Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Meta-prompting: Δημιουργία Βέλτιστων Prompts

Μάθημα 5 / 16 Ενημερώθηκε 3 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Meta-prompting: Δημιουργία Βέλτιστων Prompts
  2. Η Αρχή
  3. Δημιουργία από Προδιαγραφές
  4. Βελτίωση ενός Υπάρχοντος Prompt
  5. Δημιουργία Παραλλαγών για Σύγκριση
  6. Συναρμολόγηση του Pipeline
  7. Τι δεν θα κάνει το Meta-prompting για εσάς
  8. Βασικά σημεία

Μάθημα ενημερώθηκε στις 3 Νοεμβρίου 2026 βάσει της τεκμηρίωσης 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 προσδιορίζουν reasoning={"effort": "none"} (Responses API) ή reasoning_effort="none" (Chat Completions). Πηγές: Χρήση του GPT-6 · GPT-5.6 Terra.

Meta-prompting: Δημιουργία Βέλτιστων Prompts

Το meta-prompting περιλαμβάνει τη χρήση ενός LLM για τη δημιουργία ή τη βελτίωση prompts. Αντί να γράφετε χειροκίνητα κάθε οδηγία, περιγράφετε την εργασία και ζητάτε από το μοντέλο να παράγει το βέλτιστο prompt. Η εξοικονόμηση χρόνου είναι άμεση, αλλά το πραγματικό όφελος βρίσκεται αλλού: αυτή η τεχνική αναδεικνύει διατυπώσεις που ίσως δεν είχατε ποτέ σκεφτεί, καθώς οι προγραμματιστές γράφουν πάντα prompts με τα ίδια αντανακλαστικά και τα ίδια τυφλά σημεία.

Η Αρχή

Ένα καλό prompt είναι ένα πρόγραμμα γραμμένο σε φυσική γλώσσα. Όπως με κάθε πρόγραμμα, μερικές φορές είναι πιο αποδοτικό να το παράγετε παρά να το πληκτρολογείτε χέρι με χέρι – άλλωστε, δεν γράφετε ούτε τις μεταναστεύσεις της βάσης δεδομένων σας χαρακτήρα προς χαρακτήρα. Το meta-prompting εκμεταλλεύεται το γεγονός ότι κατά τη διάρκεια της εκπαίδευσης, το μοντέλο συνάντησε τεράστια ποσότητα prompts και συζητήσεων σχετικά με το τι τα καθιστά αποτελεσματικά. Το παρακάτω παράδειγμα ζητά ένα system prompt για την ταξινόμηση εισιτηρίων υποστήριξης. Δύο λεπτομέρειες αξίζουν την προσοχή σας: η προδιαγραφή είναι ακριβής μέχρι τις τιμές των κατηγοριών και η τελευταία γραμμή επιβάλλει μια ακατέργαστη έξοδο χωρίς συνοδευτικό σχόλιο, διασφαλίζοντας ότι το αποτέλεσμα είναι άμεσα usable από κώδικα.

from openai import OpenAI

client = OpenAI()

meta_prompt = """You are an expert in prompt engineering.

Generate an optimized system prompt for the following task:
- Objective: Classify customer support tickets
- Categories: bug, feature_request, question, billing
- Output: JSON with "category", "priority" (1-5), "summary"
- Constraints: Response in French, max 100 tokens

The prompt must include:
1. A clear role
2. The categories with classification criteria
3. The exact output format with an example
4. Edge cases (ambiguous ticket, out-of-category)

Return ONLY the system prompt, with no explanation."""

response = client.responses.create(
    model="gpt-5.6-sol",
    reasoning={"effort": "none"},  # temperature requires effort none
    input=meta_prompt,
    temperature=0.7
)

generated_prompt = response.output_text
print(generated_prompt)

