Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Strukturera dina instruktioner

Lektion 3 av 16 Uppdaterad 28 juli 2026 Nybörjare
På denna sida
  1. Varför struktur är avgörande
  2. Markdown: Den naturliga standarden
  3. XML-taggar: Maximal precision
  4. De väsentliga sektionerna i en strukturerad prompt
  5. Explicita kontra implicita instruktioner
  6. Skriv som om modellen inte vet något
  7. Viktiga punkter

Varför struktur är avgörande

En välstrukturerad prompt är ingen lyx – det är en nödvändighet. Mistral-modeller tränas på enorma mängder strukturerad text: teknisk dokumentation, artiklar och källkod. De förstår och följer dina instruktioner bättre när dessa är tydligt organiserade, eftersom denna organisation speglar det de sett miljarder gånger under träningen.

Föreställ dig att du ger muntliga instruktioner till en kollega men blandar ihop allt: en deadline gömd i en anekdot, ett önskat format smygt inlagt i slutet av en mening och kontexten levererad efter själva instruktionen. Resultatet blir förvirrande och din kollega måste gissa sig till vad som är viktigt. Detsamma gäller för en språkmodell: hur du strukturerar din prompt avgör tydligheten i tolkningen. I denna lektion får du två struktureringsverktyg – Markdown och XML-taggar – samt ett rutnät för sektioner för att organisera vilken komplex prompt som helst.

Markdown: Den naturliga standarden

Markdown är det mest effektiva formateringsformatet för Mistral-modeller av tre ömsesidigt förstärkande skäl. För det första är det läsbart: enkelt för dig att skriva och granska, vilket är viktigt när en prompt lever och utvecklas inom en applikation. För det andra är det bekant för modellen: Markdown förekommer i stor utsträckning i träningsdata, så modellen förstår dess konventioner utan ansträngning. Slutligen parsas det naturligt: modellen identifierar tydligt hierarkier av rubriker, listor och kodblock och härleder den relativa vikten av varje sektion.

Så här ser det ut i ett exempel på konkurrensanalys:

# Task
Write a competitive analysis report.

## Context
Company: TechCorp, B2B SaaS, French market
Main competitors: AlphaSoft, BetaCloud, GammaTech

## Expected Format
For each competitor, provide:
- **Strengths**: 3 points maximum
- **Weaknesses**: 3 points maximum
- **Pricing positioning**: low / medium / premium

## Constraints
- Maximum 800 words
- Professional and factual tone
- No strategic recommendations (analysis only)

Denna prompt använder rubriker (#, ##) för att separera sektioner, fetstil för nyckelelement och punktlistor för detaljer. Modellen förstår omedelbart hierarkin: uppgift först, sedan kontext, därefter format och slutligen begränsningar. Du skulle kunna lämna samma dokument till en mänsklig samarbetspartner utan att ändra ett enda ord – det är ett gott tecken.

XML-taggar: Maximal precision

Markdown organiserar; XML-taggar avgränsar. När du behöver isolera block av data eller instruktioner utan tvetydighet – särskilt när din prompt blandar instruktioner och text som ska bearbetas – är XML-taggar särskilt effektiva:

<instructions>
Analyze the provided text and extract named entities.
Categorize them into: people, organizations, locations.
</instructions>

<format>
Return the result in JSON with the structure:
{"people": [], "organizations": [], "locations": []}
</format>

<text>
President Macron met with the Director-General of the WHO in Geneva
to discuss European health strategy.
</text>

Fördelen är att modellen vet exakt var varje sektion börjar och slutar. Om texten som ska analyseras innehöll en mening som liknade en instruktion – till exempel “extrahera listan över deltagare” – skulle taggarna förhindra att modellen förväxlade den med dina instruktioner. Det är denna separation mellan instruktioner och data som gör XML värdefullt i produktionspromptar.

De väsentliga sektionerna i en strukturerad prompt

Oavsett vilket format du väljer organiseras en komplex prompt kring samma sektioner. Den första, och enda obligatoriska, är uppgiften: ange alltid tydligt vad du förväntar dig, direkt i början. “Uppgift: Översätt följande text från franska till engelska medan du behåller den formella tonen” lämnar inget utrymme för tvivel om uppdraget.

Därefter kommer kontexten, när så behövs: bakgrundsinformation som modellen inte kan gissa sig till. Om du arbetar för ett fintech-startup som bygger en app för budgethantering för privatpersoner i Frankrike, säg det – utan denna detalj kommer modellen att skriva för en generell målgrupp och du kommer att behöva göra om allt.

Den tredje sektionen, regler, ramar in beteendet: lista explicit vad modellen måste och inte får göra. Till exempel: använd en formell ton, nämn inte konkurrenters varumärken, producera stycken på 50 till 100 ord. Varje skriven regel är en korrigering du slipper göra för hand.

Den fjärde sektionen, utdataformat: beskriv exakt vilken form svaret måste ha. “Returnera en Markdown-tabell med kolumnerna Kriterium | Poäng (1–5) | Kommentar” ger en leverans som direkt kan kopieras in i ditt dokument, medan avsaknaden av instruktion producerar prosa som måste bearbetas.

Slutligen löser exempel återstående tvetydigheter genom att visa ett förväntat resultat. Denna teknik är så kraftfull att den har en egen lektion: vi återkommer till den i detalj med few-shot prompting.

Explicita kontra implicita instruktioner

Mistral-modeller gissar inte dina avsikter: allt som är implicit i ditt huvud måste bli explicit i din prompt. Jämför “Sammanfatta denna artikel” med “Sammanfatta denna artikel i 3 punkter på maximalt 20 ord vardera. Behåll nyckeltal. Använd en neutral och faktabaserad ton.” Den första versionen låter modellen besluta om längd, format och ton – tre beslut den kan fatta annorlunda än du. Den andra lämnar inget utrymme för tolkning: modellen vet exakt vad den ska producera och du får samma typ av resultat varje gång.

Skriv som om modellen inte vet något

Låt oss avsluta med en grundläggande regel: skriv din prompt under antagandet att modellen har ingen tidigare kontext om din situation. Även om något verkar uppenbart för dig – vem du är, vad du vill uppnå, till vad det ska användas, i vilket format – specificera det. Förlita dig på systemprompten för permanenta element. En författare som kedjar förfrågningar i samma konversation börjar tro att “modellen vet”; men så fort konversationen byts eller prompten återanvänds någon annanstans försvinner allt det implicita. Detta tillvägagångssätt med “noll kontext” garanterar konsekventa resultat oavsett konversationstillstånd.

Viktiga punkter

  • Strukturera dina promptar med tydliga sektioner (Markdown eller XML)
  • Markdown är idealiskt för de flesta fall; använd XML-taggar för att isolera data
  • Separera alltid uppgift, kontext, regler och förväntat format
  • Gör allt som är implicit i ditt huvud explicit
  • Skriv varje prompt som om modellen börjar från början