Strukturering af dine instrukser
På denne side
Hvorfor struktur betyder noget
En velstruktureret prompt er ikke en luksus – det er en nødvendighed. Mistral-modeller trænes på enorme mængder struktureret tekst: teknisk dokumentation, artikler og kildekode. De forstår og følger dine instrukser bedre, når de er klart organiserede, fordi denne organisation ligner det, de har set milliarder af gange under træningen.
Forestil dig, at du giver mundtlige instrukser til en kollega, mens du blander alt sammen: fristen begravet i en anekdote, det forventede format smukt ind i slutningen af en sætning, og konteksten leveret efter selve instruktionen. Resultatet ville være forvirrende, og din kollega ville skulle gætte sig til, hvad der er vigtigt. Det samme gælder for en sprogmodel: strukturen på din prompt bestemmer tydeligheden i fortolkningen. Denne lektion giver dig to værktøjer til strukturering – Markdown og XML-tags – samt et sektionsskema til at organisere enhver kompleks prompt.
Markdown: Den naturlige standard
Markdown er det mest effektive struktureringsformat til Mistral-modeller af tre gensidigt forstærkende årsager. For det første er det læsevenligt: det er nemt for dig at skrive og gennemgå, hvilket er afgørende, når en prompt lever og udvikler sig inden for en applikation. For det andet er det velkendt for modellen: Markdown forekommer massivt i træningsdataene, så modellen forstår dets konventioner uden besvær. Endelig parses det naturligt: modellen identificerer klart overskriftshierarkier, lister og kodeblokke og udleder den relative vigtighed af hver sektion.
Sådan ser det ud i et eksempel på konkurrentanalyse:
# Task
Write a competitive analysis report.
## Context
Company: TechCorp, B2B SaaS, French market
Main competitors: AlphaSoft, BetaCloud, GammaTech
## Expected Format
For each competitor, provide:
- **Strengths**: 3 points maximum
- **Weaknesses**: 3 points maximum
- **Pricing positioning**: low / medium / premium
## Constraints
- Maximum 800 words
- Professional and factual tone
- No strategic recommendations (analysis only)
Denne prompt bruger overskrifter (#, ##) til at adskille sektioner, fed tekst til nøgleelementer og punktlister til detaljer. Modellen forstår straks hierarkiet: opgave først, derefter kontekst, så format og til sidst begrænsninger. Du kunne give dette samme dokument til en menneskelig samarbejdspartner uden at ændre et eneste ord – det er et godt tegn.
XML-tags: Maksimal præcision
Markdown organiserer; XML-tags afgrænser. Når du har brug for at isolere datablokke eller instrukser uden tvetydighed – typisk når din prompt blander instrukser og tekst, der skal behandles – er XML-tags særligt effektive:
<instructions>
Analyze the provided text and extract named entities.
Categorize them into: people, organizations, locations.
</instructions>
<format>
Return the result in JSON with the structure:
{"people": [], "organizations": [], "locations": []}
</format>
<text>
President Macron met with the Director-General of the WHO in Geneva
to discuss European health strategy.
</text>
Fordelen er, at modellen ved præcis, hvor hver sektion starter og slutter. Hvis teksten, der skal analyseres, indeholdt en sætning, der lignede en instruktion – f.eks. „udtræk listen over deltagere” – ville tagsene forhindre modellen i at forveksle den med dine instrukser. Det er denne adskillelse mellem instrukser og data, der gør XML værdifuldt i produktions-prompter.
De essentielle sektioner i en struktureret prompt
Uanset hvilket format du vælger, organiseres en kompleks prompt omkring de samme sektioner. Den første – og eneste obligatoriske – er opgaven: angiv altid klart, hvad du forventer, helt i starten. „Opgave: Oversæt følgende tekst fra fransk til engelsk under bevarelse af det formelle register” efterlader ingen tvivl om missionen.
Dernæst kommer konteksten, når det er nødvendigt: baggrundsinformation, som modellen ikke kan gætte sig til. Hvis du arbejder for en fintech-startup, der bygger en app til budgetstyring for privatpersoner i Frankrig, så sig det – uden denne detalje vil modellen skrive til et generisk publikum, og du bliver nødt til at lave det hele om.
Den tredje sektion, regler, indrammer adfærden: list eksplicit op, hvad modellen skal og ikke skal gøre. For eksempel: brug en formel tone, nævn ikke konkurrenters varemærker, producer afsnit på 50 til 100 ord. Hver skreven regel er en rettelse, du slipper for at foretage manuelt.
Den fjerde sektion, output-format: beskriv nøjagtigt den form, svaret skal have. „Returner en Markdown-tabel med kolonnerne Kriterium | Score (1-5) | Kommentar” producerer et leveringsklar resultat, der direkte kan kopieres ind i dit dokument, hvorimod manglen på instruktion producerer prosa, der skal bearbejdes.
Endelig løser eksempler de resterende tvetydigheder ved at vise et forventet resultat. Denne teknik er så kraftfuld, at den har sin egen lektion: vi vender tilbage til den i detaljer med few-shot prompting.
Eksplicitte vs. implicitte instrukser
Mistral-modeller gætter ikke på dine intentioner: alt, der er implicit i dit hoved, skal blive eksplicit i din prompt. Sammenlign „Opsummer denne artikel” med „Opsummer denne artikel i 3 punkter på maksimalt 20 ord hver. Behold nøgletal. Brug en neutral og faktuel tone.” Den første version overlader det til modellen at beslutte længde, format og tone – tre beslutninger, den måske træffer anderledes end dig. Den anden version efterlader ingen plads til fortolkning: modellen ved præcis, hvad den skal producere, og du får den samme type resultat hver gang.
Skriv, som om modellen intet ved
Lad os slutte af med en grundlæggende regel: skriv din prompt under antagelse af, at modellen har ingen tidligere kontekst om din situation. Selv hvis noget virker indlysende for dig – hvem du er, hvad du vil opnå, til hvilket brug, i hvilket format – så specificer det, og stol på system-prompten til permanente elementer. En forfatter, der kæder forespørgsler sammen i den samme samtale, ender med at tro, at „modellen ved det”; men så snart samtalen ændres, eller prompten genbruges et andet sted, forsvinder alt det implicitte. Denne „nul-kontekst”-tilgang garanterer konsistente resultater uanset samtalens tilstand.
Vigtige pointer
- Strukturér dine prompter med klare sektioner (Markdown eller XML)
- Markdown er ideelt til de fleste tilfælde; brug XML-tags til at isolere data
- Adskil altid opgave, kontekst, regler og forventet format
- Gør alt eksplicit, der er implicit i dit hoved
- Skriv hver prompt, som om modellen starter forfra