Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Az utasításaid szerkezetbe foglalása

3. lecke 16 közül Frissítve 2026. július 28. Kezdő
Ezen az oldalon
  1. Miért számít a szerkezet?
  2. Markdown: A természetes szabvány
  3. XML-címkék: Maximális pontosság
  4. Egy strukturált prompt alapvető szekciói
  5. Explicit versus implicit utasítások
  6. Úgy írj, mintha a modell semmit sem tudna
  7. Főbb megállapítások

Miért számít a szerkezet?

A jól felépített prompt nem luxus, hanem szükségszerűség. A Mistral modellek hatalmas mennyiségű strukturált szövegen tanulnak: műszaki dokumentációkon, cikkeken, forráskódon. Jobban megértik és követik az utasításaidat, ha azok átláthatóan szervezettek, mivel ez a szervezettség hasonlít ahhoz, amit milliárdszor láttak a tanítási folyamat során.

Képzeld el, hogy szóbeli utasításokat adsz egy kollégádnak úgy, hogy mindent összekeversz: a határidő el van rejtve egy anekdotában, az elvárt formátum oda van szúrva egy mondat végére, a kontextus pedig az utasítás után következik. Az eredmény zavaros lenne, és a kollégádnak találgatnia kellene, mi is a lényeg. Ugyanez igaz a nyelvi modellekre is: a promptod szerkezete határozza meg az értelmezés tisztaságát. Ez a lecke két strukturáló eszközt mutat be – a Markdownot és az XML-címkéket –, valamint egy szekciós rácsot bármilyen összetett prompt megszervezéséhez.

Markdown: A természetes szabvány

A Markdown a leghatékonyabb strukturálási formátum a Mistral modellek számára, három egymást erősítő okból. Először is: olvasható. Neked is könnyű írni és átnézni, ami akkor számít, ha egy prompt egy alkalmazáson belül él és fejlődik. Másodszor: ismerős a modell számára. A Markdown tömegesen jelenik meg a tanító adatokban, így a modell erőfeszítés nélkül érti a konvencióit. Végül: természetesen elemezhető. A modell egyértelműen azonosítja a címsorok hierarchiáját, a listákat és a kódblokkokat, így levezeti az egyes szekciók relatív fontosságát.

Íme, hogyan néz ez ki egy versenyelemzési példán:

# Task
Write a competitive analysis report.

## Context
Company: TechCorp, B2B SaaS, French market
Main competitors: AlphaSoft, BetaCloud, GammaTech

## Expected Format
For each competitor, provide:
- **Strengths**: 3 points maximum
- **Weaknesses**: 3 points maximum
- **Pricing positioning**: low / medium / premium

## Constraints
- Maximum 800 words
- Professional and factual tone
- No strategic recommendations (analysis only)

Ez a prompt címsorokat (#, ##) használ a szekciók elválasztására, félkövér szöveget a kulcselemek kiemelésére, és felsorolásokat a részletekhez. A modell azonnal érti a hierarchiát: először a feladat, aztán a kontextus, majd a formátum, végül a korlátozások. Ezt a dokumentumot változtatás nélkül átadhatnád egy emberi együttműködőnek is – ez jó jel.

XML-címkék: Maximális pontosság

A Markdown szervez, az XML-címkék pedig elhatárolnak. Amikor egyértelműen el kell különítened adatblokkokat vagy utasításokat – tipikusan akkor, ha a promptod utasításokat és feldolgozandó szöveget is tartalmaz –, az XML-címkék különösen hatékonyak:

<instructions>
Analyze the provided text and extract named entities.
Categorize them into: people, organizations, locations.
</instructions>

<format>
Return the result in JSON with the structure:
{"people": [], "organizations": [], "locations": []}
</format>

<text>
President Macron met with the Director-General of the WHO in Geneva
to discuss European health strategy.
</text>

Az előny az, hogy a modell pontosan tudja, hol kezdődik és hol végződik az egyes szekciók. Ha az elemzendő szöveg tartalmazna egy utasításra hasonlító mondatot – például „kérjük, állítsd össze a résztvevők listáját“ –, a címkék megakadályoznák, hogy a modell összekeverje azt a te utasításaiddal. Ez az elválasztás az utasítások és az adatok között teszi értékessé az XML-t a produkciós promptokban.

