Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Έκδοση prompts και διαχείριση καταλόγου

Μάθημα 14 / 16 Ενημερώθηκε 3 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Έκδοση prompts και διαχείριση καταλόγου
  2. Γιατί να εκδίδετε τα prompts
  3. Δομή καταλόγου
  4. Χρήση του καταλόγου στην εφαρμογή σας
  5. Έκδοση με Git
  6. Βέλτιστες πρακτικές
  7. Δοκιμή του καταλόγου με επαναφορά
  8. Βασικά σημεία

Μάθημα ενημερώθηκε στις 3 Νοεμβρίου 2026 με βάση την τεκμηρίωση της OpenAI: οι παράμετροι temperature και top_p γίνονται δεκτές μόνο με προσπάθεια συλλογισμού (reasoning effort) ίση με none, ενώ τα μοντέλα GPT-5.6 κάνουν συλλογισμό από προεπιλογή (medium). Επομένως, οι κλήσεις που ορίζουν αυτές τις παραμέτρους πρέπει να καθορίζουν reasoning={"effort": "none"} (Responses API) ή reasoning_effort="none" (Chat Completions). Πηγές: Using GPT-6 · GPT-5.6 Terra.

Έκδοση prompts και διαχείριση καταλόγου

Σε περιβάλλον παραγωγής, τα prompts σας εξελίσσονται όσο και ο κώδικάς σας. Χωρίς έλεγχο εκδόσεων, χάνετε την ιχνηλασιμότητα των αλλαγών, δεν μπορείτε να κάνετε επαναφορά (rollback) και αγνοείτε ποια έκδοση εκτελείται στην παραγωγή. Αυτό το μάθημα σας δείχνει πώς να διαχειρίζεστε τα prompts ως λογισμικά αντικείμενα (artifacts).

Γιατί να εκδίδετε τα prompts

Μια αλλαγή σε ένα prompt μπορεί να αλλάξει ριζικά τη συμπεριφορά της εφαρμογής σας. Σε αντίθεση με τον κώδικα, αυτές οι αλλαγές είναι συχνά λεπτές και δύσκολο να εντοπιστούν χωρίς αυτοματοποιημένες δοκιμές: μια αναδιατυπωμένη πρόταση, μια λέξη που μετακινήθηκε, και το μοντέλο αρχίζει να ταξινομεί λανθασμένα μία στις δέκα οριακές περιπτώσεις. Κανένα τυπικό unit test δεν θα εντοπίσει αυτό το κενό, αλλά η υποστήριξη θα το επισημάνει τρεις εβδομάδες αργότερα ως ένα αόριστο παράπονο για λανθασμένη δρομολόγηση αιτημάτων.

Η έκδοση καλύπτει τέσσερις distinct ανάγκες. Πρώτον, η ιχνηλασιμότητα: το να γνωρίζετε ποιος άλλαξε τι και πότε μετατρέπει μια sterile συζήτηση ομάδας σε έναν απλό έλεγχο ιστορικού. Δεύτερον, η επαναφορά: όταν εμφανίζεται μια παλινδρόμηση, ο άμεσος στόχος δεν είναι να κατανοήσετε το γιατί, αλλά να επαναφέρετε μια γνωστή συμπεριφορά. Τρίτον, η σύγκριση επιδόσεων: αυτό απαιτεί οι παλαιότερες εκδόσεις να παραμένουν εκτελέσιμες ακριβώς όπως ήταν, με το αρχικό τους μοντέλο και ρυθμίσεις. Τέλος, ο έλεγχος (auditing): για συστήματα που υπόκεινται στον GDPR (Γενικός Κανονισμός Προστασίας Δεδομένων) ή άλλα πλαίσια συμμόρφωσης, πρέπει να αποδεικνύετε ποιες οδηγίες ίσχυαν σε μια συγκεκριμένη ημερομηνία—ένα screenshot δεν αρκεί.

Δομή καταλόγου

Η κλάση PromptCatalog καλύπτει αυτές τις ανάγκες με ελάχιστη υποδομή: έναν φάκελο ανά prompt, ένα αρχείο JSON ανά έκδοση, αριθμημένα διαδοχικά. Κάθε αρχείο συγκεντρώνει το κείμενο του system prompt μαζί με το συσχετισμένο μοντέλο και τη θερμοκρασία—ένα prompt ρυθμισμένο στο 0.1 και το ίδιο prompt στο 0.7 δεν είναι το ίδιο πράγμα, και η δέσμευσή τους μαζί αποτρέπει την επαναφορά του κειμένου ενώ ξεχνάτε τις ρυθμίσεις του.

