Advanced Prompting

Byg genanvendelige promptbiblioteker: fra tekststumper til fælles skabeloner

Når den samme AI-understøttede opgave gentager sig, kan et promptbibliotek gøre arbejdsgangen lettere at reproducere og evaluere. Et praktisk system til at indsamle, teste, versionsstyre og dele skabeloner.

10 min læsning

Valg og prompting af ræsonnerende modeller

Indstillinger for ræsonnement ændrer kvalitet, svartid, pris og undertiden promptadfærd. En praktisk vejledning i at vælge dem ud fra evaluering frem for tommelfingerregler.

12 min læsning

Kontekstengineering: håndtering af 1M-tokenvinduer uden kontekstforringelse

Der findes kontekstvinduer på 1M tokens, men kvaliteten forringes længe før grænsen nås. Kontekstengineering er disciplinen i at bruge kontekstvinduer effektivt — hvad der skal medtages, hvad der skal sammenfattes, hvad der skal hentes på ny, og hvilke mønstre der holder kvaliteten høj, når konteksten vokser.

Flere i dette emne

10 min læsning

Chain-of-thought, self-critique og tree-of-thoughts — hvornår du skal bruge hvad

Tre ræsonnementsteknikker, der kan forbedre AI-resultater på vanskelige problemer, og afvejningen mellem omkostninger og udbytte ved at bruge dem. Med konkrete prompts, direkte sammenligninger og de faldgruber, som moderne ræsonnerende modeller medfører.

12 min læsning

Vælg mellem prompting, RAG og finjustering (og hvornår de skal kombineres)

Prompting, RAG og finjustering er de tre store greb til at tilpasse LLM'er til dit problem. De passer hver især til nogle problemer og ikke til andre. Her er en ramme for valget, de realistiske omkostninger og de produktionsmønstre, hvor kombinationen virker bedst.

12 min læsning

Design af produktionsprompts: system-, udvikler- og brugerlag

Et styringsmønster til at adskille betroede instruktioner, runtime-data og brugerinput og derefter versionere, evaluere, udrulle og observere prompts efter risiko.

7 min læsning

Vælg den rette model til opgaven: en beslutningsguide til 2026

Hvilken model du bør vælge til forskellige opgavetyper. GPT, Claude, Gemini, ræsonneringsvarianter og modeller med åbne vægte med beslutningsregler og eksempler fra midten af 2026, ikke en tidløs rangliste.

Begynder

13 min læsning

Strukturerede output og funktionskald: produktionsmønstrene

Strukturerede output og funktionskald er broen fra 'LLM, der genererer tekst' til 'system, der udfører arbejde'. I produktion handler de vigtige mønstre om skemaer, fejlhåndtering, idempotens og kontrolleret forringelse — ikke kun JSON-tilstand.

29 minutter

Tree of Thoughts: bevidst problemløsning med store sprogmodeller (fuld paper review)

Yannic Kilcher. Yannic gennemgår den oprindelige Tree-of-Thoughts-artikel fra Princeton/DeepMind — generate-score-prune-backtrack-sløjfen, hvorfor den løfter Game of 24-nøjagtighed fra 4% til 74%, og hvor teknikken holder op med at være sin 10× token-omkostning værd. Nyttig præcis, fordi den tvinger dig til at se ToT som en søgealgoritme, ikke et magisk prompt-præfiks.

25 minutter

Prompting 101 – grundlæggende prompting

Anthropic. To medlemmer af Anthropics Applied AI-team opbygger en real-world-prompt live og lægger rolle, strukturerede sektioner og eksplicitte tænkningstrin ind. Det er den mest troværdige demo på YouTube af "hvordan du bruger chain-of-thought uden at ritualisere det", og den gør artiklens pointe om at stoppe med at indsætte Let's think step by step i alt konkret.

22 minutter

Context engineering til agenter

LangChain. Lance Martins framework — write, select, compress, isolate — med konkrete eksempler på, hvornår man skal opsummere en action history, hvornår man skal offlade state til filer, og hvornår man skal spinne sub-agenter op udelukkende for at beskytte parentens kontekst. Mapper næsten direkte til artiklens afsnit om at håndtere 1M-tokenvinduer i praksis.

8 minutter

Context Rot: Hvordan flere inputtokens påvirker LLM-performance

Chroma. Kelly Hong gennemgår Chromas research på 18 modeller — hvorfor needle-in-haystack-scores er misvisende, hvordan performance degraderer med ambiguitet og distractors, hvorfor selv simple string-repetition-opgaver degraderer forbi 500 tokens. Kort, evidensbaseret og præcis den sag, artiklen behøver, at du tager alvorligt, før du kommer til engineering-grebene.

