Lähe põhisisu juurde
Eesti— Vali keel
Menüü

Kontekst ja piirangud

Õppetund 4 / 16 Värskendatud 28. juuli 2026 Algajatele
Sellel lehel
  1. Kontekst: Anna mudelile see, mida ta ei tea
  2. Kolm edastatava konteksti tüüpi
  3. Määra oodatav vorming
  4. Piira pikkust
  5. Piira tooni ja registrit
  6. Piira ulatust
  7. Kombineeri kontekst ja piirangud
  8. Peamised punktid

Kontekst: Anna mudelile see, mida ta ei tea

Mistrali mudelitel on ulatuslikud üldteadmised, kuid nad ei tea midagi sinu konkreetsest olukorrast: sinu ettevõttest, projektist, sihtgrupist või äripiirangutest. Sinu promptis esitatud kontekst ületab selle lõhe. Just see teeb vahet universaalse tööriista ja spetsialiseeritud assistendi vahel. Ilma kontekstita toodab mudel üldiseid vastuseid – keskmiselt õigeid, kuid konkreetses olukorras kasutuid. Õige kontekstiga loob ta kohandatud vastuseid.

Kolm edastatava konteksti tüüpi

Esimene on situatsiooniline kontekst: sinu taotlust ümbritsev olukord. Turundusdirektor, kes kirjutab lihtsalt „paku välja turundusplaan“, saab õpikupärase plaani. Kui ta täpsustab oma olukorda, muutub kõik:

Context: I am the marketing director of an SME with 50 employees
specializing in B2B office furniture sales.
We are launching a new eco-friendly line in September 2026.
Our annual marketing budget is €80,000.

Iga lause selles kontekstis välistab kümneid teemaväliseid vastuseid: mitte mingeid B2C-strateegiaid, mitte seitsmekohalisi eelarveid, mitte mingeid turuletoomisega seotud soovitustest kõrvalekalduvaid soovitusi.

Teine on dokumendikontekst: andmed, mida mudel peab analüüsima või kasutama. Mudel ei tunne sinu sisemisi näitajaid – sa pead need talle andma, ideaalis eraldatuna siltidega, et need juhistest eristada:

Here are the quarterly results to analyze:

<data>
Q1 2026: Revenue €1.2M, margin 23%, 145 new clients
Q2 2026: Revenue €1.5M, margin 21%, 178 new clients
Q3 2026: Revenue €1.1M, margin 19%, 112 new clients
</data>

Identify trends and propose 3 corrective actions for Q4.

Kolmas on sihtgrupi kontekst: kellele loodav sisu on mõeldud. Sa ei selgita sama teemat samal viisil algajale ja eksperdile. Täpsusta näiteks: „Tekst on mõeldud kogenud Pythoni arendajatele (5+ aastat kogemust), kes avastavad keelemudelite API-sid esimest korda. Pythoni aluseid pole vaja selgitada, kuid kirjelda LLM-i kontseptsioone üksikasjalikult.“ Mudel kalibreerib seejärel detailide taseme täpselt sinna, kus sinu lugeja seda vajab.

Määra oodatav vorming

Väljundvorming on üks võimsamaid piiranguid. Ilma juhendita valib mudel vaikimisi vormingu – sageli proosateksti –, mida pead hiljem ümber töötlema. Vormingu täpsustamisel saad täpselt seda, mida vajad, kohe kasutamiseks valmis kujul.

Loendi puhul ütle seda: „Loetle eelised loendipunktidena (maksimaalselt 5).“ Tabeli puhul: „Esita tulemused Markdowni tabelina veergudega Feature | Availability | Priority.“ Tarkvaraintegratsiooni jaoks on kuningaks struktureeritud JSON ja seda väärib märkimist väli-väljalt:

Return the response in the following JSON format:
{
  "summary": "string (max 100 words)",
  "keywords": ["string"],
  "sentiment": "positive | neutral | negative",
  "confidence_score": "number (0-1)"
}

Same põhimõte kehtib koodi kohta: „Kirjuta funktsioon Python 3.11+ versioonis. Lisa Google’i stiilis dokstringid ja tüübiviited. Lisa lõppu kommentaaridesse 2 kasutusnäidet.“ Mida täpsemalt sa vormingut kirjeldad, seda vähem pead hiljem ümber tegema.

