Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Αντι-πρότυπα προς αποφυγή

Μάθημα 8 / 16 Ενημερώθηκε 2 Νοεμβρίου 2026 Αρχάριος
Σε αυτήν τη σελίδα
  1. Σφάλματα που σαμποτάρουν τα prompts σας
  2. Αντι-πρότυπο 1: Υποκειμενική γλώσσα
  3. Αντι-πρότυπο 2: Αντιφατικές οδηγίες
  4. Αντι-πρότυπο 3: Αίτημα μέτρησης στο μοντέλο
  5. Αντι-πρότυπο 4: Υπερβολική παραγωγή tokens
  6. Αντι-πρότυπο 5: Αριθμητικές κλίμακες
  7. Αντι-πρότυπο 6: Ασαφείς οδηγίες
  8. Αντι-πρότυπο 7: Αγνόηση της προ-συμπλήρωσης (Pre-filling)
  9. Βασικά σημεία

Σφάλματα που σαμποτάρουν τα prompts σας

Η εξοικείωση με τη δημιουργία prompts σημαίνει επίσης να γνωρίζετε τι να μην κάνετε. Ορισμένες συνήθειες, απόλυτα φυσικές στην ανθρώπινη επικοινωνία, αποδίδουν φτωχά αποτελέσματα με τα μοντέλα Mistral—ακριβώς επειδή βασίζονται σε υπονοούμενα που το μοντέλο δεν διαθέτει. Αυτό το μάθημα παραθέτει τα επτά πιο συχνά αντι-πρότυπα, παρουσιάζοντας για το καθένα την εσφαλμένη εκδοχή, τη διορθωμένη εκδοχή και τη λογική πίσω από τη διόρθωση. Είναι πολύ πιθανό να αναγνωρίσετε μερικές από τις δικές σας συνήθειες στη διαδικασία.

Αντι-πρότυπο 1: Υποκειμενική γλώσσα

Μεταξύ συναδέλφων, η φράση «γράψε μου ένα κείμενο όχι πολύ μεγάλο» λειτουργεί επειδή μοιράζεστε το πλαίσιο: ο συνάδελφος γνωρίζει την περίπτωση χρήσης, τον αναγνώστη, τις εταιρικές συνήθειες. Το μοντέλο δεν αντιλαμβάνεται τις υποκειμενικές λέξεις όπως εσείς. Όροι όπως «μικρό», «μεγάλο», «πολλά», «ενδιαφέρον» ή «όχι πολύ» είναι ασαφείς και παράγουν απρόβλεπτα αποτελέσματα από την μία εκτέλεση στην άλλη.

Λάθος:

Write a text not too long about AI.
Include many interesting examples.

Σωστό:

Write a text of 200 to 300 words about generative AI.
Include 3 concrete examples of application in business
(marketing, HR, customer service).

Ο κανόνας διόρθωσης είναι μηχανικός: αντικαταστήστε κάθε υποκειμενικό όρο με ένα αντικειμενικό μέτρο. Το «όχι πολύ μεγάλο» γίνεται «200-300 λέξεις», τα «πολλά παραδείγματα» γίνονται «3 παραδείγματα» και το «ενδιαφέρον» γίνεται μια ακριβής περιγραφή του τύπου των παραδειγμάτων που αναμένονται.

Αντι-πρότυπο 2: Αντιφατικές οδηγίες

Όταν το prompt σας περιέχει ασυμβίβαστες οδηγίες—«να είστε εξαντλητικοί και να καλύψετε όλες τις πτυχές» ακολουθούμενο από «απαντήστε σε μέγιστο 3 προτάσεις»—το μοντέλο πρέπει να επιλέξει ποια θα ακολουθήσει, και αυτή η επιλογή είναι απρόβλεπτη. Μια μέρα λαμβάνετε τρεις επιφανειακές προτάσεις, την επόμενη έναν ολοκληρωμένο τοίχο κειμένου. Η διόρθωση συνίσταται στη συμφιλίωση των δύο απαιτήσεων σε μια ενιαία, συνεκτική οδηγία: «Καλύψτε τις 3 κύριες πτυχές του θέματος. Για κάθε πτυχή, δώστε μια συνοπτική πρόταση (μέγιστο 25 λέξεις)». Η εξαντλητικότητα γίνεται ένα καθορισμένο πεδίο εφαρμογής, η συντομία ένας περιορισμός ανά στοιχείο—καμία σύγκρουση πλέον.

