Anti-mønstre du skal undgå
På denne side
- Fejl, der saboterer dine prompts
- Anti-mønster 1: Subjektivt sprog
- Anti-mønster 2: Modstridende instrukser
- Anti-mønster 3: At bede modellen om at tælle
- Anti-mønster 4: Overdreven token-generering
- Anti-mønster 5: Numeriske skalaer
- Anti-mønster 6: Vage instrukser
- Anti-mønster 7: At ignorere præ-udfyldning
- Vigtige pointer
Fejl, der saboterer dine prompts
At mestre prompt engineering handler også om at vide, hvad du ikke skal gøre. Visse vaner, der er helt naturlige i menneskelig kommunikation, giver dårlige resultater med Mistral-modeller – netop fordi de afhænger af en implicit forståelse, som modellen mangler. Denne lektion gennemgår de syv hyppigste anti-mønstre med en fejlagtig version, en korrigeret version og logikken bag korrektionen for hvert tilfælde. Du vil sandsynligvis genkende nogle af dine egne vaner undervejs.
Anti-mønster 1: Subjektivt sprog
Mellem kolleger fungerer „skriv en tekst, der ikke er for lang”, fordi I deler kontekst: kollegaen kender brugstilfældet, læseren og virksomhedens vaner. Modellen opfatter ikke subjektive ord, som du gør. Begreber som „kort”, „lang”, „mange”, „interessant” eller „ikke for” er tvetydige og giver uforudsigelige resultater fra den ene kørsel til den næste.
Dårligt:
Write a text not too long about AI.
Include many interesting examples.
Godt:
Write a text of 200 to 300 words about generative AI.
Include 3 concrete examples of application in business
(marketing, HR, customer service).
Korrektionsreglen er mekanisk: udskift ethvert subjektivt begreb med et objektivt mål. „Ikke for lang” bliver til „200-300 ord”, „mange eksempler” bliver til „3 eksempler”, og „interessant” bliver til en præcis beskrivelse af den type eksempler, du forventer.
Anti-mønster 2: Modstridende instrukser
Når din prompt indeholder uforenelige instrukser – f.eks. „vær udtømmende og dæk alle aspekter” efterfulgt af „svar på maksimalt 3 sætninger” – skal modellen vælge, hvilken den skal følge, og det valg er uforudsigeligt. En dag får du tre overfladiske sætninger, næste dag en omfattende væg af tekst. Korrektionen består i at forene de to krav til én sammenhængende instruktion: „Dæk de 3 hovedaspekter af emnet. Giv for hvert aspekt en opsummerende sætning (maks. 25 ord).” Udtømmelighed bliver til et defineret omfang, og korthed bliver til en begrænsning per element – ingen konflikt mere.
Hvis dine regler er virkelig komplekse med forskellig adfærd afhængigt af tilfældet, så stable dem ikke oven i hinanden: strukturér dem som et beslutningstræ, hvor hver gren er eksplicit:
If the client is an individual:
→ Use an accessible tone, avoid technical jargon
→ Propose the Starter offer first
If the client is a business:
→ Use a professional and technical tone
→ Propose the Enterprise offer first
If you are unsure:
→ Politely ask if this is for personal or professional use
Anti-mønster 3: At bede modellen om at tælle
Sprogmodeller er dårlige til at tælle. De tæller ikke faktisk ord, tegn eller sætninger – de estimerer, fordi de manipulerer tokens og ikke tekstenheder. At bede om „præcis 150 ord” eller „tjek at hver sætning er under 20 ord” svarer til at kræve, at en maler måler i mikron: det er ikke deres værktøj.
Dårligt:
Write a text of exactly 150 words.
Check that each sentence is less than 20 words.
Godt:
Write a short text (around 150 words, 2-3 paragraphs).
Use concise and direct sentences.
Og hvis optælling er virkelig kritisk for din applikation – f.eks. en tegnbegrænsning pålagt af en grænseflade – så udfør den i koden, efter du har modtaget modellens svar, ikke i prompten. Dit programmeringssprog tæller perfekt; det gør modellen ikke.