3 minutter

Sådan byggede man OpenAI o1

OpenAI. Denne tre minutter lange førstepartsvideo registrerer, hvordan OpenAI-teamet præsenterede o1 ved lanceringen. Den er nyttig til at forstå kategoriens historie, men fastslår ikke, hvordan aktuelle modeller fungerer internt, eller hvilket promptingmønster der virker bedst hos en anden udbyder eller på en anden opgave.

28 minutter

o1 — hvad foregår der? Hvorfor o1 er et 3. paradigme for modeller + 10 ting, du måske ikke ved

AI Explained. Videoen giver en uafhængig forklaring af den tidlige indramning af o1 og dens betydning for prompting. Den er nyttig historisk kontekst, men påstandene om o1 bør ikke automatisk overføres til senere OpenAI-modeller, R1, Claudes tænketilstande eller andre udbydere.

9 minutter

RAG vs. fine-tuning

IBM Technology. Strammere fokus på de to teknikker, teams oftest forveksler. Går dybere ind i datafreshness, kildeattribution og inference-time-hastighedsargumentet for finjustering. Værd at se, hvis du specifikt forsøger at argumentere imod et unødvendigt fine-tune-projekt.

13 minutter

RAG vs Fine-Tuning vs Prompt Engineering: Optimering af AI-modeller

IBM Technology. En klar whiteboard-gennemgang af alle tre teknikker med deres respektive omkostninger — retrieval-latenstid, træningscompute og catastrophic forgetting, grænserne for prompt-only-løsninger — og de kombinationer, der faktisk giver mening i produktion. Det afsluttende eksempel på et juridisk AI-system, der bruger alle tre, er næsten præcis artiklens "hvornår skal de kombineres"-argument.

77 minutter

AI prompt engineering: En dybdegående gennemgang

Anthropic. Fire Anthropic prompt engineers (research, alignment, applied, developer relations) taler længe om, hvad de faktisk gør til daglig — hvordan de redigerer prompts under pres, hvordan de tænker om "honesty" i instruktioner, hvornår XML-scaffolds hjælper, hvornår de ikke gør. Artiklens lagdelte model mapper rent over på, hvordan de beskriver arbejdet; dette er den bedste måde at høre den mentale model højt.

25 minutter

Prompting 101 | Code med Claude

Anthropic. En live-bygningssession af Anthropics Applied AI-team på en forsikringsclaims-prompt — de starter med en vag instruktion og itererer til noget, en udvikler faktisk ville shippe, og viser den slags revisioner, artiklen beskriver for system- og developer-lagene. Se den, før du genlæser artiklens tjekliste om eksempler, outputstruktur og refusal-håndtering.

10 minutter

Den bedste ChatGPT-prompt, jeg nogensinde har lavet — jeg brugte 2 måneder på at kuratere denne prompt til at skrive prompts

Lawton Learns. Videoen demonstrerer en C.R.A.F.T.-metaprompt (Context, Role, Action, Format, Target audience). Den er en nyttig kandidat til at teste, hvordan en promptgenererende prompt opfører sig, men dens output er ikke garanteret at være konsekvent, korrekt eller egnet til teamets anvendelsesområder.

20 minutter

Googles 9-timers kursus i AI prompt engineering på 20 minutter

Tina Huang. Tina præsenterer en femdelt ramme af opgave, kontekst, referencer, evaluering og iteration samt fire navngivne iterationsgreb. Elementerne kan hjælpe dig med at udarbejde et kandidatskema, men eksemplerne om agenter og chain-of-thought afspejler kursets tid og kontekst. Test ethvert udledt mønster på repræsentative tilfælde, før det føjes til et godkendt bibliotek.

41 minutter

OpenAI DevDay 2024 | Strukturerede outputs til pålidelige applikationer

OpenAI. Gennemgår `strict: true`, forskellen fra gammel JSON-mode, refusal-håndtering og hvordan function calling og response-format-schemas komponerer. Nyttig præcis, fordi den beskriver den kontrakt, API'et giver dig, som er det, artiklens produktionsmønstre er bygget ovenpå.

18 minutter

Pydantic er alt, du har brug for: Jason Liu

AI Engineer. Talket, der krystalliserede det moderne mønster "definér en Pydantic-model, giv den til LLM'en, lad validering gøre resten", med konkrete eksempler på nestede objekter, validators der fanger hallucinerede URL'er, og Chain-of-Thought som et typet felt. Se den, før du genlæser artiklens afsnit om validators, og du vil genkende, hvor dens retry- og refusal-regler kommer fra.