Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Kontekst i ograničenja

Lekcija 4 od 16 Ažurirano 28. srpnja 2026. Početnik
Na ovoj stranici
  1. Kontekst: Daj modelu ono što ne zna
  2. Tri vrste konteksta koje trebaš pružiti
  3. Definiraj očekivani format
  4. Ograniči duljinu
  5. Ograniči ton i registar
  6. Ograniči opseg
  7. Kombiniraj kontekst i ograničenja
  8. Ključne točke

Kontekst: Daj modelu ono što ne zna

Mistral modeli posjeduju opsežno opće znanje, ali ne znaju ništa o tvojoj specifičnoj situaciji: tvojoj tvrtki, tvom projektu, tvojoj publici ili tvojim poslovnim ograničenjima. Kontekst koji pružiš u svom promptu premošćuje taj jaz. To je ono što čini razliku između alata opće namjene i specijaliziranog asistenta. Bez konteksta, model proizvodi generičke odgovore – u prosjeku točne, ali u praksi neupotrebljive. Uz pravi kontekst, on proizvodi prilagođene odgovore.

Tri vrste konteksta koje trebaš pružiti

Prva je situacijski kontekst: okolnosti koje okružuju tvoj zahtjev. Direktor marketinga koji jednostavno napiše „predloži marketinški plan“ dobit će planski odgovor iz udžbenika. Ako specificira svoju situaciju, sve se mijenja:

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.

Svaka rečenica u ovom kontekstu eliminira desetke odgovora izvan teme: nema B2C strategija, nema budžeta od sedam znamenki, nema preporuka nepovezanih s lansiranjem.

Druga je kontekst dokumenata: podaci koje model mora analizirati ili koristiti. Model ne poznaje tvoje interne brojke – moraš mu ih dati, idealno omeđene oznakama kako bi se odvojile od uputa:

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.

Treća je kontekst publike: kome je namijenjen generirani sadržaj. Istu temu ne objašnjavaš na isti način početniku i stručnjaku. Specificiraj, na primjer: „Tekst je za iskusne Python developere (5+ godina iskustva) koji prvi put otkrivaju API-je jezičnih modela. Nema potrebe objašnjavati osnove Pythona, ali detaljno opiši LLM koncepte.“ Model će tada precizno kalibrirati razinu detalja točno ondje gdje tvojem čitatelju treba.

Definiraj očekivani format

Format izlaza jedno je od najmoćnijih ograničenja. Bez smjernica, model će odabrati zadani format – često prozu – koji ćeš morati dodatno obrađivati. Specificiranjem formata dobivaš točno ono što ti treba, spremno za upotrebu.

Za popis to jasno i reci: „Navedi prednosti kao natuknice (maksimalno 5).“ Za tablicu: „Predstavi rezultate u Markdown tablici sa stupcima Značajka | Dostupnost | Prioritet.“ Za integraciju softvera, strukturirani JSON je kralj i vrijedi ga specificirati polje po polje:

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

Isto načelo vrijedi i za kod: „Napiši funkciju u Pythonu 3.11+. Dodaj docstringove u Google stilu i hints za tipove. Uključi 2 primjera upotrebe u komentarima na kraju.“ Što preciznije opišeš format, to ćeš manje morati naknadno obrađivati.

Ograniči duljinu

Mistral modeli teže iscrpnosti ako ne postaviš limite. Duljinu možeš ograničiti brojem riječi („Odgovori u najviše 150 riječi“), strukturom („Odgovori u točno 3 odlomka od po 2-3 rečenice“) ili elementima („Daj točno 5 preporuka, svaku u jednoj rečenici“).

Jedno upozorenje: jezični modeli loše broje riječi i znakove. Zahtjev za „točno 150 riječi“ proizvest će tekst od otprilike 150 riječi, ali rijetko će biti savršen. Ako ti je duljina doista bitna, daj prednost strukturnim ograničenjima – broj odlomaka, točaka, sekcija – koja model puno vjernije slijedi od preciznih brojki.

Ograniči ton i registar

Ton odgovora izravno utječe na njegovu korisnost: tekst s pogrešnim tonom tekst je koji moraš prepisivati. Budi eksplicitan, čak i ako to znači slaganje specifikacija: „Ton: profesionalan, ali pristupačan. Izbjegavaj tehnički žargon osim ako je neizbježan (u tom slučaju, definiraj ga). Koristi formalni jezik. Bez emojija ili neformalnog izražavanja.“

Savjet stručnjaka: najučinkovitije upute o tonu često uspoređuju zadatak s poznatom profesionalnom situacijom. „Odgovori kao viši konzultant koji se obraća izvršnom odboru“, „Usvoji pedagoški ton, poput profesora koji objašnjava studentima magisterija“ ili „Budi izravan i sažet, poput izvješća interne revizije“: svaka od ovih fraza sažima čitav skup izbora vokabulara, duljine i stava u jednu sliku koju model zna dekodirati.

Ograniči opseg

Ograničavanje opsega znači reći modelu gdje treba stati. Evo primjera ograničenja:

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

Obrati posebnu pozornost na posljednje ograničenje: to je tvoja najbolja obrana od halucinacija. Model od kojeg se traži potpun odgovor teži popunjavanju praznina uvjerljivim informacijama; eksplicitnim dopuštanjem da prizna svoja ograničenja, pretvaraš tiho izmišljanje u vidljivu zastavicu kojom se potom možeš baviti.

Kombiniraj kontekst i ograničenja

U praksi, profesionalni prompt prirodno kombinira sve gore navedeno: kontekst i trajna pravila u sistemskom promptu, podatke i očekivani format u korisničkoj poruci. Evo potpunog primjera HR analize:

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)"""
    }
]

Primijeti kako svaki element obrađen u ovoj lekciji pronalazi svoje mjesto: uloga i registar u sustavu, omeđeni podaci u korisničkoj poruci, numerirani format na kraju poruke te zaštitna mjera protiv izmišljanja ([MISSING_DATA]) postavljena jednom zauvijek.

Ključne točke

  • Kontekst transformira generički odgovor u personalizirani
  • Pruži situacijski kontekst, kontekst dokumenata i kontekst publike prema potrebi
  • Uvijek definiraj očekivani izlazni format (JSON, popis, tablica itd.)
  • Ograniči duljinu putem strukture, a ne brojanjem riječi
  • Ograniči opseg i ovlasti model da signalizira nedostajuće informacije