Aqbeż għall-kontenut ewlieni
Malti— Agħżel lingwa
Menu

Meta-prompting: Iġġenera Prompt Ottimali

Lezzjoni 5 / 16 Aġġornat 3 ta’ Novembru 2026 Zviluppatur
F'din il-paġna
  1. Meta-prompting: Iġġenera Prompt Ottimali
  2. Il-Prinċipju
  3. Iġġenera minn Speċifikazzjonijiet
  4. Ittejjeb Prompt Eżistenti
  5. Iġġenera Varjanti biex Tqabbel
  6. Assembla l-Pipeline
  7. X’Ma Jagħmilx il-Meta-prompting Għalik
  8. Punti Ewlenin

Lezzjoni aġġornata fit-3 ta’ Novembru 2026 abbażi tad-dokumentazzjoni ta’ OpenAI: temperature u top_p huma aċċettati biss b’sforz ta’ raġunar ta’ none, filwaqt li l-mudelli GPT-5.6 jirraġunaw b’mod awtomatiku (medium). Għalhekk, is-sejħiet li jistabbilixxu dawn il-parametri jridu jispeċifikaw reasoning={"effort": "none"} (API tar-Risposti) jew reasoning_effort="none" (Tlestijiet taċ-Chat). Sorsi: L-użu ta’ GPT-6 · GPT-5.6 Terra.

Meta-prompting: Iġġenera Prompt Ottimali

Il-meta-prompting jinvolvi l-użu ta’ LLM biex jiġġenera jew itejjeb il-prompt. Minflok tikteb kull istruzzjoni manwalment, tiddeskrivi l-kompitu u titlob lill-mudell jipproduċi l-prompt ottimali. L-iffrankar tal-ħin huwa immedjat, iżda l-benefiċċju reali jinsab band’oħra: din it-teknika tiżvela formulazzjonijiet li qatt ma kont ikkunsidrajt, għax l-iżviluppaturi dejjem jiktbu l-prompt bl-istess riflessi u punti盲.

Il-Prinċipju

Prompt tajjeb huwa programm miktub b’lingwa naturali. Bħal kull programm, xi kultant ikun aktar effiċjenti li tiġġenerah milli tiktbu bl-idejn—lanqas inti ma tikteb il-migrazzjonijiet tad-database tiegħek ittra b’ittra. Il-meta-prompting jisfrutta l-fatt li matul it-taħriġ, il-mudell iltaqa’ ma’ kwantità kbira ta’ prompt u diskussjonijiet dwar dak li jagħmilhom effettivi. L-eżempju hawn taħt jitlob prompt tas-sistema biex jikklassifika tikketts tas-sostenn. Żewġ dettalji jistħoqqilhom attenzjoni: l-ispeċifikazzjoni hija preċiża saħansitra fil-valuri tal-kategorija, u l-aħħar linja timponi output raw mingħajr l-ebda kummentarju akkumpanjanti, biex tiżgura li r-riżultat ikun direttament użabbli mill-kodiċi.

from openai import OpenAI

client = OpenAI()

meta_prompt = """You are an expert in prompt engineering.

Generate an optimized system prompt for the following task:
- Objective: Classify customer support tickets
- Categories: bug, feature_request, question, billing
- Output: JSON with "category", "priority" (1-5), "summary"
- Constraints: Response in French, max 100 tokens

The prompt must include:
1. A clear role
2. The categories with classification criteria
3. The exact output format with an example
4. Edge cases (ambiguous ticket, out-of-category)

Return ONLY the system prompt, with no explanation."""

response = client.responses.create(
    model="gpt-5.6-sol",
    reasoning={"effort": "none"},  # temperature requires effort none
    input=meta_prompt,
    temperature=0.7
)

generated_prompt = response.output_text
print(generated_prompt)

Iġġenera minn Speċifikazzjonijiet

L-ewwel mudell jindustrializza dak li għamilt manwalment għadwa kemm: tiddeskrivi r-rekwiżiti tiegħek bħala restrizzjonijiet funzjonali, u l-mudell jipproduċi l-prompt korrispondenti. Billi ddawwar il-meta-prompt f’funzjoni, tikseb ġeneratur li jista’ jerġa’ jintuża għal kull kompitu fl-applikazzjoni tiegħek. L-effett sekondarju huwa sinifikanti: il-prompt miktuba minn ħames żviluppaturi differenti jieqfu jkollhom ħames stili differenti, li jissimplifika ħafna r-reviżjoni tal-kodiċi.

def generate_prompt(objective: str, constraints: list[str],
                   output_format: str) -> str:
    """Tiġġenera prompt tas-sistema minn speċifikazzjonijiet."""
    spec = f"""Generate a system prompt for this task:

Objective: {objective}

Constraints:
{chr(10).join(f'- {c}' for c in constraints)}

Expected output format:
{output_format}

Include a concrete input/output example.
Return only the prompt, with no commentary."""

    response = client.responses.create(
        model="gpt-5.6-sol",
        reasoning={"effort": "none"},  # temperature requires effort none
        input=spec,
        temperature=0.5
    )
    return response.output_text

Ittejjeb Prompt Eżistenti

It-tieni mudell jibda b’prompt diġà fil-produzzjoni u difett osservat fil-kamp. Minflok terġa’ tiktbu kompletament—li jirriskja li jkisser dak li kien qed jaħdem perfettament—tipprovdi l-prompt attwali flimkien ma’ deskrizzjoni preċiża tal-problema: “xi kultant iwieġeb bl-Ingliż,” jew “jinventa numri ta’ ordni meta r-referenza tkun nieqsa.” L-istruzzjoni “żomm dak li jaħdem” hija l-parti deċiżiva hawnhekk. Mingħajrha, il-mudell spontanjament jirrifonda kollox u jagħtik prompt ġdid għalkollox li ma tifhimx aktar.