Εάν οι κανόνες σας είναι πραγματικά πολύπλοκοι, με διαφορετικές συμπεριφορές ανάλογα με την περίπτωση, μην τους σωρεύετε: δομήστε τους ως ένα δέντρο αποφάσεων, όπου κάθε κλάδος είναι ρητός:

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

Αντι-πρότυπο 3: Αίτημα μέτρησης στο μοντέλο

Τα γλωσσικά μοντέλα είναι κακά στη μέτρηση. Δεν μετρούν πραγματικά λέξεις, χαρακτήρες ή προτάσεις—εκτιμούν, επειδή χειρίζονται tokens και όχι μονάδες κειμένου. Το να ζητάτε «ακριβώς 150 λέξεις» ή «ελέγξτε ότι κάθε πρόταση έχει λιγότερες από 20 λέξεις» είναι σαν να απαιτείτε από έναν ζωγράφο να μετρά σε μικρόμετρα: δεν είναι το εργαλείο τους.

Λάθος:

Write a text of exactly 150 words.
Check that each sentence is less than 20 words.

Σωστό:

Write a short text (around 150 words, 2-3 paragraphs).
Use concise and direct sentences.

Και αν η μέτρηση είναι πραγματικά κρίσιμη για την εφαρμογή σας—για παράδειγμα, ένα όριο χαρακτήρων που επιβάλλεται από μια διεπαφή—εκτελέστε τη στον κώδικα αφού λάβετε την απάντηση του μοντέλου, όχι στο prompt. Η γλώσσα προγραμματισμού σας μετρά τέλεια· το μοντέλο όχι.

Αντι-πρότυπο 4: Υπερβολική παραγωγή tokens

Κάθε παραγόμενο token έχει κόστος, τόσο οικονομικό όσο και σε καθυστέρηση (latency). Το να ζητάτε από το μοντέλο να παράγει πληροφορίες που δεν θα χρησιμοποιήσετε είναι καθαρή σπατάλη: πληρώνετε περισσότερα για να περιμένετε περισσότερο για κείμενο που δεν θα διαβάσετε. Η τυπική περίπτωση είναι η ανάλυση κώδικα όπου ζητάτε «εξηγήστε αναλυτικά κάθε γραμμή», συν «την ιστορία της γλώσσας» και «πιθανές εναλλακτικές», όταν μόνο τα σφάλματα (bugs) σας ενδιαφέρουν.

Σωστό:

Analyze this code and identify:
1. Potential bugs (with the line concerned)
2. A proposed fix for each bug
Nothing else.

Η τελική φράση «nothing else» (τίποτα άλλο) είναι μια εκπληκτικά ισχυρή οδηγία: λέει ρητά στο μοντέλο να μην προσθέσει τα συμπληρώματα, τις προειδοποιήσεις και τις επεκτάσεις που παράγει αυθόρμητα. Η απάντησή σας φτάνει γρηγορότερα, κοστίζει λιγότερο και πηγαίνει κατευθείαν στο θέμα.

Αντι-πρότυπο 5: Αριθμητικές κλίμακες

Το να ζητάτε από το μοντέλο να βαθμολογήσει σε μια κλίμακα του 1 έως 5 ή του 1 έως 10 φαίνεται αυστηρό—στην πραγματικότητα είναι το αντίθετο. Το μοντέλο δεν διαθέτει αξιόπιστη εσωτερική βαθμονόμηση για αυτές τις κλίμακες: το ίδιο κείμενο θα μπορούσε να λάβει 6/10 σήμερα και 8/10 αύριο, χωρίς κριτήρια που να εξηγούν το χάσμα. Η λύση συνίσταται στην αντικατάσταση των αριθμών με λεκτικές κλίμακες με ρητά κριτήρια:

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.

