, der minimerer risikoen for forsinkelse.”
Modellen vil bygge et mentalt Gantt-diagram, identificere kritiske afhængigheder og foreslå en velovervejet tidsplan i stedet for blot at rækkefølge opgaverne.
Gør resultatet verificerbart
En refleks arvet fra ældre modeller er at skrive „tænk trin for trin”. OpenAI fraråder nu dette: deres modeller ræsonnerer allerede internt, og denne instruktion forbedrer ikke resultatet – den kan endda forringe det. Det, du har brug for, er ikke mere tænkning, men et svar, du kan revidere. Bed derfor i dit output-format om de elementer, der skal verificeres:
„Giv din anbefaling, derefter de antagelser, der er gjort, de nøgleberegninger og en endelig verifikation af resultatet.”
Dette er din bedste beskyttelse mod blind tillid: selv på højeste niveau kan modellen lave fejl, og beregninger, der driver beslutninger med høje indsatser, skal altid verificeres, ideelt gennem dataanalyse eller dit regneark.
Scenarioanalyse, fejlfinding og diagnosticering
På et højt ræsonnementsniveau evaluerer modellen flere scenarier og sammenligner dem mod vægtede kriterier, hvilket gør den til en værdifuld hjælp til strategiske beslutninger:
„Jeg evaluerer 3 leverandører til en vedligeholdelseskontrakt. Her er kriterierne (vægt i parentes): pris (30 %), responsivitet (25 %), teknisk ekspertise (25 %), referencer (20 %). Her er dataene for hver leverandør: [data]. Analyser hvert scenarie og anbefal det bedste valg.”
Den samme mekanisme gælder for teknisk diagnosticering. Konfronteret med et problem, hvis årsag ikke er indlysende, udforsker ræsonnement på højt niveau systematisk hypoteser i stedet for at stoppe ved den første plausible:
„Min Node.js-applikation crascher tilfældigt i produktion. Her er loggene fra de sidste 5 crashes: [logs]. Crashes sker mellem kl. 02.00 og 04.00. Memory-forbruget stiger progressivt. Analyser mulige hypoteser i rækkefølge efter sandsynlighed.”
Når problemet modsætter sig: Skru op for niveauet
Hvis et problem sætter „High”-niveauet i stå, så skru op for det i stedet for at omskrive prompten ti gange: prøv „Extra High” eller „Pro” i Chat, xhigh derefter max i API’en, eventuelt med reasoning.mode sat til pro. I ChatGPT Work og Codex giver Max modellen mere tid på en enkelt opgave, mens Ultra fordeler en kompleks opgave på under-agenter, der arbejder parallelt, når den kan opdeles i uafhængige bidder. Dette er sidste udvej, ikke standardindstillinger: de fleste opgaver har ikke brug for dem, og de bruger betydeligt flere ressourcer.
Din tur
Et optimeringsproblem. Indsend dette problem på et højt ræsonnementsniveau („High” i Chat, high i API’en):
„En virksomhed sælger 3 produkter. Produkt A koster 50 € at producere og sælges for 120 €. Produkt B koster 80 € og sælges for 180 €. Produkt C koster 30 € og sælges for 65 €. Produktionskapaciteten er 1.000 enheder om måneden. Produkt A kræver 2 timers produktion, B kræver 3 timer, og C kræver 1 time. Værkstedet har 2.500 timer til rådighed om måneden. Maksimal efterspørgsel er 400 enheder for A, 300 for B og 600 for C. Hvor mange af hvert produkt bør produceres for at maksimere fortjenesten?”
Observer, hvordan modellen formulerer lineær programmerings-problemet, definerer variabler, formulerer begrænsninger og løser det trin for trin. Du vil se de fire principper fra denne lektion anvendt på ét enkelt tilfælde: en præcis problemstilling, komplette data, et eksplicit mål og ræsonnement, du kan følge – og derfor verificere. Bed til sidst dataanalyseværktøjet om at genberegne løsningen og sammenligne.
Officielle kilder: Reasoning best practices (OpenAI API: simple instrukser, ingen „tænk trin for trin”-prompting, eksplicitte begrænsninger og mål) · Reasoning models (indsatsniveauer, pro-tilstand) · Models (ChatGPT-dokumentation: Max og Ultra)
Vigtige pointer
- Strukturér dine prompts: kontekst, data, mål, format
- Ræsonnement på højt niveau excellerer ved problemer med flere begrænsninger og scenarioanalyse
- Skriv ikke „tænk trin for trin”: bed i stedet om antagelser, nøgleberegninger og verifikation i svaret
- Angiv altid rigtige data – lad ikke modellen gætte
- Hvis et problem modsætter sig, så skru op for niveauet (Extra High, Pro, xhigh, max; Max eller Ultra i Work) og verificér kritiske resultater