Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Anti-uzorci koje treba izbjegavati

Lekcija 8 od 16 Ažurirano 2. studenoga 2026. Početnik
Na ovoj stranici
  1. Pogreške koje sabotiraju tvoje promptove
  2. Anti-uzorak 1: Subjektivni jezik
  3. Anti-uzorak 2: Kontradiktorne upute
  4. Anti-uzorak 3: Traženje od modela da broji
  5. Anti-uzorak 4: Pretjerana generacija tokena
  6. Anti-uzorak 5: Numeričke ljestvice
  7. Anti-uzorak 6: Nejasne upute
  8. Anti-uzorak 7: Ignoriranje predispunjavanja
  9. Ključne točke

Pogreške koje sabotiraju tvoje promptove

Svladavanje pisanja promptova znači i znati što ne raditi. Određene navike, sasvim prirodne u ljudskoj komunikaciji, daju loše rezultate s Mistral modelima – upravo zato što se oslanjaju na implicitno razumijevanje kojeg modelu nedostaje. Ova lekcija nabraja sedam najčešćih anti-uzoraka, uz prikaz pogrešne verzije, ispravljene verzije i logike koja stoji iza ispravka za svaki od njih. Vjerojatno ćeš prepoznati nekoliko vlastitih navika usput.

Anti-uzorak 1: Subjektivni jezik

Između kolega, „napiši mi tekst koji nije predugačak“ funkcionira jer dijelite kontekst: kolega poznaje slučaj upotrebe, čitatelja, navike tvrtke. Model ne percipira subjektivne riječi kao ti. Izrazi poput „kratak“, „dugačak“, „mnogo“, „zanimljiv“ ili „ne previše“ su dvosmisleni i proizvode nepredvidive rezultate od jednog izvršenja do drugog.

Loše:

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

Dobro:

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

Pravilo ispravka je mehaničko: zamijeni svaki subjektivni izraz objektivnom mjerom. „Nije predugačak“ postaje „200–300 riječi“, „mnogo primjera“ postaje „3 primjera“, a „zanimljiv“ postaje precizan opis vrste očekivanih primjera.

Anti-uzorak 2: Kontradiktorne upute

Kada tvoj prompt sadrži nekompatibilne upute – „budi iscrpan i obuhvati sve aspekte“, a zatim „odgovori u najviše 3 rečenice“ – model mora odabrati koju će slijediti, a taj izbor je nepredvidiv. Jednog dana dobiješ tri površne rečenice, sljedećeg opsežan zid teksta. Ispravak se sastoji od usklađivanja ta dva zahtjeva u jednu koherentnu uputu: „Obuhvati 3 glavna aspekta teme. Za svaki aspekt daj sažetu rečenicu (maks. 25 riječi).“ Iscrpnost postaje definirani opseg, sažetost ograničenje po elementu – više nema sukoba.

Ako su tvoja pravila doista složena, s različitim ponašanjima ovisno o slučaju, nemoj ih gomilati: strukturiraj ih kao stablo odlučivanja, gdje je svaka grana eksplicitna:

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

Anti-uzorak 3: Traženje od modela da broji

Jezični modeli su loši u brojanju. Oni zapravo ne broje riječi, znakove ni rečenice – oni procjenjuju, jer manipuliraju tokenima, a ne tekstualnim jedinicama. Tražiti „točno 150 riječi“ ili „provjeri da svaka rečenica ima manje od 20 riječi“ kao da tražiš od slikara da mjeri u mikronima: to nije njihov alat.

Loše:

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

Dobro:

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

Ako je brojanje doista kritično za tvoju aplikaciju – na primjer, ograničenje broja znakova koje nameće sučelje – izvrši ga u kodu nakon što primiš odgovor modela, a ne u promptu. Tvoj programski jezik broji savršeno; model ne.

Anti-uzorak 4: Pretjerana generacija tokena

Svaki generirani token ima cijenu, i financijsku i u latenciji. Tražiti od modela da proizvede informacije koje nećeš koristiti čisti je otpad: plaćaš više da bi duže čekao tekst koji nećeš pročitati. Tipičan slučaj je analiza koda gdje tražiš „objasni svaku liniju detaljno“, plus „povijest jezika“ i „moguće alternative“, kada te zanimaju samo bugovi.

Dobro:

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

Završna „ništa više“ iznenađujuće je moćna uputa: ona eksplicitno govori modelu da ne dodaje dopune, upozorenja i proširenja koja spontano proizvodi. Tvoj odgovor stiže brže, košta manje i ide ravno na stvar.

Anti-uzorak 5: Numeričke ljestvice

Tražiti od modela da ocijeni na ljestvici od 1 do 5 ili od 1 do 10 čini se rigoroznim – u stvarnosti je suprotno. Model nema pouzdanu internu kalibraciju za ove ljestvice: isti tekst danas može dobiti 6/10, a sutra 8/10, bez kriterija koji objašnjavaju razliku. Rješenje se sastoji u zamjeni brojeva verbalnim ljestvicama s eksplicitnim kriterijima:

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.

Budući da je svaka razina definirana opservabilnim kriterijima, evaluacija postaje reproducibilna i opravdana – znaš zašto je tekst „Prihvatljiv“, a ne „Dobar“, a model primjenjuje iste kriterije pri svakom pozivu.

Anti-uzorak 6: Nejasne upute

„Poboljšaj ovaj tekst“ savršen je primjer upute koja se čini jasnom, a uopće nije. Poboljšati što? Pravopis? Stil? Strukturu? Model će odabrati umjesto tebe i riskirat će prepisati odlomke koje si htio/la zadržati nepromijenjenima. Profesionalna verzija razgraničava i što ispraviti i što ostaviti netaknutim:

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

Blok „NEMOJ mijenjati“ jednako je važan kao i prvi: bez njega, revan model zamijenit će tvoje tehničke termine približnim sinonimima.

Anti-uzorak 7: Ignoriranje predispunjavanja

Posljednji anti-uzorak nije aktivna pogreška, već propuštena prilika: mnogi korisnici ignoriraju mogućnost predispunjavanja odgovora putem uloge assistant, viđene u lekciji o ulogama. Ipak, to je moćan polug za forsiranje formata. Uz jednostavnu korisničku poruku koja traži JSON, model može dodati uvodnu rečenicu, backtickove, završni komentar – toliko elemenata koji će slomiti tvoje parsiranje. Završetkom svojih poruka početkom odgovora asistenta, format postaje gotovo zajamčen:

Bez predispunjavanja (nepredvidiv format):

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

S predispunjavanjem (zajamčen format):

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

Model se zatekne već „u procesu pisanja“ JSON objekta: može ga samo dovršiti.

Ključne točke

  • Zamijeni subjektivni jezik i nejasne upute mjerljivim i razgraničenim uputama
  • Izbjegavaj kontradiktorne upute – strukturiraj složene slučajeve kao stablo odlučivanja
  • Nikada ne traži od modela da broji: kritična brojanja obavljaj u kodu
  • Ograniči generaciju na informacije koje stvarno koristiš, koristeći verbalne ljestvice umjesto numeričkih
  • Iskoristi predispunjavanje asistenta kako bi zajamčio/la format izlaza