Egy strukturált prompt alapvető szekciói

Bármelyik formátumot is választod, egy összetett prompt ugyanazon szekciók köré szerveződik. Az első, és egyetlen kötelező elem a feladat: mindig egyértelműen fogalmazd meg, mit vársz, rögtön az elején. A „Feladat: Fordítsd le az alábbi szöveget franciáról angolra, megtartva a hivatalos hangnemet“ nem hagy kétséget a küldetést illetően.

Ezt követi a kontextus, ha szükséges: olyan háttérinformációk, amelyeket a modell nem tud kitalálni. Ha egy franciaországi magánszemélyeknek szánt költségkezelő alkalmazást fejlesztő fintech startupnál dolgozol, mondd ki ezt – e részlet nélkül a modell egy általános közönségnek ír, és neked mindent újra kell csinálnod.

A harmadik szekció, a szabályok, keretbe foglalja a viselkedést: sorold fel explicit módon, mit kell és mit nem szabad tennie a modellnek. Például: használj hivatalos hangnemet, ne említs versenytárs márkaneveket, 50–100 szavas bekezdéseket készíts. Minden leírt szabály egy olyan javítás, amit nem kell majd kézzel elvégezned.

A negyedik szekció a kimeneti formátum: írd le pontosan, milyen alakot kell öltenie a válasznak. A „Adj vissza egy Markdown-táblázatot a következő oszlopokkal: Kritérium | Pontszám (1–5) | Megjegyzés“ közvetlenül a dokumentumodba másolható deliverable-t eredményez, míg az utasítás hiánya átdolgozandó prózát szül.

Végül a példák oldják fel a maradék bizonytalanságokat egy elvárt eredmény bemutatásával. Ez a technika olyan erős, hogy saját leckét szenteltünk neki: a few-shot promptinggal részletesen visszatérünk rá.

Explicit versus implicit utasítások

A Mistral modellek nem találgatják ki a szándékaidat: mindent, ami a fejedben implicit, explicit módon ki kell írnod a promptodban. Hasonlítsd össze a „Foglald össze ezt a cikket“ mondatot ezzel: „Foglald össze ezt a cikket 3 felsorolási pontban, egyenként maximum 20 szóban. Tartsd meg a kulcsfontosságú számokat. Használj semleges és tényközlő hangnemet.“ Az első verzió a modellre bízza a hosszúság, a formátum és a hangnem eldöntését – három döntés, amelyet másképp hozhat meg, mint te. A második nem hagy teret az értelmezésnek: a modell pontosan tudja, mit kell előállítania, és minden alkalommal ugyanolyan típusú eredményt kapsz.

Úgy írj, mintha a modell semmit sem tudna

Zárásként egy alapvető szabály: úgy írd meg a promptodat, hogy feltételezed: a modellnek nincs előzetes kontextusa a helyzetedről. Még ha valami számodra evidensnek is tűnik – ki vagy te, mit szeretnél elérni, mire használod, milyen formátumban –, akkor is specifikáld, a rendszer-promptra hagyva az állandó elemeket. Egy író, aki ugyanabban a beszélgetésben láncolja a kéréseket, hajlamos azt hinni, hogy „a modell tudja“; de amint megváltozik a beszélgetés, vagy a promptot máshol használják újra, minden implicit információ eltűnik. Ez a „nulla kontextus“ megközelítés garantálja a konzisztens eredményeket, függetlenül a beszélgetés állapotától.

Főbb megállapítások

  • Szerkezd a promptjaidat világos szekciókba (Markdown vagy XML)
  • A Markdown ideális a legtöbb esethez; XML-címkék az adatok elszigetelésére
  • Mindig válaszd szét a feladatot, a kontextust, a szabályokat és az elvárt formátumot
  • Tedd explicitté mindent, ami a fejedben implicit
  • Minden promptot úgy írj meg, mintha a modell nulláról indulna