def improve_prompt(current_prompt: str, problem: str) -> str:
    """Itejjeb prompt eżistenti abbażi ta' feedback."""
    meta = f"""Here is a system prompt that has a problem:

--- CURRENT PROMPT ---
{current_prompt}
--- END ---

Observed problem: {problem}

Rewrite this prompt to fix this problem.
Keep what works; modify only what is necessary.
Return only the improved prompt."""

    response = client.responses.create(
        model="gpt-5.6-sol",
        reasoning={"effort": "none"},  # temperature requires effort none
        input=meta,
        temperature=0.3
    )
    return response.output_text

Iġġenera Varjanti biex Tqabbel

It-tielet mudell jiġġenera verżjonijiet multipli tal-istess prompt: l-objettiv jibqa’ kostanti, iżda l-formulazzjoni u l-istrutturi jidverġu. Din hija l-materja prima għat-testijiet A/B li se nkopru fil-Lezzjoni 15; mingħajr varjanti, sempliċiment m’għandek xejn biex tqabbel. It-temperatura għolja hawnhekk mhix żball: isservi preċiżament biex toħloq diversità bejn il-verżjonijiet, filwaqt li temperatura baxxa tagħtik tliet riformulazzjonijiet kważi identiċi.

def generate_variants(base_prompt: str, n: int = 3) -> list[str]:
    """Tiġġenera n varjanti ta' prompt."""
    meta = f"""Here is a system prompt:

{base_prompt}

Generate {n} variants of this prompt that:
- Keep the same objective
- Use different phrasing
- Vary the structure (lists vs. paragraphs, order of instructions)

Separate each variant with "---VARIANT---"."""

    response = client.responses.create(
        model="gpt-5.6-sol",
        reasoning={"effort": "none"},  # temperature requires effort none
        input=meta,
        temperature=0.9
    )
    return response.output_text.split("---VARIANT---")

Assembla l-Pipeline

Dawn it-tliet blokok tal-bini jingħaqdu b’mod naturali: iġġenera prompt mill-objettiv, ipproduċi varjanti, imbagħad eżegwixxi kull varjant fuq sett ta’ test rappreżentattiv biex tiġġudikahom fuq evidenza minflok stima.

def meta_prompt_pipeline(objective: str, tests: list[str]) -> str:
    """Pipeline sħiħa tal-meta-prompting."""

    # 1. Iġġenera 3 varjanti
    variants = generate_variants(
        generate_prompt(objective, [], "free text"), n=3
    )

    # 2. Ittestja kull varjant
    scores = []
    for i, prompt in enumerate(variants):
        results = []
        for test in tests:
            response = client.responses.create(
                model="gpt-5.6-terra",
                reasoning={"effort": "none"},  # temperature requires effort none
                instructions=prompt.strip(),
                input=test,
                temperature=0.2
            )
            results.append(response.output_text)
        scores.append((i, results))

    # 3. Evalwa (addatta għall-kriterji tiegħek)
    print("Qabbel ir-riżultati u agħżel l-aħjar varjant.")
    return variants, scores

X’Ma Jagħmilx il-Meta-prompting Għalik

Il-mudell għandu tendenza qawwija lejn l-ottimizzazzjoni żejda: il-prompt li jirritorna spiss ikun verbaliżżat wisq jew ikkalibrat b’mod dejjaq wisq għall-eżempji li pprovdejt, u dan iwasslu biex iġib ruħu ħażin f’każijiet ftit differenti. Għalhekk, reviżjoni umana hija obbligatorja qabel kwalunkwe dispjegament, anke biss biex tivverifika li l-ebda regola tan-negozju ma ġiet inventata matul it-triq—mudell li jikkompleta speċifikazzjoni mhux kompluta dejjem jagħmel hekk b’bona fidi, u xi kultant b’mod żbaljat. Ara wkoll l-ispiża: kull iterazzjoni tikkonsma tokens, u ċiklu ta’ titjib mingħajr limitu jista’ jgħodd għal żmien twil mingħajr qatt ma jikkonverġi. Stabbilixxi n-numru massimu ta’ iterazzjonijiet fil-kodiċi tiegħek, mh fid-dixxiplina personali tiegħek.

Biex tgħallim din it-teknika, ħu kompitu reali mid-dominju tiegħek, ikteb l-ispeċifikazzjoni sħiħa tiegħu (objettiv, restrizzjonijiet, format), iġġenera tliet varjanti, ittestjahom fuq ħames każijiet mill-ambjent tal-produzzjoni tiegħek, u mbagħad irfina l-aħjar wieħed bl-idejn. Kważi dejjem huwa dan il-mess manuali finali li jagħmel id-differenza bejn prompt deċenti u wieħed li lest biex tpoġġih fil-produzzjoni.

Punti Ewlenin

  • Il-meta-prompting juża l-LLM bħala ġeneratur ta’ prompt
  • Tliet mudelli: ġenerazzjoni, titjib iterattiv, varjanti
  • Dejjem ivvalida l-prompt iġġenerati b’testijiet konkreti
  • Għaqqad il-ġenerazzjoni awtomatika ma’ aġġustament manwali
  • Stabbilixxi limiti biex tevita ċikli ta’ iterazzjoni għaljin