Környezet és korlátozások
Ezen az oldalon
Környezet: Add meg a modellnek, amit nem tud
A Mistral modellek rendelkeznek átfogó általános tudással, de semmit sem tudnak a te konkrét helyzetedről: a cégedről, a projektedről, a célközönségedről vagy az üzleti korlátaidról. A promptodban megadott környezet hidalja át ezt a szakadékot. Ez teszi a különbséget az általános célú eszköz és a specializált asszisztens között. Környezet nélkül a modell általános válaszokat gyárt – amelyek átlagosan helyesek, de konkrét esetben használhatatlanok. A megfelelő környezettel viszont testreszabott válaszokat kapsz.
Háromféle környezet, amit meg kell adnod
Az első a helyzeti környezet: a kérésedet övező körülmények. Egy marketingigazgató, aki csupán annyit ír: „javasolj egy marketingtervet“, egy tankönyvi tervet kap. Ha azonban meghatározza a helyzetét, minden megváltozik:
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.
Ebben a környezetben minden egyes mondat kiküszöböli a témától eltérő válaszok tucatjait: nincs B2C stratégia, nincs hétszámjegyű költségvetés, és nincs a bevezetéshez nem kapcsolódó javaslat.
A második a dokumentum-környezet: azok az adatok, amelyeket a modellnek elemeznie vagy használnia kell. A modell nem ismeri a belső számaidat – neked kell megadnod neki őket, ideális esetben címkékkel elválasztva az utasításoktól:
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.
A harmadik a célközönség-környezet: az, akinek a generált tartalom szól. Ugyanazt a témát nem magyarázod el ugyanúgy egy kezdőnek és egy szakértőnek. Határozd meg például így: „A szöveg tapasztalt Python-fejlesztőknek szól (5+ év tapasztalat), akik most ismerkednek először a nyelvi modell API-kkal. Nem kell elmagyarázni a Python alapjait, de részletezd az LLM koncepciókat.“ A modell ezután pontosan arra a részletességi szintre kalibrálja a választ, amire az olvasódnak szüksége van.
Határozd meg a kívánt formátumot
A kimeneti formátum az egyik leghatékonyabb korlátozás. Irányítás nélkül a modell egy alapértelmezett formátumot választ – gyakran prózai szöveget –, amit majd át kell dolgoznod. A formátum meghatározásával pontosan azt kapod meg, amire szükséged van, használatra készen.
Ha listát szeretnél, mondd ki: „Sorold fel az előnyöket felsorolásjelekkel (maximum 5).“ Ha táblázatot: „Mutasd be az eredményeket Markdown táblázatban a következő oszlopokkal: Funkció | Elérhetőség | Prioritás.“ Szoftveres integráció esetén a strukturált JSON a király, és ezt érdemes mezőről mezőre meghatározni:
Return the response in the following JSON format:
{
"summary": "string (max 100 words)",
"keywords": ["string"],
"sentiment": "positive | neutral | negative",
"confidence_score": "number (0-1)"
}
Ugyanez az elv vonatkozik a kódra is: „Írd meg a függvényt Python 3.11+ verzióban. Adj hozzá Google-stílusú docstringeket és típusjelöléseket. A végén szerepeljen 2 használati példa kommentárként.“ Minél pontosabban írod le a formátumot, annál kevesebb utómunkára lesz szükséged.
Korlátozd a hosszt
A Mistral modellek hajlamosak a teljességre törekedni, ha nem szabasz határokat. A hosszt korlátozhatod szavak számával („Maximum 150 szóban válaszolj“), szerkezettel („Pontosan 3 bekezdésben válaszolj, bekezdésenként 2-3 mondattal“), vagy elemekkel („Adj pontosan 5 javaslatot, mindegyiket egy mondatban“).
Egy figyelmeztetés azonban: a nyelvi modellek rosszul számolják a szavakat és karaktereket. Ha „pontosan 150 szót“ kérsz, a modell körülbelül 150 szót produkál, de ritkán lesz pontosan annyi. Ha a hossz valóban fontos számodra, részesítsd előnyben a strukturális korlátozásokat – bekezdések, pontok, szakaszok száma –, amelyeket a modell sokkal hűségesebben követ, mint a pontos számlálást.
Korlátozd a hangnemet és a stílust
A válasz hangneme közvetlenül befolyásolja annak hasznosságát: a rossz hangnemű szöveg olyan szöveg, amit át kell írnod. Légy egyértelmű, még akkor is, ha ez több specifikáció egymásra halmozását jelenti: „Hangnem: professzionális, de hozzáférhető. Kerüld a szakzsargont, hacsak nem elkerülhetetlen (ilyenkor definiáld is). Használj hivatalos nyelvezetet. Nincsenek emojik vagy informális kifejezések.“
Pro tipp: a leghatékonyabb hangnemre vonatkozó utasítások gyakran összehasonlítják a feladatot egy ismert szakmai helyzettel. „Válaszolj úgy, mint egy vezető tanácsadó, aki az igazgatótanács előtt ad elő“, „Vegyél fel pedagógiai hangnemet, mint egy professzor, aki mesterképzéses hallgatóknak magyaráz“, vagy „Légy közvetlen és tömör, mint egy belső auditjelentés“: ezek a kifejezések egyetlen képbe sűrítenek egy egész szókincs-, hossz- és fellépésválasztást, amelyet a modell képes dekódolni.
Korlátozd a hatókört
A hatókör meghatározása azt jelenti, hogy megmondod a modellnek, hol álljon meg. Íme egy példa a korlátozásokra:
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
Fordíts különös figyelmet az utolsó korlátozásra: ez a legjobb védelmed a hallucinációkkal szemben. Egy modell, amelytől teljes választ várnak, hajlamos plausible (hihető) információkkal kitölteni a hézagokat; ha azonban kifejezetten engedélyezed neki, hogy beismerje a korlátait, a csendes kitalálást látható figyelmeztetéssé alakítod át, amit aztán kezelni tudsz.
Egyesítsd a környezetet és a korlátozásokat
A gyakorlatban egy professzionális prompt természetesen egyesíti a fentieket: a környezetet és az állandó szabályokat a rendszer-promptban, az adatokat és a várt formátumot pedig a felhasználói üzenetben. Íme egy teljes HR-elemzési példa:
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)"""
}
]
Figyeld meg, hogyan talál helyet minden elem, amelyről ebben a leckében szó volt: a szerep és a stílus a rendszerben, a határolt adatok a felhasználói üzenetben, a számozott formátum az üzenet végén, valamint a kitalálás elleni védőkorlát ([MISSING_DATA]), amelyet egyszer és mindenkorra beállítottunk.
Főbb megállapítások
- A környezet az általános választ személyre szabottá alakítja
- Szükség szerint adj meg helyzeti, dokumentum- és célközönség-környezetet
- Mindig határozd meg a kívánt kimeneti formátumot (JSON, lista, táblázat stb.)
- A hosszt szerkezet alapján korlátozd, ne szavak száma alapján
- Határold be a hatókört, és engedélyezd a modellnek, hogy jelezze a hiányzó információkat