Pāriet uz galveno saturu
Latviešu— Izvēlēties valodu
Izvēlne

Konteksts un ierobežojumi

Nodarbība 4 no 16 Atjaunota 2026. gada 28. jūlijs Iesācējs
Šajā lapā
  1. Konteksts: sniedz modelim to, ko tas nezina
  2. Trīs konteksta veidi, kas jāsniedz
  3. Definē sagaidāmo formātu
  4. Ierobežo garumu
  5. Ierobežo toni un stilu
  6. Ierobežo darbības jomu
  7. Apvieno kontekstu un ierobežojumus
  8. Galvenās atziņas

Konteksts: sniedz modelim to, ko tas nezina

Mistral modeļiem ir plašas vispārīgas zināšanas, taču tie nezina neko par tavu konkrēto situāciju: tavu uzņēmumu, projektu, auditoriju vai biznesa ierobežojumus. Konteksts, ko sniedz savā norādījumā (prompt), aizpilda šo plaisu. Tieši tas atšķir vispārīgu rīku no specializēta asistenta. Bez konteksta modelis ģenerē vispārīgas atbildes — vidēji pareizas, bet konkrētā gadījumā nelietojamas. Ar pareizo kontekstu tas sniedz pielāgotas atbildes.

Trīs konteksta veidi, kas jāsniedz

Pirmais ir situācijas konteksts: apstākļi, kas ieskauj tavu pieprasījumu. Mārketinga direktors, kurš vienkārši raksta „izstrādā mārketinga plānu”, saņems grāmatveidīgu plānu. Ja viņš precizē savu situāciju, viss mainās:

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.

Katrs teikums šajā kontekstā novērš desmitiem neatbilstošu atbilžu: nekādu B2C stratēģiju, nekādu miljonu budžetu, nekādu ieteikumu, kas nav saistīts ar laišanu tirgū.

Otrais ir dokumentu konteksts: dati, kurus modelim jāanalizē vai jāizmanto. Modelis nezina tavus iekšējos rādītājus — tie ir jāsniedz tam, ideālā gadījumā norobežojot tos ar tagiem, lai atdalītu no instrukcijām:

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.

Trešais ir auditorijas konteksts: kam ir paredzēts ģenerētais saturs. Tu neskaidro vienu un to pašu tēmu vienādi iesācējam un ekspertam. Precizē, piemēram: „Teksts ir paredzēts pieredzējušiem Python izstrādātājiem (vairāk nekā 5 gadu pieredze), kas pirmo reizi saskaras ar valodu modeļu API. Nav jāskaidro Python pamati, bet detalizēti jāapraksta LLM jēdzieni.” Tad modelis precīzi pielāgos detaļu līmeni tieši tur, kur tas tavam lasītājam ir nepieciešams.

Definē sagaidāmo formātu

Izvades formāts ir viens no spēcīgākajiem ierobežojumiem. Bez norādēm modelis izvēlēsies noklusējuma formātu — bieži vien brīvu tekstu (prozu), kas tev būs jāpārstrādā. Norādot formātu, tu iegūsti tieši to, kas nepieciešams, gatavu lietošanai.

Ja vajadzīgs saraksts, tā arī saki: „Uzskaiti priekšrocības aizzīmju sarakstā (maksimāli 5).” Ja vajadzīga tabula: „Prezentē rezultātus Markdown tabulā ar kolonnām Funkcija | Pieejamība | Prioritāte.” Programmatūras integrācijai karalis ir strukturēts JSON, un tas ir jāprecizē lauku pa laukam:

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

Tas pats princips attiecas uz kodu: „Uzraksti funkciju valodā Python 3.11+. Pievieno Google stila docstrings un tipu norādes. Komentāros beigās iekļauj 2 lietošanas piemērus.” Jo precīzāk apraksti formātu, jo mazāk pārlabošanas darba tev būs jāveic.

Ierobežo garumu

Mistral modeļi mēdz būt izvērsti, ja nenosaki limitus. Garumu vari ierobežot pēc vārdu skaita („Atbildi maksimāli 150 vārdos”), pēc struktūras („Atbildi tieši 3 rindkopās, katrā pa 2–3 teikumiem”) vai pēc elementu skaita („Sniedz tieši 5 ieteikumus, katru vienā teikumā”).

Tomēr brīdinājums: valodu modeļi slikti skaita vārdus un rakstzīmes. Prasot „tieši 150 vārdus”, iegūsi tekstu aptuveni 150 vārdu apjomā, reti precīzi. Ja garums tev ir kritiski svarīgs, dod priekšroku strukturāliem ierobežojumiem — rindkopu, punktu vai sadaļu skaitam — kurus modelis ievēro daudz uzticamāk nekā precīzus skaitļus.

Ierobežo toni un stilu

Atbildes tonis tieši ietekmē tās lietderību: teksts ar nepareizu toni ir teksts, kas jāpārraksta. Esi eksplicīts, pat ja tas nozīmē vairāku specifikāciju apvienošanu: „Tons: profesionāls, bet pieejams. Izvairies no tehniskā žargona, ja vien tas nav neizbēgams (tādā gadījumā to definē). Lieto formālu valodu. Bez emodžiem vai neformālas valodas.”

Profesionāls padoms: visefektīvākās toni noteicošās instrukcijas bieži salīdzina uzdevumu ar zināmu profesionālu situāciju. „Atbildi kā vecākais konsultants, kas uzstājas izpilddirektoru komitejas priekšā”, „Pieņem pedagoģisku toni, kā profesors, kas skaidro maģistrantiem” vai „Esi tiešs un kodolīgs, kā iekšējā audita ziņojums”: katra no šīm frāzēm vienā tēlā ietver veselu kopumu vārdu izvēles, garuma un nostājas aspektu, ko modelis prot atšifrēt.

Ierobežo darbības jomu

Darbības jomas noteikšana nozīmē pateikt modelim, kur apstāties. Lūk, piemērs ar ierobežojumiem:

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

Pievērs īpašu uzmanību pēdējam ierobežojumam: tā ir tava labākā aizsardzība pret halucinācijām. Modelis, kam prasīts sniegt pilnīgu atbildi, mēdz aizpildīt plaisas ar ticamu informāciju; tieši atļaujot tam atzīt savus ierobežojumus, tu pārvērt klusu izgudrošanu redzamā brīdinājumā, ko vari tālāk apstrādāt.

Apvieno kontekstu un ierobežojumus

Praksē profesionāls norādījums dabiski apvieno visu iepriekš minēto: kontekstu un pastāvīgos noteikumus sistēmas ziņojumā (system prompt), datus un sagaidāmo formātu lietotāja ziņojumā. Lūk, pilnīgs HR analīzes piemērs:

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)"""
    }
]

Ievēro, kā katrs šajā nodarbībā aplūkots elements atrod savu vietu: loma un stils sistēmas daļā, norobežoti dati lietotāja ziņojumā, numurēts formāts ziņojuma beigās un aizsardzība pret izgudrojumiem ([MISSING_DATA]), kas noteikta uz visiem laikiem.

Galvenās atziņas

  • Konteksts pārvērš vispārīgu atbildi personalizētā
  • Pēc vajadzības sniedz situācijas, dokumentu un auditorijas kontekstu
  • Vienmēr definē sagaidāmo izvades formātu (JSON, saraksts, tabula u.c.)
  • Ierobežo garumu ar struktūru, nevis vārdu skaitu
  • Norobežo darbības jomu un atļauj modelim signalizēt par trūkstošo informāciju