Hvad er en prompt?
På denne side
Opdateret 2. november 2026 — Le Chat er nu Vibe. Fra den 28. maj 2026 er Le Chat nu Vibe (stadig på chat.mistral.ai): en enkelt agent til arbejde og kode, hvor dine samtaler, indstillinger og abonnementer er overført. Den ældre Le Chat-oplevelse forbliver tilgængelig i Chat-tilstand; i Work-tilstand er agenter nu færdigheder (kaldes med
@), hukommelse er vidensbasen, og dyb research er færdigheden Deep Research. Abonnementer hedder nu Mistral Free, Pro, Team og Enterprise. Denne lektion bruger nu navnet Vibe; nogle menuer beskrevet her kan have ændret navn eller placering.
Opdateret 2. november 2026 — modeller. Mistral Large 3 (
mistral-large-2512) og Mistral Medium 3.5 er udgået siden 31. oktober 2026 og fjernes 30. april 2027; deres udpegede efterfølger, Mistral Large 4 (mistral-large-4), har været i offentlig forhåndsvisning siden 6. oktober. Eksempler i dette kursus bruger aliasetmistral-large-latest, som stadig peger på Mistral Large 3 ifølge den officielle dokumentation (verificeret 3. november 2026), ligesommistral-medium-latestpeger på Mistral Medium 3.5: disse aliaser forbliver gyldige indtil 30. april 2027. Til et nyt projekt bør du testemistral-large-4, deres udpegede efterfølger.
Prompten: Dit interface til kunstig intelligens
Når du interagerer med en Mistral-sprogmodel, udgør hver besked, du sender, en prompt. Dette begreb, lånt fra engelsk, refererer til den instruktion eller anmodning, du sender til modellen for at få et svar. At forstå, hvad en prompt er, og hvordan den fungerer, er det første skridt mod at få mest muligt ud af Mistral-modellerne, uanset om du bruger Vibe eller API’en.
En prompt kan være så simpel som et direkte spørgsmål – „Hvad er hovedstaden i Frankrig?” – eller så udførlig som et dokument på flere afsnit, der indeholder kontekst, eksempler, formatbegrænsninger og detaljerede instruktioner. Mellem disse to yderpunkter findes et helt spektrum, og du vælger, hvor skyderen skal placeres, baseret på opgavens vigtighed. Kvaliteten af det svar, du får, afhænger direkte af kvaliteten af den prompt, du formulerer: dette er hele dette kursus’ centrale tese, og du vil verificere det lektion efter lektion.
Hvordan modellen behandler din prompt
For at kunne prompte godt skal du først forstå, hvad der sker på modelsiden. Mistral-modeller arbejder ved hjælp af tekstfuldførelse: modellen modtager din prompt og genererer den mest sandsynlige fortsættelse, token for token. Et token svarer generelt til et ord eller en ordfragment – „hej” kan være et enkelt token, mens et sjældent ord vil blive opdelt i flere dele.
Konkret er cyklussen altid den samme: Du sender din prompt via Mistral’s Chat Completions API, modellen analyserer al den leverede kontekst, og derefter genererer den sit svar token for token, hvor den vælger det mest passende token ved hvert trin ud fra alt, der går forud. Det komplette svar returneres derefter til dig i én blok eller via streaming, efterhånden som det genereres.
Denne mekanisme forklarer, hvorfor din formulering af prompten er så vigtig. Modellen „forstår” ikke din skjulte intention: den udvider den tekst, du giver den. Hvis den tekst er vag, vil den mest sandsynlige fortsættelse være lige så vag tekst. Hvis teksten sætter en præcis ramme, vil den mest sandsynlige fortsættelse respektere den ramme. Din prompt bestemmer bogstaveligt talt den retning, genereringen vil tage.
Promptens indvirkning på svarkvaliteten
Forskellen mellem en god og en dårlig prompt kan være spektakulær, og intet slår en direkte sammenligning for at overbevise dig selv. Forestil dig, at du spørger modellen:
Tell me about marketing.
Du vil få en generisk essay om, hvad marketing er – korrekt, men ubrugelig i din daglige arbejde. Sammenlign nu det med denne formulering:
You are a digital marketing consultant specializing in French SMEs.
List 5 content marketing strategies adapted to a budget of less than
€500 per month. For each strategy, indicate:
- The main channel
- The weekly time required
- The expected ROI at 6 months
Her ved modellen, hvem den skal være, hvem den henvender sig til, hvilken budgetbegrænsning den arbejder under, og hvilket format den skal levere. Den vil generere en konkret plan, struktureret og direkte brugbar i et møde. Husk dette: forskellen mellem disse to resultater ligger ikke hos modellen, som er den samme i begge tilfælde, men udelukkende i instruktionens præcision.
Komponenterne i en effektiv prompt
Hvis vi bryder den anden prompt ovenfor ned, finder du de byggesten, du vil manipulere gennem hele dette kursus. Kontekst giver de baggrundsoplysninger, der er nødvendige for at forstå opgaven – i vores eksempel det faktum, at vi taler om franske SMV’er med et lille budget. Instruktion angiver præcist, hvad du forventer af modellen: list fem strategier, ikke vague råd eller en forelæsning. Format beskriver den ønskede struktur for svaret – liste, tabel, JSON eller afsnit – og det er dette, der gør resultatet brugbart uden redigering. Begrænsninger sætter de grænser, der skal overholdes, såsom længde, tone eller ordforråd. Endelig viser eksempler modellen en demonstration af det forventede resultat, en teknik så effektiv, at en hel lektion senere er dedikeret til den.
Du behøver ikke inkludere alle disse elementer hver gang. Et simpelt spørgsmål kræver kun en klar instruktion, og at overbelaste en triviel prompt ville være kontraproduktivt. Men så snart opgaven bliver kompleks – skrivning til et specifikt publikum, dataanalyse, produktion af et formateret leverance – vil kombinationen af disse komponenter forbedre resultatet betydeligt.
Mistral’s Chat Completions API
Hos Mistral går prompts gennem Chat Completions API’en. Denne API bruger et struktureret beskedformat, hvor hver besked har en rolle (system, user, assistant) og indhold. Vi vil dykke dybere ned i disse roller i næste lektion; for nu skal du blot se, hvordan et minimalt kald ser ud med Mistral Python SDK:
from mistralai.client import Mistral
client = Mistral(api_key="your-api-key")
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{"role": "user", "content": "What are the 3 principles of effective prompting?"}
]
)
print(response.choices[0].message.content)
Denne kode sender en simpel prompt og viser modellens svar. Ikke mere – og alligevel er alt allerede der: en besked, en rolle, indhold. I de følgende lektioner vil du lære at udnytte rigdommen i denne API fuldt ud for at gøre disse tre linjer til rigtige applikationer.
Vigtige pointer
- En prompt er den instruktion, du sender til Mistral-modellen for at få et svar
- Prompt-kvaliteten bestemmer direkte svarkvaliteten
- En effektiv prompt kombinerer kontekst, instruktion, format og begrænsninger
- Mistral-modeller behandler prompts via Chat Completions API’en
- At investere tid i at formulere dine prompts er den mest kraftfulde løftestang til at forbedre dine resultater