Anti-mønster 4: Overdreven token-generering
Hver genereret token har en omkostning, både økonomisk og i form af ventetid. At bede modellen om at producere information, du ikke vil bruge, er ren spild: du betaler mere for at vente længere på tekst, du ikke vil læse. Det typiske tilfælde er kodeanalyse, hvor du beder om at „forklar hver linje i detaljer” plus „sprogets historie” og „mulige alternativer”, når det kun er bugs, der interesserer dig.
Godt:
Analyze this code and identify:
1. Potential bugs (with the line concerned)
2. A proposed fix for each bug
Nothing else.
Den afsluttende „nothing else” er en overraskende kraftfuld instruktion: den fortæller eksplicit modellen, at den ikke skal tilføje de supplementer, advarsler og udvidelser, den spontant producerer. Dit svar ankommer hurtigere, koster mindre og kommer straight to the point.
Anti-mønster 5: Numeriske skalaer
At bede modellen om at bedømme på en skala fra 1 til 5 eller 1 til 10 virker stringent – i virkeligheden er det modsatte tilfældet. Modellen har ikke en pålidelig intern kalibrering for disse skalaer: den samme tekst kunne få 6/10 i dag og 8/10 i morgen uden kriterier, der forklarer kløften. Løsningen består i at erstatte tal med verbale skalaer med eksplicitte kriterier:
Evaluate the quality of this text according to these levels:
- Insufficient: factual errors, incoherent structure
- Acceptable: correct but lacks depth or clarity
- Good: well structured, clear, with relevant examples
- Excellent: publication-ready, original, brings clear added value
Choose one level and justify in 2 sentences.
Når hvert niveau er defineret af observerbare kriterier, bliver evalueringen reproducerbar og begrundet – du ved, hvorfor en tekst er „Acceptable” frem for „Good”, og modellen anvender de samme kriterier ved hvert kald.
Anti-mønster 6: Vage instrukser
„Forbedr denne tekst” er det perfekte eksempel på en instruktion, der virker klar, men slet ikke er det. Forbedre hvad? Stavning? Stil? Struktur? Modellen vil vælge for dig, og den risikerer at omskrive passager, du ønskede at bevare, som de er. Den professionelle version afgrænser både, hvad der skal korrigeres, og hvad der skal stå urørt:
Improve this text by correcting:
1. Spelling and grammar mistakes
2. Sentences longer than 30 words (simplify them)
3. Word repetitions within a range of 3 sentences
Do NOT modify:
- The meaning of sentences
- Technical terms (even if synonyms exist)
- Paragraph structure
Blokken „Do NOT modify” er lige så vigtig som den første: uden den vil en ivrig model erstatte dine fagtermer med omtrentlige synonymer.
Anti-mønster 7: At ignorere præ-udfyldning
Det sidste anti-mønster er en missed opportunity snarere end en aktiv fejl: mange brugere ignorerer muligheden for at præ-udfylde svaret via rollen assistant, som vi så i lektionen om roller. Det er dog en kraftfuld løftestang til at gennemtvinge et format. Med en simpel brugerbesked, der beder om JSON, kan modellen tilføje en indledende sætning, backticks, en afsluttende kommentar – så mange elementer, der vil bryde din parsing. Ved at afslutte dine beskeder med starten af et assistant-svar bliver formatet quasi-garanteret:
Uden præ-udfyldning (uforudsigeligt format):
messages = [
{"role": "user", "content": "List 3 advantages of remote work in JSON."}
]
Med præ-udfyldning (garanteret format):
messages = [
{"role": "user", "content": "List 3 advantages of remote work in JSON."},
{"role": "assistant", "content": "{\"advantages\": [", "prefix": True}
]
Modellen befinder sig allerede „midt i processen med at skrive” JSON-objektet: den kan kun fuldføre det.
Vigtige pointer
- Udskyt subjektivt sprog og vage instrukser med målbare og afgrænsede instrukser
- Undgå modstridende instrukser – strukturér komplekse tilfælde som et beslutningstræ
- Bed aldrig modellen om at tælle: kritiske optællinger udføres i koden
- Begræns genereringen til information, der faktisk bruges, med verbale skalaer frem for numeriske
- Udnýt assistant-præ-udfyldning til at garantere output-formatet