Piira pikkust

Mistrali mudelid kipuvad olema ammendavad, kui sa ei sea piire. Saad pikkust piirata sõnade arvuga („Vasta maksimaalselt 150 sõnaga“), struktuuriga („Vasta täpselt 3 lõigus, millest igaüks koosneb 2–3 lausest“) või elementide arvuga („Anna täpselt 5 soovitust, igaüks ühes lauses“).

Üks hoiatus siiski: keelemudelid loevad sõnu ja märke halvasti. Nõue „täpselt 150 sõna“ toodab umbes 150-sõnalise teksti, kuid harva täpselt õige arvu. Kui pikkus on sulle tõesti oluline, eelista struktuurseid piiranguid – lõikude, punktide või jaotiste arv –, mida mudel järgib palju ustavamalt kui täpseid loendusi.

Piira tooni ja registrit

Vastuse toon mõjutab otseselt selle kasulikkust: vale tooniga tekst on tekst, mille pead ümber kirjutama. Ole selge, isegi kui see tähendab spetsifikatsioonide kuhjamist: „Toon: professionaalne, kuid arusaadav. Välti tehnilist žargooni, välja arvatud juhul, kui see on vältimatu (sel juhul defineeri see). Kasuta ametlikku keelt. Emotikone või kõnekeelt ei kasutata.“

Näpunäide: kõige tõhusamad tooni käsud võrdlevad ülesannet tuntud professionaalse olukorraga. „Vasta nagu vanemkonsultant, kes esitleb tulemusi juhatusele“, „Võta omaks pedagoogiline toon, nagu professor, kes selgitab magistriõppe üliõpilastele“ või „Ole otsene ja lakooniline, nagu sisemine auditiaruanne“: igaüks neist fraasidest koondab ühte pilti terve komplekti sõnavara, pikkuse ja hoiaku valikuid, mida mudel oskab dekodeerida.

Piira ulatust

Ulatusse piiramine tähendab mudelile selgitamist, kus ta peab peatuma. Siin on näide piirangutest:

Scope constraints:
- Focus ONLY on the French market
- Do NOT mention US or UK regulations
- Ignore tax aspects (another expert handles this)
- If information is missing, state it explicitly
  rather than inventing it

Pööra erilist tähelepanu viimasele piirangule: see on sinu parim kaitse hallutsinatsioonide vastu. Mudel, mida palutakse anda täielik vastus, kipub lünki täitma usutava informatsiooniga; lubades tal sõnaselgelt oma piire tunnistada, muudad vaikiva väljamõeldise nähtavaks lipuks, millega saad seejärel tegeleda.

Kombineeri kontekst ja piirangud

Praktikas ühendab professionaalne prompt loomulikult kõike eelnevat: kontekst ja püsireeglid süsteemi promptis, andmed ja oodatav vorming kasutaja sõnumis. Siin on täielik HR-analüüsi näide:

messages = [
    {
        "role": "system",
        "content": """You are a senior HR analyst at a tech company.
Rules:
- Formal English, professional tone
- Base your analysis solely on the provided data
- If data is missing, flag it with [MISSING_DATA]
- Format: sections with headings, bullet points, no prose"""
    },
    {
        "role": "user",
        "content": """Analyze the absenteeism data below and propose an action plan.

Q1 2026 Data:
- Overall absenteeism rate: 7.2% (+1.8 points vs Q1 2025)
- Most affected department: Customer Support (12.1%)
- Main reason: short-term sick leave (< 5 days)
- Average tenure of absent employees: 2.3 years

Expected format:
1. Diagnosis (3 points max)
2. Probable causes (3 hypotheses)
3. Action plan (5 concrete measures with timeline)"""
    }
]

Pane tähele, kuidas iga selles õppetükis käsitletud element leiab oma koha: roll ja register süsteemis, eraldatud andmed kasutaja sõnumis, nummerdatud vorming sõnumi lõpus ja väljamõeldamise vastane kaitseraudtee ([MISSING_DATA]), mis on seatud üks kord ja igaveseks.

Peamised punktid

  • Kontekst muudab üldise vastuse isikupäraseks
  • Esita vajadusel situatsiooniline, dokumendi- ja sihtgrupikontekst
  • Määra alati oodatav väljundvorming (JSON, loend, tabel jne)
  • Piira pikkust struktuuri, mitte sõnade arvu kaudu
  • Piira ulatust ja luba mudelil märkida puuduvast informatsioonist