Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Kontext och begränsningar

Lektion 4 av 16 Uppdaterad 28 juli 2026 Nybörjare
På denna sida
  1. Kontext: Ge modellen det den inte vet
  2. Tre typer av kontext att tillhandahålla
  3. Definiera önskat format
  4. Begränsa längden
  5. Begränsa ton och register
  6. Begränsa omfattningen
  7. Kombinera kontext och begränsningar
  8. Viktiga punkter

Kontext: Ge modellen det den inte vet

Mistral-modeller har omfattande allmän kunskap, men de vet ingenting om din specifika situation: ditt företag, ditt projekt, din målgrupp eller dina affärsmässiga begränsningar. Den kontext du anger i din prompt överbryggar detta gap. Det är detta som skiljer ett generellt verktyg från en specialiserad assistent. Utan kontext producerar modellen generiska svar – i genomsnitt korrekta, men oanvändbara i praktiken. Med rätt kontext får du skräddarsydda svar.

Tre typer av kontext att tillhandahålla

Den första är situationell kontext: omständigheterna kring din förfrågan. En marknadsdirektör som bara skriver “föreslå en marknadsföringsplan” får en plan ur läroboken. Om de specificerar sin situation förändras allt:

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.

Varje mening i denna kontext eliminerar dussintals irrelevanta svar: inga B2C-strategier, inga budgetar i miljonklassen, inga rekommendationer som inte rör lanseringen.

Den andra är dokumentkontext: de data modellen måste analysera eller använda. Modellen känner inte till dina interna siffror – du måste ge dem till den, helst avgränsade med taggar för att skilja dem från instruktionerna:

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.

Den tredje är målgruppskontext: vem det genererade innehållet är till för. Du förklarar inte samma ämne på samma sätt för en nybörjare och en expert. Specificera till exempel: “Texten är till för erfarna Python-utvecklare (5+ års erfarenhet) som upptäcker API:er för språkmodeller för första gången. Ingen need att förklara Python-grunderna, men detaljera LLM-koncept.” Modellen kommer då att kalibrera sin detaljeringsgrad exakt där din läsare behöver den.

Definiera önskat format

Utdataformatet är en av de kraftfullaste begränsningarna. Utan vägledning väljer modellen ett standardformat – ofta löpande text – som du sedan måste bearbeta. Genom att specificera formatet får du exakt det du behöver, redo att användas.

För en lista, säg det: “Lista fördelarna som punktlistor (max 5).” För en tabell: “Presentera resultaten i en Markdown-tabell med kolumnerna Funktion | Tillgänglighet | Prioritet.” För mjukvaruintegration är strukturerad JSON kungen, och det förtjänar att specificeras fält för fält:

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

Samma princip gäller för kod: “Skriv funktionen i Python 3.11+. Lägg till docstrings i Google-stil och typhint. Inkludera 2 användningsexempel i kommentarer i slutet.” Ju mer precist du beskriver formatet, desto mindre efterarbete behöver du göra.

Begränsa längden

Mistral-modeller tenderar att vara uttömmande om du inte sätter gränser. Du kan begränsa längden efter antal ord (“Svara på max 150 ord”), efter struktur (“Svara i exakt 3 stycken om 2–3 meningar vardera”) eller efter element (“Ge exakt 5 rekommendationer, var och en i en mening”).

En varning dock: språkmodeller är dåliga på att räkna ord och tecken. Att begära “exakt 150 ord” ger en text på cirka 150 ord, men sällan prick rätt. Om längden är avgörande för dig, föredra strukturella begränsningar – antal stycken, punkter, avsnitt – vilket modellen följer mycket trognare än exakta räkningar.

Begränsa ton och register

Svarets ton påverkar direkt dess användbarhet: text med fel ton är text du måste skriva om. Var tydlig, även om det innebär att du staplar specifikationer: “Ton: professionell men tillgänglig. Undvik teknisk jargong om det inte är oundvikligt (definiera det i så fall). Använd formellt språk. Inga emojis eller informellt språk.”

Proffstips: de mest effektiva toninstruktionerna jämför ofta uppgiften med en känd professionell situation. “Svara som en senior konsult som presenterar för en verkställande kommitté”, “Anta en pedagogisk ton, som en professor som förklarar för masterstudenter” eller “Var direkt och koncis, som en intern revisionsrapport”: var och en av dessa fraser kondenserar en hel uppsättning val av ordval, längd och hållning till en enda bild som modellen vet hur den ska tolka.

Begränsa omfattningen

Att avgränsa omfattningen innebär att tala om för modellen var den ska sluta. Här är ett exempel på begränsningar:

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

Var särskilt uppmärksam på den sista begränsningen: det är ditt bästa försvar mot hallucinationer. En modell som ombeds ge ett fullständigt svar tenderar att fylla luckor med trovärdig information; genom att explicit tillåta den att medge sina begränsningar omvandlar du tyst uppfinning till en synlig flagga som du sedan kan hantera.

Kombinera kontext och begränsningar

I praktiken kombinerar en professionell prompt naturligtvis allt ovanstående: kontext och permanenta regler i system-prompten, data och förväntat format i användarmeddelandet. Här är ett komplett exempel på HR-analys:

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)"""
    }
]

Lägg märke till hur varje element som behandlats i denna lektion får sin plats: roll och register i systemet, avgränsade data i användarmeddelandet, numrerat format i slutet av meddelandet och skyddsmekanismen mot uppfinningar ([MISSING_DATA]) inställd en gång för alla.

Viktiga punkter

  • Kontext omvandlar ett generiskt svar till ett personligt
  • Tillhandahåll situationell, dokument- och målgruppskontext efter behov
  • Definiera alltid önskat utdataformat (JSON, lista, tabell etc.)
  • Begränsa längden genom struktur snarare än ordantal
  • Avgränsa omfattningen och tillåt modellen att signalera saknad information