Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Anti-patternok, amelyeket kerülj el

8. lecke 16 közül Frissítve 2026. november 2. Kezdő
Ezen az oldalon
  1. Hibák, amelyek tönkreteszik a promptjaidat
  2. 1. anti-pattern: Szubjektív nyelvhasználat
  3. 2. anti-pattern: Ellentmondó utasítások
  4. 3. anti-pattern: Számláltatás a modellel
  5. 4. anti-pattern: Túlzott token-generálás
  6. 5. anti-pattern: Numerikus skálák
  7. 6. anti-pattern: Vágys utasítások
  8. 7. anti-pattern: Az előtöltés (pre-filling) figyelmen kívül hagyása
  9. Főbb megállapítások

Hibák, amelyek tönkreteszik a promptjaidat

A promptolás elsajátítása azt is jelenti, hogy tudod, mit ne csinálj. Bizonyos szokások, amelyek az emberi kommunikációban teljesen természetesek, gyenge eredményeket hoznak a Mistral modelleknél – pontosan azért, mert olyan implicit megértésre támaszkodnak, amivel a modell nem rendelkezik. Ez a lecke felsorolja a hét leggyakoribb anti-patternt, mindegyikhez bemutatva a hibás verziót, a javított változatot és a korrekció mögött álló logikát. Útközben valószínűleg felismersz majd néhányat a saját szokásaid közül is.

1. anti-pattern: Szubjektív nyelvhasználat

Kollégák között működik az a kérés, hogy „írj egy nem túl hosszú szöveget“, mert közös a kontextus: a kolléga ismeri a felhasználási esetet, az olvasót és a vállalati szokásokat. A modell azonban nem érzékeli úgy a szubjektív szavakat, mint te. Az olyan kifejezések, mint a „rövid“, „hosszú“, „sok“, „érdekes“ vagy a „nem túl“, többértelműek, és futtatásról futtatásra kiszámíthatatlan eredményeket produkálnak.

Rossz:

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

Jó:

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

A korrekciós szabály mechanikus: minden szubjektív kifejezést helyettesíts objektív mérőszámmal. A „nem túl hosszú“ból „200-300 szó“ lesz, a „sok példa“ból „3 példa“, az „érdekes“ből pedig a várt példatípus pontos leírása.

2. anti-pattern: Ellentmondó utasítások

Ha a promptod összeférhetetlen utasításokat tartalmaz – például „légy alapos és fedj le minden aspektust“, majd rögtön utána „maximum 3 mondatban válaszolj“ –, a modellnek választania kell, hogy melyiket követse, és ez a választás kiszámíthatatlan. egyik nap három felületes mondatot kapsz, másnap egy átfogó szövegfalat. A javítás abból áll, hogy a két követelményt egyetlen koherens utasítássá olvasztod össze: „Fedje le a téma 3 fő aspektusát. Minden aspektushoz adjon egy összefoglaló mondatot (max. 25 szó).“ Az alapossság definiált hatókörűvé, a tömörség pedig elemenkkénti korláttá válik – így megszűnik a konfliktus.

Ha a szabályaid valóban összetettek, és az esettől függően eltérő viselkedést igényelnek, ne halmozd őket: strukturáld őket döntési fává, ahol minden ág explicit:

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

3. anti-pattern: Számláltatás a modellel

A nyelvi modellek rosszak számolásban. Nem valódi szavakat, karaktereket vagy mondatokat számolnak, hanem becslést végeznek, mivel tokenekkel manipulálnak, nem pedig szövegegységekkel. Azt kérni, hogy „pontosan 150 szót írj“ vagy „ellenőrizd, hogy minden mondat kevesebb mint 20 szóból áll“, olyan, mintha egy festőtől micron pontosságú mérést követelnél: ez nem az ő szerszáma.

Rossz:

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

Jó:

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

Ha a számolás valóban kritikus az alkalmazásod szempontjából – például egy felület által előírt karakterlimit –, akkor azt kódban végezd el a modell válasza után, ne a promptban. A programozási nyelved tökéletesen számol; a modell nem.