Το πεδίο status παρακολουθεί τον κύκλο ζωής. Μια έκδοση ξεκινά ως draft, επιτρέποντας την προετοιμασία και τον έλεγχο χωρίς να επηρεάζει την ενεργή κίνηση. Η κλήση της activate την αλλάζει σε active και υποβιβάζει αυτόματα την προηγούμενη έκδοση σε deprecated, διασφαλίζοντας ότι μόνο μία έκδοση εξυπηρετεί την κίνηση κάθε στιγμή. Αυτή η μέθοδος καθιστά την επαναφορά τετριμμένη: η επανενεργοποίηση μιας προηγούμενης έκδοσης είναι μια απλή κλήση, όχι μια ανάπτυξη. Η εφαρμογή σας καλεί την get_active στην παραγωγή, ενώ η list_versions υποστηρίζει αναθεωρήσεις και ελέγχους.

import json
from datetime import datetime
from pathlib import Path

class PromptCatalog:
    """Διαχειριστής καταλόγου prompts με έλεγχο εκδόσεων."""

    def __init__(self, catalog_dir: str = "prompts/"):
        self.catalog_dir = Path(catalog_dir)
        self.catalog_dir.mkdir(parents=True, exist_ok=True)

    def save_prompt(self, name: str, system_prompt: str,
                    model: str, temperature: float,
                    metadata: dict = None) -> str:
        """Αποθηκεύει μια νέα έκδοση ενός prompt."""
        prompt_dir = self.catalog_dir / name
        prompt_dir.mkdir(exist_ok=True)

        # Προσδιορισμός αριθμού έκδοσης
        versions = sorted(prompt_dir.glob("v*.json"))
        version = len(versions) + 1
        version_str = f"v{version:03d}"

        # Αποθήκευση
        prompt_data = {
            "name": name,
            "version": version_str,
            "created_at": datetime.now().isoformat(),
            "model": model,
            "temperature": temperature,
            "system_prompt": system_prompt,
            "metadata": metadata or {},
            "status": "draft"  # draft | active | deprecated
        }

        filepath = prompt_dir / f"{version_str}.json"
        filepath.write_text(json.dumps(prompt_data, indent=2,
                                        ensure_ascii=False))

        return version_str

    def get_prompt(self, name: str,
                   version: str = "latest") -> dict:
        """Ανακτά ένα prompt ανά όνομα και έκδοση."""
        prompt_dir = self.catalog_dir / name

        if version == "latest":
            versions = sorted(prompt_dir.glob("v*.json"))
            if not versions:
                raise FileNotFoundError(f"Prompt '{name}' not found")
            filepath = versions[-1]
        else:
            filepath = prompt_dir / f"{version}.json"

        return json.loads(filepath.read_text())

    def get_active(self, name: str) -> dict:
        """Ανακτά την ενεργή έκδοση ενός prompt."""
        prompt_dir = self.catalog_dir / name
        for filepath in sorted(prompt_dir.glob("v*.json"),
                               reverse=True):
            data = json.loads(filepath.read_text())
            if data["status"] == "active":
                return data
        raise FileNotFoundError(
            f"No active version for '{name}'"
        )

    def activate(self, name: str, version: str):
        """Ενεργοποιεί μια έκδοση και απενεργοποιεί τις άλλες."""
        prompt_dir = self.catalog_dir / name

        for filepath in prompt_dir.glob("v*.json"):
            data = json.loads(filepath.read_text())
            if data["version"] == version:
                data["status"] = "active"
            elif data["status"] == "active":
                data["status"] = "deprecated"
            filepath.write_text(json.dumps(data, indent=2,
                                            ensure_ascii=False))

    def list_versions(self, name: str) -> list[dict]:
        """Εμφανίζει όλες τις εκδόσεις ενός prompt."""
        prompt_dir = self.catalog_dir / name
        versions = []
        for filepath in sorted(prompt_dir.glob("v*.json")):
            data = json.loads(filepath.read_text())
            versions.append({
                "version": data["version"],
                "status": data["status"],
                "created_at": data["created_at"],
                "model": data["model"]
            })
        return versions

