शुरुआती लोगों के लिए प्रॉम्प्ट इंजीनियरिंग: एक कारगर ढांचा

प्रॉम्प्ट क्यों विफल होते हैं

शुरुआती लोगों के लिए प्रॉम्प्ट इंजीनियरिंग चालाक वाक्यांश याद करने के बारे में नहीं है। यह एक AI मॉडल को वह काम, सबूत, सीमाएं और नतीजे का आकार देने के बारे में है जिसकी उसे कुछ उपयोगी बनाने के लिए ज़रूरत है। ज़्यादातर बुरे प्रॉम्प्ट इसलिए विफल होते हैं क्योंकि वे यह परिभाषित किए बिना मदद मांगते हैं कि "अच्छे" का क्या मतलब है। मॉडल इन खाली जगहों को संभावित पैटर्न से भर देता है, और वे पैटर्न परिष्कृत लग सकते हैं जबकि आपके असली लक्ष्य से चूक जाएं।

सबसे आम चूक एक अस्पष्ट काम है। "इसे बेहतर बनाओ" का मतलब हो सकता है छोटा, ज़्यादा गर्मजोशी भरा, ज़्यादा प्रेरक, ज़्यादा सटीक, कम तकनीकी, या पढ़ने में आसान। दूसरी चूक छूटा हुआ संदर्भ है। अगर मॉडल को दर्शक, स्रोत सामग्री, फैसले के मानदंड या बिज़नेस लक्ष्य नहीं पता, तो यह सामान्य गुणवत्ता के लिए अनुकूल हो जाएगा। तीसरी चूक कमज़ोर बाधाएं हैं। लंबाई, लहज़ा, स्रोत, गोपनीयता, फ़ॉर्मेट और क्या-न-करें के नियमों के बिना, जवाब भटक सकता है। चौथी चूक कोई समीक्षा चक्र न होना है। पहला जवाब आमतौर पर एक ड्राफ्ट होता है, अंतिम रेखा नहीं।

एक मज़बूत शुरुआती वर्कफ़्लो प्रॉम्प्टिंग को एक छोटे विवरण और एक गुणवत्ता जांच के रूप में लेता है। आप काम को परिभाषित करते हैं, संदर्भ शामिल करते हैं, बाधाएं तय करते हैं, एक फ़ॉर्मेट मांगते हैं, फिर मॉडल से धारणाओं या अनिश्चितता को उजागर करने को कहते हैं। यह सरल आदत लेखन के प्रॉम्प्ट, शोध के प्रॉम्प्ट, योजना के प्रॉम्प्ट और विश्लेषण के प्रॉम्प्ट को बेहतर करती है क्योंकि यह मॉडल को एक अस्पष्ट सहायक से एक व्यवस्थित सहयोगी में बदल देती है।

ढांचा: निर्देश, संदर्भ, बाधाएं और फ़ॉर्मेट

लगभग हर गंभीर प्रॉम्प्ट के लिए इस AI प्रॉम्प्टिंग ढांचे का इस्तेमाल करें: निर्देश, संदर्भ, बाधाएं, फ़ॉर्मेट। यह याद रखने लायक है, मॉडलों में लागू करने लायक है, और सटीकता बढ़ाने के लिए काफ़ी ठोस है। आप वही टेम्पलेट Whizi में अलग-अलग मॉडलों पर चला सकते हैं और तुलना कर सकते हैं कि कौन सा विवरण का सबसे अच्छा पालन करता है।

निर्देश कार्रवाई है। एक क्रिया और एक डिलीवरेबल से शुरुआत करें: सारांश बनाओ, तुलना करो, दोबारा लिखो, निकालो, आलोचना करो, वर्गीकरण करो, रूपरेखा बनाओ, डिबग करो, या योजना बनाओ। "बाज़ार शोध में मदद करो" के बजाय लिखें "इस श्रेणी के पांच प्रोडक्ट के लिए एक प्रतिस्पर्धी तुलना टेबल बनाओ।" निर्देश जितना साफ़ हो, नतीजे को आंकना उतना ही आसान।

संदर्भ वह सामग्री है जिसकी मॉडल को अनुमान लगाने से बचने के लिए ज़रूरत है। इसमें दर्शक, लक्ष्य, पृष्ठभूमि, स्रोत टेक्स्ट, उदाहरण, फैसले के मानदंड और परिभाषाएं शामिल करें। लंबे इनपुट के लिए, स्रोत को साफ़ लेबल करें और अपने निर्देशों को सामग्री से पहले या बाद में एक तयशुदा संरचना में रखें। मॉडल प्रदाताओं का लंबे-संदर्भ का मार्गदर्शन अक्सर साफ़ संगठन पर ज़ोर देता है क्योंकि बड़े इनपुट को भी संकेतों की ज़रूरत होती है।