Δημιουργία από Προδιαγραφές

Το πρώτο μοτίβο εκβιομηχανίζει αυτό που μόλις κάνατε χειροκίνητα: περιγράφετε τις απαιτήσεις σας ως λειτουργικούς περιορισμούς και το μοντέλο παράγει το αντίστοιχο prompt. Τυλίγοντας το meta-prompt σε μια συνάρτηση, αποκτάτε μια επαναχρησιμοποιήσιμη γεννήτρια για κάθε εργασία στην εφαρμογή σας. Η παρενέργεια είναι σημαντική: τα prompts που γράφονται από πέντε διαφορετικούς προγραμματιστές παύουν να έχουν πέντε διαφορετικά στυλ, γεγονός που απλοποιεί σημαντικά την αναθεώρηση του κώδικα.

def generate_prompt(objective: str, constraints: list[str],
                   output_format: str) -> str:
    """Δημιουργεί ένα system prompt από προδιαγραφές."""
    spec = f"""Generate a system prompt for this task:

Objective: {objective}

Constraints:
{chr(10).join(f'- {c}' for c in constraints)}

Expected output format:
{output_format}

Include a concrete input/output example.
Return only the prompt, with no commentary."""

    response = client.responses.create(
        model="gpt-5.6-sol",
        reasoning={"effort": "none"},  # temperature requires effort none
        input=spec,
        temperature=0.5
    )
    return response.output_text

Βελτίωση ενός Υπάρχοντος Prompt

Το δεύτερο μοτίβο ξεκινά με ένα prompt που βρίσκεται ήδη σε παραγωγή και ένα παρατηρηθέν ελάττωμα στο πεδίο. Αντί να το ξαναγράψετε εξ ολοκλήρου –κάτι που ρισκάρει να χαλάσει ό,τι λειτουργούσε τέλεια– παρέχετε το τρέχον prompt μαζί με μια ακριβή περιγραφή του προβλήματος: «μερικές φορές απαντά στα Αγγλικά» ή «επινοεί αριθμούς παραγγελιών όταν λείπει η αναφορά». Η οδηγία «κρατήστε ό,τι λειτουργεί» είναι το καθοριστικό σημείο εδώ. Χωρίς αυτήν, το μοντέλο αναδομεί αυθόρμητα το σύνολο και σας παραδίδει ένα ολοκαίνουργιο prompt που δεν καταλαβαίνετε πλέον.

def improve_prompt(current_prompt: str, problem: str) -> str:
    """Βελτιώνει ένα υπάρχον prompt βάσει σχολίων."""
    meta = f"""Here is a system prompt that has a problem:

--- CURRENT PROMPT ---
{current_prompt}
--- END ---

Observed problem: {problem}

Rewrite this prompt to fix this problem.
Keep what works; modify only what is necessary.
Return only the improved prompt."""

    response = client.responses.create(
        model="gpt-5.6-sol",
        reasoning={"effort": "none"},  # temperature requires effort none
        input=meta,
        temperature=0.3
    )
    return response.output_text

Δημιουργία Παραλλαγών για Σύγκριση

Το τρίτο μοτίβο δημιουργεί πολλαπλές εκδόσεις του ίδιου prompt: σταθερός στόχος, αλλά αποκλίνουσες διατυπώσεις και δομές. Αυτή είναι η πρώτη ύλη για τις δοκιμές A/B που θα καλύψουμε στο Μάθημα 15· χωρίς παραλλαγές, απλά δεν έχετε τίποτα να συγκρίνετε. Η υψηλή θερμοκρασία εδώ δεν είναι λάθος: εξυπηρετεί ακριβώς τη δημιουργία ποικιλομορφίας μεταξύ των εκδόσεων, ενώ μια χαμηλή θερμοκρασία θα σας έδινε τρεις σχεδόν πανομοιότυπες αναδιατυπώσεις.

def generate_variants(base_prompt: str, n: int = 3) -> list[str]:
    """Δημιουργεί n παραλλαγές ενός prompt."""
    meta = f"""Here is a system prompt:

{base_prompt}

Generate {n} variants of this prompt that:
- Keep the same objective
- Use different phrasing
- Vary the structure (lists vs. paragraphs, order of instructions)

Separate each variant with "---VARIANT---"."""