Καθώς κάθε επίπεδο ορίζεται από παρατηρήσιμα κριτήρια, η αξιολόγηση γίνεται αναπαραγώγιμη και δικαιολογημένη—γνωρίζετε γιατί ένα κείμενο είναι «Αποδεκτό» αντί για «Καλό», και το μοντέλο εφαρμόζει τα ίδια κριτήρια σε κάθε κλήση.

Αντι-πρότυπο 6: Ασαφείς οδηγίες

Το «Βελτιώστε αυτό το κείμενο» είναι το τέλειο παράδειγμα μιας οδηγίας που φαίνεται ξεκάθαρη και δεν είναι καθόλου. Τι να βελτιωθεί; Ορθογραφία; Ύφος; Δομή; Το μοντέλο θα επιλέξει για εσάς, και ρισκάρει να ξαναγράψει περάσματα που θέλατε να παραμείνουν ως έχουν. Η επαγγελματική εκδοχή οριοθετεί τόσο το τι πρέπει να διορθωθεί όσο και το τι πρέπει να μείνει άθικτο:

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

Το μπλοκ «Do NOT modify» (ΜΗΝ τροποποιήσετε) είναι εξίσου σημαντικό με το πρώτο: χωρίς αυτό, ένα υπερβολικά πρόθυμο μοντέλο θα αντικαταστήσει τους τεχνικούς όρους σας με κατά προσέγγιση συνώνυμα.

Αντι-πρότυπο 7: Αγνόηση της προ-συμπλήρωσης (Pre-filling)

Το τελευταίο αντι-πρότυπο είναι μια χαμένη ευκαιρία παρά ένα ενεργό σφάλμα: πολλοί χρήστες αγνοούν τη δυνατότητα προ-συμπλήρωσης της απάντησης μέσω του ρόλου assistant, όπως είδαμε στο μάθημα για τους ρόλους. Ωστόσο, είναι ένας ισχυρός μοχλός για την επιβολή μιας μορφής. Με ένα απλό μήνυμα χρήστη που ζητά JSON, το μοντέλο μπορεί να προσθέσει μια εισαγωγική πρόταση, backticks, ένα τελικό σχόλιο—τόσα πολλά στοιχεία που θα χαλάσουν την ανάλυσή σας (parsing). Τερματίζοντας τα μηνύματά σας με την αρχή μιας απάντησης assistant, η μορφή γίνεται quasi-εγγυημένη:

Χωρίς προ-συμπλήρωση (απρόβλεπτη μορφή):

messages = [
    {"role": "user", "content": "List 3 advantages of remote work in JSON."}
]

Με προ-συμπλήρωση (εγγυημένη μορφή):

messages = [
    {"role": "user", "content": "List 3 advantages of remote work in JSON."},
    {"role": "assistant", "content": "{\"advantages\": [", "prefix": True}
]

Το μοντέλο βρίσκει τον εαυτό του ήδη «στη διαδικασία συγγραφής» του αντικειμένου JSON: δεν μπορεί παρά να το ολοκληρώσει.

Βασικά σημεία

  • Αντικαταστήστε την υποκειμενική γλώσσα και τις ασαφείς οδηγίες με μετρήσιμες και οριοθετημένες οδηγίες
  • Αποφύγετε τις αντιφατικές οδηγίες—δομήστε τις πολύπλοκες περιπτώσεις ως δέντρο αποφάσεων
  • Μην ζητάτε ποτέ από το μοντέλο να μετρήσει: οι κρίσιμες μετρήσεις γίνονται στον κώδικα
  • Περιορίστε τη δημιουργία σε πληροφορίες που χρησιμοποιούνται πραγματικά, χρησιμοποιώντας λεκτικές κλίμακες αντί για αριθμητικές
  • Αξιοποιήστε την προ-συμπλήρωση του assistant για να εγγυηθείτε τη μορφή εξόδου