Kontekst og begrænsninger
På denne side
Kontekst: Giv modellen det, den ikke ved
Mistral-modeller har omfattende generel viden, men de ved intet om din specifikke situation: din virksomhed, dit projekt, din målgruppe eller dine forretningsmæssige begrænsninger. Den kontekst, du giver i dit prompt, overbygger dette gab. Det er det, der gør forskellen mellem et generelt værktøj og en specialiseret assistent. Uden kontekst producerer modellen generiske svar – korrekte i gennemsnit, men ubrugelige i praksis. Med den rette kontekst leverer den skræddersyede svar.
Tre typer kontekst du skal give
Den første er situationsbestemt kontekst: situationen omkring din forespørgsel. En marketingdirektør, der blot skriver „foreslå en marketingplan”, får en lærebogsplan. Hvis de specificerer deres situation, ændrer alt sig:
Context: I am the marketing director of an SME with 50 employees
specializing in B2B office furniture sales.
We are launching a new eco-friendly line in September 2026.
Our annual marketing budget is €80,000.
Hver sætning i denne kontekst eliminerer dusinvis af irrelevante svar: ingen B2C-strategier, ingen millionbudgetter, ingen anbefalinger uden relation til lanceringen.
Den anden er dokumentkontekst: de data, modellen skal analysere eller bruge. Modellen kender ikke dine interne tal – du skal give dem til den, helst afgrænset med tags for at adskille dem fra instruktionerne:
Here are the quarterly results to analyze:
<data>
Q1 2026: Revenue €1.2M, margin 23%, 145 new clients
Q2 2026: Revenue €1.5M, margin 21%, 178 new clients
Q3 2026: Revenue €1.1M, margin 19%, 112 new clients
</data>
Identify trends and propose 3 corrective actions for Q4.
Den tredje er målgruppekontekst: hvem det genererede indhold er til. Du forklarer ikke samme emne på samme måde til en begynder og en ekspert. Specificér f.eks.: „Teksten er til erfarne Python-udviklere (5+ års erfaring), der opdager sprogmodels-API’er for første gang. Ingen behov for at forklare Python-grundbegreber, men detaljér LLM-koncepter.” Modellen vil derefter kalibrere sit detaljeniveau præcis dér, hvor din læser har brug for det.
Definér det forventede format
Output-format er en af de mest kraftfulde begrænsninger. Uden vejledning vælger modellen et standardformat – ofte prosa – som du skal efterbearbejde. Ved at specificere formatet får du præcis det, du har brug for, klar til brug.
For en liste skal du sige det: „Oplist fordelene som punkter (maksimalt 5).” For en tabel: „Præsenter resultaterne i en Markdown-tabel med kolonnerne Funktion | Tilgængelighed | Prioritet.” Til softwareintegration er struktureret JSON kongen, og det fortjener at blive specificeret felt for felt:
Return the response in the following JSON format:
{
"summary": "string (max 100 words)",
"keywords": ["string"],
"sentiment": "positive | neutral | negative",
"confidence_score": "number (0-1)"
}
Samme princip gælder for kode: „Skriv funktionen i Python 3.11+. Tilføj Google-style docstrings og type hints. Inkludér 2 brugseksempler i kommentarer til sidst.” Jo mere præcist du beskriver formatet, desto mindre efterarbejde får du.
Begræns længden
Mistral-modeller har tendens til at være udtømmende, hvis du ikke sætter grænser. Du kan begrænse længden ved antal ord („Svar på maksimalt 150 ord”), ved struktur („Svar i præcis 3 afsnit med 2-3 sætninger hver”) eller ved elementer („Giv præcis 5 anbefalinger, hver i én sætning”).
Én advarsel dog: sprogmodeller tæller ord og tegn dårligt. At bede om „præcis 150 ord” vil producere tekst på omkring 150 ord, men sjældent helt præcist. Hvis længden virkelig betyder noget for dig, så foretræk strukturelle begrænsninger – antal afsnit, punkter, sektioner – som modellen følger meget mere trofast end præcise optællinger.
Begræns tone og register
Tonens svar påvirker direkte dets nytteværdi: tekst med forkert tone er tekst, du skal omskrive. Vær eksplicit, selvom det betyder at stable specifikationer: „Tone: professionel men tilgængelig. Undgå teknisk jargon, medmindre det er uundgåeligt (definér det i så fald). Brug formelt sprog. Ingen emojis eller uformelt sprog.”
Pro-tip: De mest effektive tonedirektiver sammenligner ofte opgaven med en kendt professionel situation. „Svar som en senior konsulent, der præsenterer for en direktion”, „Anvend en pædagogisk tone, som en professor der forklarer for masterstuderende”, eller „Vær direkte og koncis, som en intern revisionsrapport”: hver af disse sætninger kondenserer en hel række valg af ordforråd, længde og holdning til ét billede, som modellen ved, hvordan den skal afkode.
Begræns omfanget
At afgrænse omfanget betyder at fortælle modellen, hvor den skal stoppe. Her er et eksempel på begrænsninger:
Scope constraints:
- Focus ONLY on the French market
- Do NOT mention US or UK regulations
- Ignore tax aspects (another expert handles this)
- If information is missing, state it explicitly
rather than inventing it
Vær særligt opmærksom på den sidste begrænsning: det er dit bedste forsvar mod hallucinationer. En model, der bliver bedt om et komplet svar, har tendens til at fylde huller ud med plausibel information; ved eksplicit at give den tilladelse til at indrømme sine begrænsninger, omdanner du stille opfindsomhed til et synligt flag, som du derefter kan håndtere.
Kombinér kontekst og begrænsninger
I praksis kombinerer et professionelt prompt naturligt alt ovenstående: kontekst og permanente regler i system-promptet, data og forventet format i brugerbeskeden. Her er et komplet eksempel på HR-analyse:
messages = [
{
"role": "system",
"content": """You are a senior HR analyst at a tech company.
Rules:
- Formal English, professional tone
- Base your analysis solely on the provided data
- If data is missing, flag it with [MISSING_DATA]
- Format: sections with headings, bullet points, no prose"""
},
{
"role": "user",
"content": """Analyze the absenteeism data below and propose an action plan.
Q1 2026 Data:
- Overall absenteeism rate: 7.2% (+1.8 points vs Q1 2025)
- Most affected department: Customer Support (12.1%)
- Main reason: short-term sick leave (< 5 days)
- Average tenure of absent employees: 2.3 years
Expected format:
1. Diagnosis (3 points max)
2. Probable causes (3 hypotheses)
3. Action plan (5 concrete measures with timeline)"""
}
]
Bemærk, hvordan hvert element, der er dækket i denne lektion, finder sin plads: rolle og register i systemet, afgrænsede data i brugerbeskeden, nummereret format til sidst i beskeden, og anti-opfindelses-sikringen ([MISSING_DATA]) sat én gang for alle.
Vigtige pointer
- Kontekst transformerer et generisk svar til et personligt ét
- Giv situationsbestemt, dokument- og målgruppekontekst efter behov
- Definér altid det forventede output-format (JSON, liste, tabel osv.)
- Begræns længden ved struktur frem for ordoptælling
- Afgræns omfanget og giv modellen tilladelse til at signalere manglende information