बाधाएं नियम हैं। लंबाई, लहज़ा, दायरा, बाहर रखे दावे, ज़रूरी सबूत, गोपनीयता की सीमाएं, पढ़ने का स्तर, और जानकारी छूटने पर क्या करना है, यह जोड़ें। बाधाएं खासकर तब उपयोगी होती हैं जब आपको सटीकता बढ़ाने वाले प्रॉम्प्ट चाहिए: मॉडल से कहें कि विवरण गढ़ने के बजाय अज्ञात को चिह्नित करे, तथ्यों को धारणाओं से अलग करे, और जहां संभव हो स्रोत के हिस्से का हवाला दे।

फ़ॉर्मेट नतीजे का पात्र है। एक टेबल, चेकलिस्ट, मेमो, रूपरेखा, JSON शैली के फ़ील्ड, ईमेल, अंकन रूब्रिक, या कदम-दर-कदम योजना मांगें। OpenAI और Gemini का व्यवस्थित नतीजे का मार्गदर्शन उपयोगी है क्योंकि यह उसी व्यावहारिक सबक को मज़बूत करता है: जब चाहा गया आकार स्पष्ट हो, तो नतीजों को समझना, तुलना करना और दोबारा इस्तेमाल करना आसान होता है।

कॉपी-पेस्ट प्रॉम्प्ट टेम्पलेट: "निर्देश: [ठोस कार्रवाई और डिलीवरेबल]। संदर्भ: [दर्शक, लक्ष्य, स्रोत सामग्री, उदाहरण, परिभाषाएं, फैसले के मानदंड]। बाधाएं: [लंबाई, लहज़ा, क्या शामिल हो, क्या न हो, सबूत के नियम, गोपनीयता के नियम, अनिश्चितता के नियम]। फ़ॉर्मेट: [टेबल/चेकलिस्ट/मेमो/ईमेल/रूपरेखा/JSON शैली के फ़ील्ड]। अंतिम रूप देने से पहले, धारणाएं, छूटी जानकारी, और एक आगे का सवाल सूचीबद्ध करो जो नतीजे को बेहतर करता।"

काम के हिसाब से उदाहरण

काम के लिए सबसे अच्छे प्रॉम्प्ट दोबारा इस्तेमाल होने वाले पैटर्न होते हैं, एक बार के जादुई वाक्य नहीं। नीचे दिए उदाहरणों को शुरुआती बिंदुओं की तरह इस्तेमाल करें, फिर उन्हें सहेजें जो लगातार उपयोगी नतीजा देते हैं।

लेखन प्रॉम्प्ट: "निर्देश: इस ड्राफ्ट को स्पष्टता और ठोसपन के लिए दोबारा लिखो। संदर्भ: दर्शक हैं [दर्शक], लक्ष्य है [लक्ष्य], और ड्राफ्ट है [ड्राफ्ट पेस्ट करें]। बाधाएं: सभी तथ्य अपरिवर्तित रखो, अतिशयोक्ति से बचो, सरल भाषा का इस्तेमाल करो, और अगले कदम को स्पष्ट बनाओ। फ़ॉर्मेट: एक संशोधित ड्राफ्ट लौटाओ, फिर मूल दिक्कत, किए गए संपादन और कारण के साथ एक टेबल।" यह इसलिए काम करता है क्योंकि यह मॉडल को एक काम, एक पाठक, एक मानक, और एक समीक्षा योग्य संपादन-निशान देता है।

शोध प्रॉम्प्ट: "निर्देश: इन स्रोतों को एक शोध विवरण में बदलो। संदर्भ: मैं [फैसले] के लिए [सवाल] का मूल्यांकन कर रहा हूं। स्रोत: [स्रोत के अंश या लिंक/नोट्स पेस्ट करें]। बाधाएं: सिर्फ़ दी गई सामग्री का इस्तेमाल करो, सबूत को अनुमान से अलग करो, कमज़ोर सबूत चिह्नित करो, और आंकड़े मत गढ़ो। फ़ॉर्मेट: मुख्य निष्कर्ष, सबूत की टेबल, खुले सवाल, और सुझाए गए अगले स्रोत लौटाओ।" यह "इस विषय पर शोध करो" पूछने से बेहतर है क्योंकि यह पता लगाने योग्यता की रक्षा करता है।

