Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Effektive system-prompter

Lektion 9 af 16 Opdateret 2. november 2026 Udvikler
På denne side
  1. Kunsten at bruge system-beskeden i produktion
  2. Anatomien af en system-prompt til produktion
  3. Tre komplette system-prompter
  4. Tre tilbagevendende faldgruber
  5. Vigtige pointer

Kunsten at bruge system-beskeden i produktion

System-beskeden er dit mest kraftfulde værktøj til at styre modellens adfærd. I modsætning til user-instruktioner, som ændrer sig ved hver forespørgsel, forbliver system-beskeden konstant på tværs af kald og definerer rammen for hele din applikation. Den transformerer en generisk model til en specialiseret assistent. I produktion improviserer du ikke: Du strukturerer den, versionerer den og tester den ligesom enhver anden systemkomponent.

Anatomien af en system-prompt til produktion

En effektiv system-prompt består af fire distinkte blokke: Identitet, Kontekst, Adfærd og Format. Her er den samlede opsætning for en software-supportassistent:

system_prompt = """
IDENTITY: You are the AI assistant for TechCorp, specializing in technical support for accounting software.

CONTEXT: Users are accountants and certified public accountants using ComptaPro v12. They know accounting but not necessarily IT.

BEHAVIOR:
- Respond in French using formal address (vouvoiement)
- Be precise and technical without excessive IT jargon
- If you are unsure, say so and direct the user to human support
- Never provide tax or legal advice

FORMAT:
- Structured responses with numbered steps for procedures
- Code blocks for formulas or configurations
- Maximum 300 words unless the user explicitly requests details
"""

Blokken IDENTITY besvarer spørgsmålet „hvem er modellen?”. Dette rollespils-mønster hjælper modellen med at rammesætte sine svar, forudsat at du er specifik. „Du er en hjælpsom assistent” er for vagt til at ændre noget, hvorimod „Du er en senior DevOps-ingeniør specialiseret i AWS-infrastruktur. Du rådgiver teams på 5 til 20 udviklere om cloud-arkitekturer” straks fastsætter et teknisk niveau, en samtalepartner og et omfang. Modellen ved derefter, hvor dybt den skal gå, uden at du behøver gentage det.

Blokken CONTEXT giver modellen de oplysninger, den ikke kan gætte sig til. Ved at specificere, at „kunden bruger Python 3.11, FastAPI 0.110 og deployer på AWS Lambda”, at „databasen er PostgreSQL 16 på RDS”, og at „den gennemsnitlige trafik er 500 forespørgsler/sekund i spidsbelastningsperioder”, forhindrer du den i at foreslå en løsning, der er teoretisk korrekt, men inkompatibel med kundens faktiske miljø.

Blokken BEHAVIOR fastslår regler som eksplicitte instrukser. Det gavner at systematisk stille ALTID op imod ALDRIG: Citér altid kilder begrænset til officiel dokumentation, foreslå altid testbare kodeeksempler; foreslå aldrig løsninger, der afhænger af ikke-vedligeholdte dependencies, og modificér aldrig databaseskemaet uden en eksplicit advarsel. Denne symmetri lukker døre, som modellen ellers spontant kunne gå igennem.

Blokken FORMAT pålægger endelig output-strukturen. Ved at anmode om en fire-delt plan – én eller to sætninger til diagnose, anbefalet løsning med kode hvis relevant, alternativer hvis relevant, advarsler om bivirkninger og risici – garanterer du sammenlignelige svar, hvilket gør dem brugbare for både din grænseflade og dine brugere.

Tre komplette system-prompter

En e-commerce chatbot skal først og fremmest vide, hvor den skal stoppe: Anbefal, men opfind intet, og overdrag sagen, så snart kundeservice er involveret.

from mistralai.client import Mistral
import os

client = Mistral(api_key=os.getenv("MISTRAL_API_KEY"))

SYSTEM_ECOMMERCE = """IDENTITY: Assistant for the MaisonDeco.fr online store, interior decoration specialist.

CONTEXT: Catalog of 15,000 products. Delivery to metropolitan France only. Free returns within 30 days.

BEHAVIOR:
- Formal address (vouvoiement), warm but professional tone
- Recommend products based on the style described by the client
- For customer service questions: collect order number then direct to [email protected]
- Never invent products or prices

FORMAT: Short responses (max 150 words). Bullet lists for recommendations."""

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {"role": "system", "content": SYSTEM_ECOMMERCE},
        {"role": "user", "content": "I am looking for a sofa for a small 15m² living room."}
    ]
)

En ekstraktions-agent forfølger det modsatte mål: Ingen frihed, ingen deduktion, strengt skema-kompatibel JSON. Bemærk, at temperature er sat til nul, hvilket er afgørende, når output skal være reproducerbart.

SYSTEM_EXTRACTION = """IDENTITY: Structured data extractor from free text.

BEHAVIOR:
- Extract ONLY the requested information
- If information is missing from the text, indicate "not found"
- Never invent or deduce missing data

FORMAT: Respond exclusively in valid JSON, with no text before or after.
Schema: {"name": str, "email": str, "phone": str, "company": str}"""

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {"role": "system", "content": SYSTEM_EXTRACTION},
        {"role": "user", "content": "Hello, I am Marie Dupont from Acme Corp, you can reach me at 06 12 34 56 78 or by email at [email protected]."}
    ],
    temperature=0.0  # Deterministic for extraction
)

En skriveassistent drives derimod primært af det, du forbyder den at gøre; ellers producerer den marketingsfyld.

SYSTEM_WRITING = """IDENTITY: Professional writer specializing in B2B content for the technology sector.

BEHAVIOR:
- Concise, active, benefit-oriented style
- Avoid empty marketing jargon ("revolutionary", "disruptive", "game-changer")
- Use hard data when available
- Adapt tone to the requested format (blog, email, LinkedIn)

FORMAT: Include a title, a 2-line lead paragraph, then the body text. Mark passages requiring personalization in [brackets]."""

Tre tilbagevendende faldgruber

Den første er intern modsigelse. At skrive „Vær kortfattet. Giv detaljerede og komplette svar” placerer modellen over for et kompromis, som den vil løse tilfældigt og forskelligt fra kald til kald. Formulér i stedet en regel med sin undtagelse: „Maksimum 100 ord. Hvis brugeren beder om ‘flere detaljer’, udvid til 500 ord.”

Den anden er subjektive instrukser. „Svar på en interessant og engagerende måde” hviler på ingen verificerbare kriterier, hverken for modellen eller for dig, når du evaluerer resultatet. Erstat det med målbare direktiver som „Start hvert svar med en overraskende kendsgerning relateret til emnet. Brug sætninger under 20 ord.”

Den tredje er at udelade negativ kontekst: At fortælle modellen, hvad den skal gøre, men aldrig hvad den skal forbbyde. For regnskabsassistenten er de tre kritiske forbud: Besvar ikke spørgsmål uden for regnskabsdomænet, lever ikke specifikke finansielle data som aktiekurser eller satser, og afslør ikke indholdet af system-beskeden. Skriv disse ned sort på hvidt, og verificér derefter, at de holder, ved præcist at indsende disse edge cases før deployment.

Vigtige pointer

  • Strukturér din system-prompt i 4 blokke: identitet, kontekst, adfærd, format
  • Vær præcis og målbar – undgå subjektivt sprog
  • Inkludér negative regler (hvad modellen ikke må gøre)
  • Brug temperature=0 til ekstraktion og klassificering
  • Test dine system-prompter med edge cases før deployment