Antimönster att undvika
På denna sida
- Fel som saboterar dina prompts
- Antimönster 1: Subjektivt språk
- Antimönster 2: Motstridiga instruktioner
- Antimönster 3: Att be modellen räkna
- Antimönster 4: Överdriven tokengenerering
- Antimönster 5: Numeriska skalor
- Antimönster 6: Otydliga instruktioner
- Antimönster 7: Att ignorera förifyllning
- Viktiga punkter
Fel som saboterar dina prompts
Att bemästra prompt engineering innebär också att veta vad du inte ska göra. Vissa vanor, helt naturliga i mänsklig kommunikation, ger dåliga resultat med Mistral-modeller – just för att de förlitar sig på en underförstådd kontext som modellen saknar. I denna lektion listar vi de sju vanligaste antimönstren, med en felaktig version, en korrigerad version och logiken bakom korrigeringen för varje fall. Du kommer sannolikt att känna igen några av dina egna vanor på vägen.
Antimönster 1: Subjektivt språk
Mellan kollegor fungerar frasen “skriv en text som inte är för lång” eftersom ni delar kontext: kollegan känner till användningsområdet, läsaren och företagets rutiner. Modellen uppfattar inte subjektiva ord på samma sätt som du gör. Termer som “kort”, “lång”, “många”, “intressant” eller “inte för” är tvetydiga och ger oförutsägbara resultat från en körning till nästa.
Dåligt:
Write a text not too long about AI.
Include many interesting examples.
Bra:
Write a text of 200 to 300 words about generative AI.
Include 3 concrete examples of application in business
(marketing, HR, customer service).
Korrigeringsregeln är mekanisk: ersätt varje subjektiv term med ett objektivt mått. “Inte för lång” blir “200–300 ord”, “många exempel” blir “3 exempel” och “intressant” blir en exakt beskrivning av vilken typ av exempel som förväntas.
Antimönster 2: Motstridiga instruktioner
När din prompt innehåller oförenliga instruktioner – “var uttömmande och täck alla aspekter” följt av “svara på maximalt 3 meningar” – måste modellen välja vilken den ska följa, och det valet är oförutsägbart. En dag får du tre ytliga meningar, nästa dag en omfattande textvägg. Korrigeringen består i att förena de två kraven till en enda, sammanhängande instruktion: “Täck de 3 huvudaspekterna av ämnet. Ge för varje aspekt en sammanfattande mening (max 25 ord).” Uttömmande blir ett definierat omfång, korthet en begränsning per element – ingen konflikt längre.
Om dina regler verkligen är komplexa, med olika beteenden beroende på fallet, ska du inte stapla dem: strukturera dem som ett beslutsträd där varje gren är explicit:
If the client is an individual:
→ Use an accessible tone, avoid technical jargon
→ Propose the Starter offer first
If the client is a business:
→ Use a professional and technical tone
→ Propose the Enterprise offer first
If you are unsure:
→ Politely ask if this is for personal or professional use
Antimönster 3: Att be modellen räkna
Språkmodeller är dåliga på att räkna. De räknar inte faktiskt ord, tecken eller meningar – de uppskattar, eftersom de manipulerar token och inte textenheter. Att begära “exakt 150 ord” eller “kontrollera att varje mening är kortare än 20 ord” är som att kräva att en målare mäter i mikron: det är inte deras verktyg.
Dåligt:
Write a text of exactly 150 words.
Check that each sentence is less than 20 words.
Bra:
Write a short text (around 150 words, 2-3 paragraphs).
Use concise and direct sentences.
Och om räkning verkligen är kritisk för din applikation – till exempel en teckenbegränsning som påtvingas av ett gränssnitt – utför den i koden efter att du mottagit modellens svar, inte i prompten. Ditt programspråk räknar perfekt; det gör inte modellen.
