Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Prompting af en ræsonnerende model

Lektion 6 af 12 Opdateret 2. november 2026 Udvikler
På denne side
  1. Hvad der er ændret siden Magistral
  2. Adskillelse af ræsonnement og svar
  3. Tilpasning efter domæne
  4. Tre almindelige fejl
  5. Vigtige pointer

Lektion omskrevet den 2. november 2026. Denne lektion dækkede tidligere Magistral-systemprompten, som blev udfaset den 31. juli 2026. Den nuværende dokumentation om ræsonnement (Reasoning) kræver ikke længere en dedikeret systemprompt: reasoning_effort er tilstrækkeligt. Følgende afsnit skelner mellem, hvad Magistral-dokumentationen anførte, hvad der er ændret, og hvilke prompt-regler der stadig er nyttige.

Hvad der er ændret siden Magistral

Magistral fungerede bedst med en standard systemprompt, som dokumentationen gengav (nu arkiveret på siden Native reasoning (deprecated)). Den instruerede dybest set modellen i først at udkaste sit ræsonnement, som en intern monolog, efterfulgt af et selvstændigt svar; at skrive i Markdown, bruge LaTeX til ligninger og svare på forespørgslens sprog. Den indeholdt endda en ræsonnementsskabelon i form af et thinking-fragment placeret i systembeskeden. En parameter, prompt_mode, tillod dig at gennemtvinge denne standardprompt ("reasoning") eller deaktivere den (None).

Med nuværende modeller er intet af dette nødvendigt: Ræsonnementssiden nævner hverken en dedikeret systemprompt eller prompt_mode. Du aktiverer ræsonnement med reasoning_effort, og din systemprompt vender tilbage til at være en standard systemprompt, dedikeret til rolle, metode og forventet format. Hvis du migrerer fra Magistral, skal du fjerne ræsonnementsskabelonen fra dine systembeskeder og prompt_mode fra dine kald og derefter sammenligne resultaterne (Lektion 8).

Adskillelse af ræsonnement og svar

Modellen har nu to distinkte rum: ræsonnementet, som brugeren ofte ikke ser, og det endelige svar. En god prompt tager højde for dette. Den beskriver den forventede metode, hvad en domekspert ville verificere, og den fastsætter svarformatet: Svaret skal være forståeligt uden ræsonnementet, da ræsonnementet generelt vil være skjult.

import os
from mistralai.client import Mistral

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

system_prompt = """Du er en senior Python-fejlfindingsekspert.

METODE
- Læs al koden før du formulerer en diagnose.
- Formulér mindst to hypoteser før du konkluderer.
- Verificér, at din rettelse ikke skaber et nyt problem.

ENDeligt SVAR
1. Den præcise diagnose
2. Årsagen til roden af problemet
3. Den korrigerede kode
4. En test, der beviser rettelsen"""

response = client.chat.complete(
    model="mistral-small-2603",
    messages=[
        {"role": "system", "content": system_prompt},
        {"role": "user", "content": "Min kode crascher med en RecursionError: def fibonacci(n): return fibonacci(n-1) + fibonacci(n-2)"},
    ],
    reasoning_effort="high",
)

På denne fibonacci-funktion, der mangler et basistilfælde, udelukker kravet om to hypoteser refleksdiagnosen „øg rekursionsgrænsen” og leder frem til den egentlige årsag.

Tilpasning efter domæne

Denne samme skeletstruktur – metode efterfulgt af svarformat – tilpasses det specifikke domæne. Inden for matematik fokuserer metoden på hypoteser og bevistypen:

math_prompt = """Du er en rigorøs matematiker.

METODE
- Angiv hypoteserne før hvert bevis.
- Vælg eksplicit mellem induktion, modstrid eller direkte beregning.
- Verificér resultatet på et specifikt tilfælde.

ENDELIGT SVAR
Formelt bevis: hypoteser, begrundede trin, konklusion."""

Inden for strategisk analyse fokuserer den på interessenter og kvantificering, og det forventede svar bliver en anbefaling ledsaget af en plan:

strategy_prompt = """Du er en strategikonsulent.

METODE
- Evaluér hver mulighed baseret på gennemførlighed, impact og risiko.
- Kvantificér når det er muligt, selv hvis det kun er som en størrelsesorden.
- Søg efter den stærkeste indvending mod din egen anbefaling.

ENDELIGT SVAR
En klar anbefaling, fordele og ulemper ved hver mulighed, en handlingsplan med daterede trin."""

Tre almindelige fejl

Prompten er for vag. „Du er en hjælpsom assistent” siger intet om metoden: Modellen ræsonnerer ud fra sine vaner frem for dine. Beskriv, hvad en ekspert ville verificere.

Prompten er modstridende. „Vær meget kortfattet. Detaljér hvert trin i dybden.” placerer modellen over for en umulig befaling. Løs modsigelsen ved at fordele rollerne: Detaljer hører hjemme i ræsonnementet, kortfathed i det endelige svar.

good_prompt = """Vær kortfattet i dit endelige svar: Kun konklusioner og essentielle tal.
Udforsk detaljer i dit ræsonnement, ikke i svaret."""

Anmodning om processen i svaret. At bede om at „ræsonnere trin for trin” i det synlige svar får modellen til at skrive en anden gang, hvad den allerede har gjort i sit ræsonnement: Svaret bliver længere, og du betaler to gange for de samme trin i output-tokens. Bed kun om trin i svaret, hvis brugeren har brug for at læse dem, for eksempel i en pædagogisk tutor.

Vigtige pointer

  • Standard systemprompten og prompt_mode var specifikke for Magistral: De er ikke længere nødvendige
  • Aktivér ræsonnement med reasoning_effort, og behold systemprompten i sin klassiske rolle
  • Beskriv den forventede metode og formatet for et svar, der er læseligt uden ræsonnementet
  • Fordel rollerne: Detaljer i ræsonnementet, kortfathed i svaret
  • Få ikke modellen til at omskrive processen i svaret, hvis ingen har brug for at læse den