    response = client.responses.create(
        model="gpt-5.6-sol",
        reasoning={"effort": "none"},  # temperature requires effort none
        input=meta,
        temperature=0.9
    )
    return response.output_text.split("---VARIANT---")

Συναρμολόγηση του Pipeline

Αυτά τα τρία δομικά στοιχεία αλυσιδώνονται φυσικά: δημιουργήστε ένα prompt από τον στόχο, παράγετε παραλλαγές και στη συνέχεια εκτελείτε κάθε παραλλαγή σε ένα αντιπροσωπευτικό σύνολο δοκιμών για να τις κρίνετε βάσει αποδεικτικών στοιχείων και όχι εκτιμήσεων.

def meta_prompt_pipeline(objective: str, tests: list[str]) -> str:
    """Πλήρες pipeline meta-prompting."""

    # 1. Δημιουργία 3 παραλλαγών
    variants = generate_variants(
        generate_prompt(objective, [], "free text"), n=3
    )

    # 2. Δοκιμή κάθε παραλλαγής
    scores = []
    for i, prompt in enumerate(variants):
        results = []
        for test in tests:
            response = client.responses.create(
                model="gpt-5.6-terra",
                reasoning={"effort": "none"},  # temperature requires effort none
                instructions=prompt.strip(),
                input=test,
                temperature=0.2
            )
            results.append(response.output_text)
        scores.append((i, results))

    # 3. Αξιολόγηση (προσαρμόστε στα κριτήριά σας)
    print("Συγκρίνετε τα αποτελέσματα και επιλέξτε την καλύτερη παραλλαγή.")
    return variants, scores

Τι δεν θα κάνει το Meta-prompting για εσάς

Το μοντέλο έχει ισχυρή τάση προς την υπερ-βελτιστοποίηση: το prompt που επιστρέφει είναι συχνά υπερβολικά verbose ή πολύ στενά βαθμονομημένο στα παραδείγματα που παρέχετε, με αποτέλεσμα να συμπεριφέρεται άσχημα σε ελαφρώς διαφορετικές περιπτώσεις. Επομένως, η ανθρώπινη αναθεώρηση είναι υποχρεωτική πριν από οποιαδήποτε ανάπτυξη, έστω και μόνο για να επαληθεύσετε ότι δεν επινοήθηκαν επιχειρηματικοί κανόνες στη διαδικασία – ένα μοντέλο που συμπληρώνει μια ελλιπή προδιαγραφή το κάνει πάντα με καλή πίστη, και μερικές φορές λανθασμένα. Προσέξτε επίσης το κόστος: κάθε επανάληψη καταναλώνει tokens και ένας απεριόριστος βρόχος βελτίωσης μπορεί να τρέξει για πολύ καιρό χωρίς ποτέ να συγκλίνει. Ορίστε τον μέγιστο αριθμό επαναλήψεων στον κώδικά σας, όχι στην προσωπική σας πειθαρχία.

Για να κατακτήσετε αυτή την τεχνική, πάρτε μια πραγματική εργασία από τον τομέα σας, γράψτε την πλήρη προδιαγραφή της (στόχος, περιορισμοί, μορφή), δημιουργήστε τρεις παραλλαγές, δοκιμάστε τες σε πέντε περιπτώσεις από το περιβάλλον παραγωγής σας και, στη συνέχεια, βελτιώστε χειροκίνητα την καλύτερη. Σχεδόν πάντα αυτή η τελική χειροκίνητη πινελιά κάνει τη διαφορά μεταξύ ενός decent prompt και ενός που είστε έτοιμοι να θέσετε σε παραγωγή.

Βασικά σημεία

  • Το meta-prompting χρησιμοποιεί το LLM ως γεννήτρια prompts
  • Τρία μοτίβα: δημιουργία, επαναληπτική βελτίωση, παραλλαγές
  • Επικυρώνετε πάντα τα παραγόμενα prompts με συγκεκριμένες δοκιμές
  • Συνδυάστε την αυτόματη δημιουργία με χειροκίνητη προσαρμογή
  • Ορίστε όρια για να αποφύγετε ακριβούς βρόχους επανάληψης