Antimönster 4: Överdriven tokengenerering
Varje genererad token har en kostnad, både ekonomiskt och vad gäller latens. Att be modellen producera information du inte kommer att använda är rent slöseri: du betalar mer för att vänta längre på text du inte kommer att läsa. Det typiska fallet är kodanalys där du ber om att “förklara varje rad i detalj”, plus “språkets historia” och “möjliga alternativ”, när endast buggar intresserar dig.
Bra:
Analyze this code and identify:
1. Potential bugs (with the line concerned)
2. A proposed fix for each bug
Nothing else.
Den avslutande instruktionen “nothing else” (inget annat) är en överraskande kraftfull instruktion: den säger explicit åt modellen att inte lägga till de tillägg, varningar och utvidgningar den spontant producerar. Ditt svar anländer snabbare, kostar mindre och kommer rakt på sak.
Antimönster 5: Numeriska skalor
Att be modellen betygsätta på en skala från 1 till 5 eller 1 till 10 verkar rigoröst – i verkligheten är det motsatsen. Modellen har ingen tillförlitlig intern kalibrering för dessa skalor: samma text kan få 6/10 idag och 8/10 imorgon, utan några kriterier som förklarar gapet. Lösningen består i att ersätta siffror med verbala skalor med explicita kriterier:
Evaluate the quality of this text according to these levels:
- Insufficient: factual errors, incoherent structure
- Acceptable: correct but lacks depth or clarity
- Good: well structured, clear, with relevant examples
- Excellent: publication-ready, original, brings clear added value
Choose one level and justify in 2 sentences.
Eftersom varje nivå definieras av observerbara kriterier blir utvärderingen reproducerbar och motiverad – du vet varför en text är “Acceptable” snarare än “Good”, och modellen tillämpar samma kriterier vid varje anrop.
Antimönster 6: Otydliga instruktioner
“Improve this text” (förbättra denna text) är det perfekta exemplet på en instruktion som verkar tydlig men inte alls är det. Förbättra vad? Stavning? Stil? Struktur? Modellen kommer att välja åt dig, och den riskerar att skriva om passager du ville behålla oförändrade. Den professionella versionen avgränsar både vad som ska korrigeras och vad som ska lämnas intakt:
Improve this text by correcting:
1. Spelling and grammar mistakes
2. Sentences longer than 30 words (simplify them)
3. Word repetitions within a range of 3 sentences
Do NOT modify:
- The meaning of sentences
- Technical terms (even if synonyms exist)
- Paragraph structure
Blocket “Do NOT modify” (modifiera INTE) är lika viktigt som det första: utan det kommer en ivrig modell att ersätta dina tekniska termer med ungefärliga synonymer.
Antimönster 7: Att ignorera förifyllning
Det sista antimönstret är ett missat tillfälle snarare än ett aktivt fel: många användare ignorerar möjligheten att förifylla svaret via rollen assistant, vilket sågs i lektionen om roller. Det är ändå en kraftfull hävstång för att tvinga fram ett format. Med ett enkelt användarmeddelande som begär JSON kan modellen lägga till en inledande mening, backticks, en avslutande kommentar – så många element som kommer att bryta din parsning. Genom att avsluta dina meddelanden med början på ett assistentsvar blir formatet nästan garanterat:
Utan förifyllning (oförutsägbart format):
messages = [
{"role": "user", "content": "List 3 advantages of remote work in JSON."}
]
Med förifyllning (garanterat format):
messages = [
{"role": "user", "content": "List 3 advantages of remote work in JSON."},
{"role": "assistant", "content": "{\"advantages\": [", "prefix": True}
]
Modellen befinner sig redan “mitt i processen att skriva” JSON-objektet: den kan bara fullfölja det.
Viktiga punkter
- Ersätt subjektivt språk och otydliga instruktioner med mätbara och avgränsade instruktioner
- Undvik motstridiga instruktioner – strukturera komplexa fall som ett beslutsträd
- Be aldrig modellen att räkna: kritiska räkningar görs i koden
- Begränsa genereringen till information som faktiskt används, med verbala skalor istället för numeriska
- Utnyttja förifyllning från assistenten för att garantera utdataformatet