Χρήση του καταλόγου στην εφαρμογή σας

Στην πλευρά του καλούντος, ο κανόνας είναι απλός: ο κώδικάς σας δεν περιέχει κείμενο prompt· ζητά την ενεργή έκδοση από τον κατάλογο. Αυτό διατηρεί τα prompts τροποποιήσιμα χωρίς να αγγίζετε τον κώδικα της εφαρμογής και αποτρέπει την ταφή συμβολοσειρών τριάντα γραμμών στη μέση μιας συνάρτησης. Τα μεταδεδομένα που αποθηκεύονται κατά την αποθήκευση—συγγραφέας, περιγραφή, ιστορικό αλλαγών—δεν έχουν επίδραση στην εκτέλεση, αλλά καθιστούν το ιστορικό αναγνώσιμο έξι μήνες αργότερα, όταν κανείς δεν θυμάται γιατί άλλαξε η διατύπωση.

Η κρίσιμη λεπτομέρεια βρίσκεται στο τέλος της classifier_ticket: η επιστρεφόμενη απόκριση περιλαμβάνει το prompt_version. Καταγράφετε αυτό το πεδίο με κάθε αποτέλεσμα και η ανάλυση περιστατικών γίνεται εφικτή—θα ξέρετε ότι τα λανθασμένα ταξινομημένα αιτήματα του απογεύματος της Τρίτης προήλθαν όλα από την v004, χωρίς να χρειάζεται να συσχετίσετε χρονοσήματα ανάπτυξης.

from openai import OpenAI

client = OpenAI()
catalog = PromptCatalog("prompts/")

# Αποθήκευση ενός prompt
catalog.save_prompt(
    name="ticket-classifier",
    system_prompt="""You are a support ticket classifier.
Categorize each ticket as: bug, feature, question, billing.
Respond in JSON with category, priority (1-5), summary.""",
    model="gpt-5.6-terra",
    temperature=0.1,
    metadata={
        "author": "marie.dupont",
        "description": "Αυτόματη ταξινόμηση αιτημάτων Zendesk",
        "changelog": "Αρχική έκδοση"
    }
)

# Στην παραγωγή: χρήση της ενεργής έκδοσης
def classifier_ticket(ticket_text: str) -> dict:
    """Ταξινομεί ένα αίτημα χρησιμοποιώντας το ενεργό prompt."""
    prompt_config = catalog.get_active("ticket-classifier")

    response = client.responses.create(
        model=prompt_config["model"],
        reasoning={"effort": "none"},  # η θερμοκρασία απαιτεί effort none
        instructions=prompt_config["system_prompt"],
        input=ticket_text,
        temperature=prompt_config["temperature"]
    )

    return {
        "result": json.loads(response.output_text),
        "prompt_version": prompt_config["version"]
    }

Έκδοση με Git

Για τις ομάδες, αποθηκεύστε τα prompts σας σε ένα αφιερωμένο αποθετήριο Git. Το δέντρο που ακολουθεί ακολουθεί μια απλή σύμβαση: ένας φάκελος ανά prompt, που περιέχει τον ορισμό του, τις περιπτώσεις δοκιμής και το ιστορικό αλλαγών. Η διατήρηση των δοκιμών δίπλα στο prompt που επαληθεύουν δεν είναι καλλωπιστική—ένα pull request τροποποιεί και τα δύο μαζί, και ο αναθεωρητής κρίνει την αλλαγή βάσει αποδεικτικών στοιχείων και όχι δηλωμένης πρόθεσης.

prompts/
  ticket-classifier/
    prompt.yaml
    tests/
      test_cases.json
    CHANGELOG.md
  invoice-extractor/
    prompt.yaml
    tests/
      test_cases.json
    CHANGELOG.md

Το YAML αντικαθιστά εδώ το JSON για έναν συγκεκριμένο λόγο: τα prompts είναι κείμενα πολλών γραμμών και η σύνταξη | τα εμφανίζει ακριβώς όπως στέλνονται, χωρίς διαφυγή χαρακτήρων ή stray \n. Ένα Git diff σε αυτό το αρχείο διαβάζεται όπως ένα diff πεζού κειμένου—ο αναθεωρητής βλέπει ότι προστέθηκε μια πρόταση. Το σχήμα εξόδου ταξιδεύει στο ίδιο αρχείο, ώστε η πλήρης διαμόρφωση για μια κλήση να χωράει σε ένα μόνο artifact.