योजना प्रॉम्प्ट: "निर्देश: दो-सप्ताह की क्रियान्वयन योजना बनाओ। संदर्भ: लक्ष्य है [लक्ष्य], टीम है [टीम], समयसीमा है [तारीख], बाधाएं हैं [बाधाएं]। बाधाएं: वापसी योग्य कदमों को प्राथमिकता दो, रुकावटों को जल्दी पहचानो, और हर काम को मालिक के अनुकूल रखो। फ़ॉर्मेट: दिन, काम, मालिक, नतीजा, जोखिम और सफलता की जांच के साथ टेबल।" नतीजा कुछ ऐसा बन जाता है जिसे एक टीम सचमुच इस्तेमाल कर सके।

विश्लेषण प्रॉम्प्ट: "निर्देश: इन विकल्पों की तुलना करो और एक की सिफ़ारिश करो। संदर्भ: विकल्प हैं [विकल्प]। फैसले के मानदंड हैं [मानदंड]। बाधाएं: समझौते, सबसे मज़बूत प्रतिवाद, और सिफ़ारिश को क्या बदल देगा, शामिल करो। फ़ॉर्मेट: एक स्कोरकार्ड टेबल और एक छोटा फैसले का मेमो।" यह अनिश्चितता छिपाए बिना निर्णय को प्रोत्साहित करता है।

समीक्षा प्रॉम्प्ट: "निर्देश: इस्तेमाल करने से पहले इस नतीजे की आलोचना करो। संदर्भ: इच्छित उपयोग है [उपयोग का मामला]। समीक्षा के लिए नतीजा: [पेस्ट करें]। बाधाएं: सटीकता, असमर्थित दावे, छूटा संदर्भ, लहज़ा, जोखिम, और इंसानी समीक्षा की ज़रूरत वाली जगहें जांचो। फ़ॉर्मेट: पहले गंभीर दिक्कतें, फिर सुझाए गए संपादन, फिर एक अंतिम भरोसे की रेटिंग लौटाओ।" यह AI को सिर्फ़ एक ड्राफ्ट जनरेटर के बजाय एक गुणवत्ता-नियंत्रण कदम में बदल देता है।

सुधार का चक्र

अच्छी प्रॉम्प्ट इंजीनियरिंग बार-बार दोहराई जाने वाली होती है। आपको उम्मीद करनी चाहिए कि पहला जवाब यह उजागर करेगा कि प्रॉम्प्ट क्या भूल गया। नए सिरे से शुरू करने के बजाय, एक चक्र का इस्तेमाल करें: मूल्यांकन करें, निदान करें, संशोधित करें, तुलना करें, सहेजें।

जवाब का पांच सवालों के आधार पर मूल्यांकन करें। क्या इसने सटीक काम पूरा किया? क्या इसने दिए गए संदर्भ का इस्तेमाल किया? क्या इसने बाधाओं का पालन किया? क्या फ़ॉर्मेट इस्तेमाल करना आसान है? क्या दावे, धारणाएं और अनिश्चितताएं दिख रही हैं? अगर जवाब विफल होता है, तो मॉडल को दोष देने से पहले प्रॉम्प्ट का निदान करें। एक अस्पष्ट नतीजा अक्सर यह मतलब रखता है कि काम अस्पष्ट था। एक सामान्य नतीजा अक्सर यह मतलब रखता है कि संदर्भ पतला था। एक जोखिम भरा नतीजा अक्सर यह मतलब रखता है कि बाधाएं छूट गई थीं।

फिर एक बार में एक सटीक निर्देश के साथ संशोधित करें। "फिर से कोशिश करो" के बजाय कहें "सिफ़ारिश को ज़्यादा सबूत-आधारित बनाओ और अज्ञात चिह्नित करो।" "ज़्यादा व्यवस्थित बनो" के बजाय कहें "इसे दावा, सबूत, भरोसा और अगली जांच के कॉलम वाली एक टेबल में बदलो।" जब गुणवत्ता मायने रखे, तो वही संशोधित प्रॉम्प्ट Whizi में मॉडलों पर चलाएं और सटीकता, पूर्णता, लहज़े के नियंत्रण और संपादन के समय की तुलना करें।

