Meta-promptimine: optimaalsete vihjete loomine
Sellel lehel
Tund uuendatud 3. novembril 2026 OpenAI dokumentatsiooni põhjal: parameetreid
temperaturejatop_paktsepteeritakse ainult siis, kui arutluse jõupingutus (reasoning effort) on määratud väärtuseganone, samas kui GPT-5.6 mudelid kasutavad vaikimisi arutlust (medium). Seetõttu peavad need parameetrid määravad päringud sisaldama sätetreasoning={"effort": "none"}(Responses API) võireasoning_effort="none"(Chat Completions). Allikad: GPT-6 kasutamine · GPT-5.6 Terra.
Meta-promptimine: optimaalsete vihjete loomine
Meta-promptimine tähendab suure keelemudeli (LLM) kasutamist vihjete genereerimiseks või täiustamiseks. Selle asemel, et kirjutada iga juhend käsitsi, kirjeldad ülesannet ja palud mudelil luua optimaalne vihje. Ajavõit on kohene, kuid tegelik kasu peitub mujal: see tehnika toob esile sõnastusi, millele sa ise ehk kunagi ei tuleks, sest arendajad kirjutavad vihjeid alati samade reflekside ja pimedate laikudega.
Põhimõte
Hea vihje on loomulikus keeles kirjutatud programm. Nagu iga programmi puhul, on mõnikord tõhusam see genereerida kui käsitsi trükkida – sa ei kirjuta ju ka andmebaasi migratsioone tähthaaval. Meta-promptimine kasutab ära fakti, et mudel kohtus treeningu käigus tohutu hulga vihjete ja aruteludega selle üle, mis teeb need tõhusaks. Allpool olev näide küsib süsteemset vihjet tugipiletite klassifitseerimiseks. Pööra tähelepanu kahele detailile: spetsifikatsioon on täpne kuni kategooriate väärtusteni ja viimane rida nõuab toores väljundit ilma igasuguse kommentaarita, tagades, et tulemust saab kood otseselt kasutada.
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)
Genereerimine spetsifikatsioonide põhjal
Esimene muster industrialiseerib selle, mida sa just käsitsi tegid: kirjeldad oma nõudeid funktsionaalsete piirangutena ja mudel loob vastava vihje. Pakkides meta-vihje funktsiooni, saad korduskasutatava generaatori iga oma rakenduse ülesande jaoks. Kõrvalmõju on märkimisväärne: viie erineva arendaja kirjutatud vihjetel lakkab olemast viis erinevat stiili, mis lihtsustab koodi ülevaatust oluliselt.
def generate_prompt(objective: str, constraints: list[str],
output_format: str) -> str:
"""Generates a system prompt from specifications."""
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
Olemasoleva vihje täiustamine
Teine muster algab juba tootmises olevast vihjest ja väljas täheldatud veast. Selle asemel, et see täielikult ümber kirjutada – mis riskib rikkuda seda, mis toimis ideaalselt –, esitad praeguse vihje koos probleemi täpse kirjeldusega: „see vastab mõnikord inglise keeles“ või „see leiutab tellimuse numbreid, kui viide puudub“. Juhend „säilita see, mis toimib“ on siin otsustava tähtsusega. Ilma selleta refaktorib mudel spontaanselt kogu asja ja ulatab sulle täiesti uue vihje, mida sa enam ei mõista.
def improve_prompt(current_prompt: str, problem: str) -> str:
"""Improves an existing prompt based on feedback."""
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
Variantide genereerimine võrdlemiseks
Kolmas muster genereerib sama vihje mitu versiooni: eesmärk jääb samaks, kuid sõnastus ja struktuur erinevad. See on tooraine A/B-testimiseks, mida käsitleme 15. tunnis; ilma variantideta pole sul lihtsalt midagi võrrelda. Siinne kõrge temperatuur ei ole unustus: see teenib täpselt eesmärki luua versioonide vahel mitmekesisust, samas kui madal temperatuur annaks sulle kolm peaaegu identset ümbersõnastust.
def generate_variants(base_prompt: str, n: int = 3) -> list[str]:
"""Generates n variants of a 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---")
Torustiku kokkupanek
Need kolm ehitusplokki ahelduvad loomulikult: genereeri vihje eesmärgi põhjal, loo variandid ja seejärel käivita iga variant esinduslikul testkomplektil, et hinnata neid tõendite, mitte hinnangute põhjal.
def meta_prompt_pipeline(objective: str, tests: list[str]) -> str:
"""Complete meta-prompting pipeline."""
# 1. Generate 3 variants
variants = generate_variants(
generate_prompt(objective, [], "free text"), n=3
)
# 2. Test each variant
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. Evaluate (adapt to your criteria)
print("Compare the results and select the best variant.")
return variants, scores
Mida meta-promptimine sinu eest ei tee
Mudelil on tugev kalduvus ülioptimeerimisele: tema tagastatud vihje on sageli liiga sõnaohver või liiga kitsalt kalibreeritud sinu esitatud näidete järgi, põhjustades halba käitumist veidi erinevate juhtumite korral. Inimese ülevaatus on seetõttu enne kasutuselevõttu kohustuslik, kasvõi selleks, et kontrollida, kas ärireegleid ei ole vahepeal leiutatud – mudel, mis täidab mittetäielikku spetsifikatsiooni, teeb seda alati heas usus ja mõnikord valesti. Samuti jälgi kulusid: iga iteratsioon tarbib tokeneid ja piiramatu täiustamise tsükkel võib jooksta kaua, kunagi konvergentsi saavutamata. Määra iteratsioonide maksimaalne arv oma koodis, mitte oma isiklikus distsipliinis.
Selle tehnika valdamiseks võta oma valdkonnast reaalne ülesanne, kirjuta selle täielik spetsifikatsioon (eesmärk, piirangud, formaat), genereeri kolm varianti, testi neid viiel tootmiskeskkonnast pärit juhul ja seejärel lihvi parimat käsitsi. Peaaegu alati teeb just see viimane käsitsi kohandamine vahet korraliku vihje ja sellise vahel, mille oled valmis tootmisse viima.
Peamised punktid
- Meta-promptimine kasutab LLM-i vihjete generaatorina
- Kolm mustrit: genereerimine, iteratiivne täiustamine, variandid
- Valideeri genereeritud vihjeid alati konkreetsete testidega
- Kombineeri automaatset genereerimist käsitsi kohandamisega
- Määra piirangud, et vältida kulukaid iteratsioonitsükleid