4. anti-pattern: Túlzott token-generálás

Minden generált tokennek van költsége, både pénzügyi értelemben, mind a késleltetés (latency) szempontjából. Olyan információk előállítását kérni a modelltől, amelyeket nem fogsz felhasználni, tiszta pazarlás: többet fizetsz, és tovább vársz olyan szövegre, amit el sem olvasol. A tipikus eset a kódelemzés, ahol azt kéred: „magyarázd el részletesen minden sorát“, plusz „a nyelv történetét“ és a „lehetséges alternatívákat“, miközben csak a hibák érdekelnek.

Jó:

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

A végső „nothing else“ (semmi más) meglepően erős utasítás: expliciten megtiltja a modellnek, hogy hozzáadja azokat a kiegészítéseket, figyelmeztetéseket és kibontásokat, amelyeket spontán módon produkál. A válaszod gyorsabban megérkezik, kevesebbe kerül, és egyenesen a lényegre tér.

5. anti-pattern: Numerikus skálák

Ha azt kéred a modelltől, hogy 1-től 5-ig vagy 1-től 10-ig terjedő skálán értékeljen, az szigorúnak tűnik – a valóságban恰恰 az ellenkezője. A modellnek nincs megbízható belső kalibrációja ezekhez a skálákhoz: ugyanaz a szöveg ma 6/10-et, holnap 8/10-et kaphat, anélkül hogy bármi kritérium magyarázná a különbséget. A megoldás az, hogy a számokat explicit kritériumokkal rendelkező verbális skálákkal helyettesíted:

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.

Mivel minden szintet megfigyelhető kritériumok definiálnak, az értékelés reprodukálhatóvá és indokolttá válik – tudod, miért „Megfelelő“ egy szöveg és nem „Jó“, és a modell minden hívásnál ugyanazokat a kritériumokat alkalmazza.

6. anti-pattern: Vágys utasítások

A „Javítsd ki ezt a szöveget“ a tökéletes példa olyan utasításra, amely egyértelműnek tűnik, de egyáltalán nem az. Mit javítsunk? A helyesírást? A stílust? A szerkezetet? A modell választ helyetted, és fennáll a veszélye, hogy átír olyan passages-okat is, amelyeket változatlanul hagytál volna. A professzionális verzió behatárolja, mit kell javítani és mit kell érintetlenül hagyni:

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

A „Do NOT modify“ (Ne módosítsd) blokk ugyanolyan fontos, mint az első: enélkül egy buzgó modell hozzávetőleges szinonimákkal helyettesíti a technikai kifejezéseidet.

7. anti-pattern: Az előtöltés (pre-filling) figyelmen kívül hagyása

Az utolsó anti-pattern inkább elszalasztott lehetőség, mint aktív hiba: sok felhasználó figyelmen kívül hagyja a válasz előtöltésének lehetőségét az assistant szerep használatával, amit a szerepekről szóló leckében láttál. Pedig ez egy erős eszköz a formátum kikényszerítésére. Egy egyszerű felhasználói üzenettel, amely JSON-t kér, a modell hozzáadhat egy bevezető mondatot, backtikeket, egy záró megjegyzést – annyi elemet, ami tönkreteszi a parseolást. Ha az üzeneteidet egy elkezdett assistant válasszal zárod, a formátum quasi garantálttá válik:

Előtöltés nélkül (kiszámíthatatlan formátum):

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

Előtöltéssel (garantált formátum):

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

A modell azt tapasztalja, hogy már „középen tart“ a JSON objektum írásában: nincs más lehetősége, mint befejezni azt.

Főbb megállapítások

  • Helyettesítsd a szubjektív nyelvhasználatot és a vágys utasításokat mérhető és behatárolt utasításokkal
  • Kerüld az ellentmondó utasításokat – strukturáld az összetett eseteket döntési fává
  • Soha ne kérj a modelltől számolást: a kritikus számlálást kódban végezd el
  • Korlátozd a generálást a ténylegesen felhasznált információkra, és használj numerikus skálák helyett verbális skálákat
  • Használd ki az assistant előtöltését a kimeneti formátum garantálására