Salt la conținutul principal
Română— Alege o limbă
Meniu

Promptarea unui model de raționament

Lecția 6 din 12 Actualizată 2 noiembrie 2026 Dezvoltator
Pe această pagină
  1. Ce s-a schimbat de la Magistral
  2. Separarea raționamentului de răspuns
  3. Adaptarea pe domenii
  4. Trei greșeli frecvente
  5. Puncte cheie

Lecție rescrisă la 2 noiembrie 2026. Această lecție acoperea anterior promptul de sistem Magistral, care a fost retras la 31 iulie 2026. Documentația actuală privind raționamentul (Reasoning) nu mai necesită un prompt de sistem dedicat: reasoning_effort este suficient. Secțiunile următoare disting ceea ce afirma documentația Magistral, ce s-a schimbat și regulile de promptare care rămân utile.

Ce s-a schimbat de la Magistral

Magistral oferea cele mai bune rezultate cu un prompt de sistem implicit, pe care documentația îl reproducea (acum arhivat pe pagina Native reasoning (deprecated)). În esență, acesta instruia modelul să își elaboreze mai întâi raționamentul, ca un monolog intern, urmat de un răspuns independent; să scrie în Markdown, folosind LaTeX pentru ecuații; și să răspundă în limba interogării. Includea chiar și un șablon de raționament, sub forma unui fragment thinking plasat în mesajul de sistem. Un parametru, prompt_mode, vă permitea să forțați acest prompt implicit ("reasoning") sau să îl dezactivați (None).

Cu modelele actuale, nimic din toate acestea nu este necesar: pagina de raționament nu menționează niciun prompt de sistem dedicat, nici prompt_mode. Activați raționamentul prin reasoning_effort, iar promptul de sistem revine la rolul său standard, dedicat rolului, metodei și formatului așteptat. Dacă migrați de la Magistral, eliminați șablonul de raționament din mesajele de sistem și prompt_mode din apelurile dumneavoastră, apoi comparați rezultatele (Lecția 8).

Separarea raționamentului de răspuns

Modelul dispune acum de două spații distincte: raționamentul, pe care utilizatorul nu îl vede adesea, și răspunsul final. Un prompt bun ține cont de acest aspect. Acesta descrie metoda așteptată, ceea ce ar verifica un expert în domeniu, și stabilește formatul răspunsului: răspunsul trebuie să fie inteligibil fără raționament, deoarece raționamentul va fi, în general, ascuns.

import os
from mistralai.client import Mistral

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

system_prompt = """Ești un expert senior în depanarea Python.

METODĂ
- Citește tot codul înainte de a formula un diagnostic.
- Formulează cel puțin două ipoteze înainte de a concluziona.
- Verifică dacă remedierea ta nu creează o nouă problemă.

RĂSPUNS FINAL
1. Diagnosticul precis
2. Cauza rădăcină
3. Codul corectat
4. Un test care dovedește remedierea"""

response = client.chat.complete(
    model="mistral-small-2603",
    messages=[
        {"role": "system", "content": system_prompt},
        {"role": "user", "content": "Codul meu se blochează cu un RecursionError: def fibonacci(n): return fibonacci(n-1) + fibonacci(n-2)"},
    ],
    reasoning_effort="high",
)

În cazul acestei funcții fibonacci care nu are un caz de bază, cerința a două ipoteze exclude diagnosticul reflex „mărește limita de recursivitate“ și conduce la cauza reală.

Adaptarea pe domenii

Același schelet, metodă urmată de formatul răspunsului, se adaptează domeniului specific. În matematică, metoda se concentrează pe ipoteze și tipul de demonstrație:

math_prompt = """Ești un matematician riguros.

METODĂ
- Enunță ipotezele înainte de fiecare demonstrație.
- Alege explicit între inducție, contradicție sau calcul direct.
- Verifică rezultatul pe un caz specific.

RĂSPUNS FINAL
Demonstrație formală: ipoteze, pași justificați, concluzie."""

În analiza strategică, accentul cade pe părțile interesate și cuantificare, iar răspunsul așteptat devine o recomandare însoțită de un plan:

strategy_prompt = """Ești un consultant în strategie.

METODĂ
- Evaluează fiecare opțiune în funcție de fezabilitate, impact și risc.
- Cuantifică ori de câte ori este posibil, chiar și doar ca ordin de mărime.
- Caută cea mai puternică obiecție la propria ta recomandare.

RĂSPUNS FINAL
O recomandare clară, avantajele și dezavantajele fiecărei opțiuni, un plan de acțiune cu pași datați."""

Trei greșeli frecvente

Promptul este prea vag. „Ești un asistent util“ nu spune nimic despre metodă: modelul raționează conform obiceiurilor sale, nu ale dumneavoastră. Descrieți ceea ce ar verifica un expert.

Promptul este contradictoriu. „Fii foarte concis. Detaliază fiecare pas în profunzime.“ pune modelul în fața unei injoncțiuni imposibile. Rezolvați contradicția prin distribuirea rolurilor: detaliile aparțin raționamentului, conciziunea răspunsului final.

good_prompt = """Fii concis în răspunsul final: doar concluzii și cifre esențiale.
Explorează detaliile în raționament, nu în răspuns."""

Solicitarea procesului în răspuns. A cere să „raționezi pas cu pas“ în răspunsul vizibil face ca modelul să scrie a doua oară ceea ce a făcut deja în raționamentul său: răspunsul se lungeste, iar dumneavoastră plătiți de două ori pentru aceiași pași în tokeni de ieșire. Solicitați pașii în răspuns doar dacă utilizatorul trebuie să îi citească, de exemplu, într-un tutore educațional.

Puncte cheie

  • Promptul de sistem implicit și prompt_mode erau specifice Magistral: nu mai sunt necesare
  • Activați raționamentul cu reasoning_effort și mențineți promptul de sistem în rolul său clasic
  • Descrieți metoda așteptată și formatul unui răspuns lizibil fără raționament
  • Distribuiți rolurile: detalii în raționament, conciziune în răspuns
  • Nu faceți modelul să rescrie procesul în răspuns dacă nimeni nu trebuie să îl citească