Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

Kontekst in omejitve

Lekcija 4 od 16 Posodobljeno 28. julij 2026 Začetnik
Na tej strani
  1. Kontekst: modelu daj tisto, česar ne ve
  2. Tri vrste konteksta, ki jih je treba zagotoviti
  3. Določi pričakovano obliko
  4. Omeji dolžino
  5. Omeji ton in register
  6. Omeji obseg
  7. Združi kontekst in omejitve
  8. Ključne ugotovitve

Kontekst: modelu daj tisto, česar ne ve

Modeli Mistral imajo obsežno splošno znanje, vendar ne vedo ničesar o tvoji specifični situaciji: tvojem podjetju, tvojem projektu, tvojem občinstvu ali tvojih poslovnih omejitvah. Kontekst, ki ga navedeš v svojem pozivu, premosti to vrzel. To je tisto, kar naredi razliko med orodjem za splošno rabo in specializiranim asistentom. Brez konteksta model ustvari splošne odgovore – v povprečju pravilne, v praksi neuporabne. S pravim kontekstom pa ustvari prilagojene odzive.

Tri vrste konteksta, ki jih je treba zagotoviti

Prvi je situacijski kontekst: okoliščine, ki obdajajo tvojo zahtevo. Direktor marketinga, ki preprosto napiše „predlagaj marketinški načrt”, bo dobil učbeniški načrt. Če pa določi svojo situacijo, se vse spremeni:

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.

Vsak stavek v tem kontekstu izloči na desetine neodgovarjajočih odgovorov: nobenih strategij B2C, nobenih proračunov v višini sedmih številk, nobenih priporočil, ki niso povezana z lansiranjem.

Drugi je dokumentni kontekst: podatki, ki jih mora model analizirati ali uporabiti. Model ne pozna tvojih internih številk – dati mu jih moraš, idealno omejene z oznakami, da jih ločiš od navodil:

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.

Tretji je kontekst občinstva: komu je namenjena ustvarjena vsebina. Teme ne razlagaš enako začetniku in strokovnjaku. Določi na primer: „Besedilo je za izkušene razvijalce Pythona (5+ let izkušenj), ki se prvič srečujejo z API-ji jezikovnih modelov. Ni treba razlagati osnov Pythona, podrobno pa opiši koncepte LLM.” Model bo nato svojo raven podrobnosti natančno prilagodil tam, kjer jo tvoj bralec potrebuje.

Določi pričakovano obliko

Oblika izhoda je ena najmočnejših omejitev. Brez usmeritev bo model izbral privzeto obliko – pogosto prozo –, ki jo boš moral predelati. Z določitvijo oblike dobiš točno tisto, kar potrebuješ, pripravljeno za uporabo.

Za seznam to povej: „Naštej prednosti kot označene točke (največ 5).” Za tabelo: „Rezultate predstavi v tabeli Markdown s stolpci Funkcija | Razpoložljivost | Prednost.” Za integracijo programske opreme je kralj strukturirani JSON in vredno ga je določiti polje za poljem:

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

Enako načelo velja za kodo: „Napiši funkcijo v Pythonu 3.11+. Dodaj docstringe v slogu Google in namige za tipe. Vključi 2 primera uporabe v komentarjih na koncu.” Bolj natančno kot opišeš obliko, manj predelave boš potreboval.

Omeji dolžino

Modeli Mistral so nagnjeni k izčrpnosti, če ne določiš omejitev. Dolžino lahko omejiš s številom besed („Odgovori v največ 150 besedah”), s strukturo („Odgovori v natanko 3 odstavkih po 2–3 stavke”) ali z elementi („Navedi natanko 5 priporočil, vsako v enem stavku”).

Vendar opozorilo: jezikovni modeli slabo štejejo besede in znake. Zahteva po „natanko 150 besedah” bo ustvarila besedilo s približno 150 besedami, redko pa bo zadela točno. Če ti je dolžina res pomembna, raje uporabi strukturne omejitve – število odstavkov, točk, razdelkov –, ki jih model upošteva veliko zvesteje kot natančna števila.

Omeji ton in register

Ton odgovora neposredno vpliva na njegovo uporabnost: besedilo z napačnim tonom je besedilo, ki ga moraš prepisati. Bodite eksplicitni, tudi če to pomeni kopičenje specifikacij: „Ton: profesionalen, a dostopen. Izogibaj se tehničnemu žargonu, razen če je neizogiben (v tem primeru ga opredeli). Uporabi formalni jezik. Brez emojijev ali neformalnega jezika.”

Namig strokovnjaka: najučinkovitejše usmeritve glede tona pogosto primerjajo nalogo z znanim poklicnim položajem. „Odgovori kot višji svetovalec, ki nastopa pred izvršnim odborom”, „Prevzemi pedagoški ton, kot bi ga profesor razlagal študentom magistrskega študija” ali „Bodi neposreden in jedrnat, kot interno revizijsko poročilo”: vsak od teh stavkov v eno podobo, ki jo model zna dekodirati, stisne celoten niz izbir glede besedišča, dolžine in drže.

Omeji obseg

Določitev obsega pomeni, da modelu poveš, kje naj se ustavi. Primer omejitev:

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

Bodite še posebej pozorni na zadnjo omejitev: to je tvoja najboljša obramba pred halucinacijami. Model, od katerega se zahteva popoln odgovor, nagiba k zapolnjevanju vrzeli z verjetnimi informacijami; z izrecno dovolitvijo, da prizna svoje omejitve, tiho izmišljotino spremeniš v vidno zastavico, s katero lahko nato ravnaš.

Združi kontekst in omejitve

V praksi strokovni poziv naravno združuje vse zgoraj navedeno: kontekst in stalna pravila v sistemskem pozivu, podatke in pričakovano obliko v uporabniškem sporočilu. Tu je popoln primer analize kadrovskih virov:

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)"""
    }
]

Opazi, kako vsak element, obravnavan v tej lekciji, najde svoje mesto: vloga in register v sistemu, omejeni podatki v uporabniškem sporočilu, oštevilčena oblika na koncu sporočila in varovalka proti izmišljotinam ([MISSING_DATA]), določena enkrat za vselej.

Ključne ugotovitve

  • Kontekst spremeni splošen odgovor v personaliziranega
  • Po potrebi zagotovi situacijski, dokumentni kontekst in kontekst občinstva
  • Vedno določi pričakovano obliko izhoda (JSON, seznam, tabela itd.)
  • Dolžino omeji s strukturo in ne s številom besed
  • Določi obseg in modelu dovoli, da signalizira manjkajoče informacije