इस सुधार चेकलिस्ट का इस्तेमाल करें: 1. विफलता को एक वाक्य में नाम दें। 2. छूटा संदर्भ या बाधा जोड़ें। 3. नतीजे के फ़ॉर्मेट को कसें। 4. धारणाएं और अनिश्चितता मांगें। 5. जब काम ज़रूरी हो तो एक दूसरा मॉडल चलाएं। 6. बेहतर प्रॉम्प्ट को तभी सहेजें जब यह किसी असली काम पर कारगर हो, किसी खिलौना उदाहरण पर नहीं।

अपनी दोबारा इस्तेमाल होने वाली प्रॉम्प्ट लाइब्रेरी बनाएं

एक दोबारा इस्तेमाल होने वाली प्रॉम्प्ट लाइब्रेरी वह जगह है जहां शुरुआती प्रॉम्प्टिंग एक रोज़ का वर्कफ़्लो बन जाती है। चैट इतिहास में बेतरतीब प्रॉम्प्ट रखने के बजाय, टेम्पलेट को काम के हिसाब से व्यवस्थित करें: लेखन, शोध, योजना, कोडिंग, ग्राहक विश्लेषण, दस्तावेज़ समीक्षा और फैसले में सहायता। हर टेम्पलेट में वही चार फ़ील्ड होने चाहिए: निर्देश, संदर्भ, बाधाएं और फ़ॉर्मेट।

हर सहेजे गए प्रॉम्प्ट में एक छोटा इस्तेमाल का नोट जोड़ें: इसे कब इस्तेमाल करें, इसे किन इनपुट की ज़रूरत है, कौन सा मॉडल सबसे अच्छा प्रदर्शन करता है, और नतीजे को कैसे सत्यापित करें। उदाहरण के लिए, एक शोध प्रॉम्प्ट को स्रोत के अंश और एक दावा-सबूत टेबल की ज़रूरत हो सकती है। एक लेखन प्रॉम्प्ट को दर्शक, आवाज़ का नमूना, और बनाए रखने लायक तथ्यों की ज़रूरत हो सकती है। एक कोडिंग समीक्षा प्रॉम्प्ट को डिफ, अपेक्षित व्यवहार, और टेस्ट संदर्भ की ज़रूरत हो सकती है।

Whizi इस वर्कफ़्लो में फिट बैठता है क्योंकि आप हमेशा के लिए एक मॉडल को अपनाने के बजाय टेम्पलेट सहेज सकते हैं और उन्हें मॉडलों पर चला सकते हैं। इस सप्ताह तीन टेम्पलेट से शुरुआत करें: एक लेखन दोबारा-लेखन, एक शोध विवरण, और एक फैसले का स्कोरकार्ड। हर टेम्पलेट को एक असली काम पर चलाएं, मॉडल के नतीजों की तुलना करें, टेम्पलेट को संशोधित करें, और वह संस्करण रखें जो सबसे कम सफ़ाई के साथ सबसे उपयोगी नतीजा दे।

एक व्यापक शुरुआती गाइड के लिए, AI का उपयोग कैसे करें पढ़ें। शोध-भारी काम के लिए, Founder Research Stack आज़माएं। जब आप प्रॉम्प्टिंग को एक दोहराए जा सकने वाले वर्कस्पेस में बदलने के लिए तैयार हों, तो register पर अपना खाता बनाएं।

चेकलिस्ट

• हर गंभीर प्रॉम्प्ट की शुरुआत एक ठोस निर्देश और डिलीवरेबल से करें।
• दर्शक, लक्ष्य, स्रोत सामग्री, उदाहरण और फैसले के मानदंड को संदर्भ के रूप में जोड़ें।
• लंबाई, लहज़ा, सबूत, गोपनीयता और अनिश्चितता को नियंत्रित करने के लिए बाधाओं का इस्तेमाल करें।
• एक ठोस फ़ॉर्मेट मांगें: टेबल, चेकलिस्ट, मेमो, रूपरेखा, या JSON शैली के फ़ील्ड।
• मॉडल से धारणाएं, छूटी जानकारी और भरोसे की सीमाएं सूचीबद्ध करने को कहें।
• एक बार में एक केंद्रित संशोधन के ज़रिए प्रॉम्प्ट सुधारें।
• अंतिम टेम्पलेट सहेजने से पहले ज़रूरी प्रॉम्प्ट की मॉडलों पर तुलना करें।
• दोबारा इस्तेमाल होने वाले प्रॉम्प्ट को मॉडल के नाम से नहीं, बल्कि वर्कफ़्लो के हिसाब से संग्रहित करें।

अक्सर पूछे जाने वाले सवाल