# prompts/ticket-classifier/prompt.yaml
name: ticket-classifier
model: gpt-5.6-terra
temperature: 0.1
max_output_tokens: 500
system_prompt: |
  You are a support ticket classifier.
  Categorize each ticket as: bug, feature, question, billing.
  Respond in JSON with category, priority (1-5), summary.
schema:
  type: object
  properties:
    category:
      type: string
      enum: [bug, feature, question, billing]
    priority:
      type: integer
    summary:
      type: string
  required: [category, priority, summary]
  additionalProperties: false

Βέλτιστες πρακτικές

Αυτό που χωρίζει έναν ζωντανό κατάλογο από έναν φάκελο αρχειοθέτησης συνοψίζεται σε μερικούς κανόνες συντήρησης. Διατηρήστε ένα prompt ανά αρχείο: η ανάμειξη πολλαπλών prompts σε ένα ενιαίο έγγραφο καθιστά τα diffs δυσανάγνωστα και τις επαναφορές αδύνατον να στοχευθούν. Επιβάλετε ένα ιστορικό αλλαγών που να τεκμηριώνει όχι το τι άλλαξε—το diff το δείχνει αυτό—αλλά το γιατί: «προστέθηκε οδηγία για πολύγλωσσα αιτήματα μετά από σχόλια υποστήριξης» αξίζει δέκα γραμμές τεχνικής περιγραφής.

Συσχετίστε συστηματικά μια σουίτα δοκιμών με κάθε prompt· διαφορετικά, οι χρήστες θα είναι οι πρώτοι που θα σας πουν πότε μια τροποποίηση σπάει την καθιερωμένη συμπεριφορά. Δρομολογήστε τις αλλαγές στα prompts μέσω της ίδιας διαδικασίας αναθεώρησης κώδικα όπως και για τον ίδιο τον κώδικα: ένα prompt που πηγαίνει στην παραγωγή χωρίς αναθεώρηση παράγει τις ίδιες εκπλήξεις με τον μη αναθεωρημένο κώδικα. Επαληθεύστε ότι η επαναφορά παίρνει λιγότερο από ένα λεπτό και δοκιμάστε την σε μια ήσυχη μέρα και όχι κατά τη διάρκεια ενός περιστατικού. Τέλος, επισημάνετε τις αναπτυγμένες εκδόσεις με tags για να συνδέσετε χωρίς ασάφεια την παρατηρούμενη συμπεριφορά με μια συγκεκριμένη κατάσταση του αποθετηρίου.

Δοκιμή του καταλόγου με επαναφορά

Ρυθμίστε ένα PromptCatalog για τρία πραγματικά prompts από την εφαρμογή σας και στη συνέχεια καταγράψτε δύο ή τρεις εκδόσεις του καθενός εξελίσσοντας τις οδηγίες σε μικρά βήματα—μια οδηγία τόνου, μια προστιθέμενη κατηγορία. Η έκδοση αποδεικνύει την αξία της σε αυτές τις λεπτομερείς αλλαγές, επειδή αυτές είναι που δεν θα θυμάστε ότι κάνατε. Ρυθμίστε την ενεργοποίηση και απενεργοποίηση και επισυνάψτε μια σουίτα δοκιμών σε κάθε prompt.

Ολοκληρώστε με την πιο διδακτική άσκηση: ενεργοποιήστε σκόπιμα μια υποβαθμισμένη έκδοση, παρατηρήστε την παλινδρόμηση μέσω των δοκιμών και εκτελέστε την επαναφορά χρονομετρώντας τη. Αν η λειτουργία ξεπεράσει το ένα λεπτό, διορθώστε τη διαδικασία πριν προσθέσετε έστω και ένα prompt στον κατάλογο—μια αργή επαναφορά δεν είναι επαναφορά, είναι ένα παρατεταμένο περιστατικό.

Βασικά σημεία

  • Τα prompts είναι λογισμικά αντικείμενα που απαιτούν έλεγχο εκδόσεων
  • Κάθε έκδοση είναι ένα αρχείο JSON ή YAML με μεταδεδομένα
  • Η κατάσταση (draft, active, deprecated) επιτρέπει τη σταδιακή ανάπτυξη
  • Αποθηκεύστε τα prompts στο Git με δοκιμές και ιστορικό αλλαγών
  • Η επαναφορά πρέπει να είναι ακαριαία σε περίπτωση παλινδρόμησης