Avancerad promptning

Bygg återanvändbara promptbibliotek: från textsnuttar till delade mallar

När samma AI-stödda uppgift återkommer kan ett promptbibliotek göra arbetsflödet enklare att upprepa och utvärdera. Ett praktiskt system för att samla in, testa, versionshantera och dela mallar.

10 min läsning

Välj och prompta resonemangsmodeller

Resonemangsinställningar påverkar kvalitet, fördröjning, kostnad och ibland hur prompter fungerar. En praktisk guide till att välja dem utifrån utvärderingar i stället för föreställningar.

12 min läsning

Kontextutveckling: hantera fönster med 1 miljon token utan kontextförfall

Kontextfönster med 1 miljon token finns, men kvaliteten försämras långt före gränsen. Kontextutveckling är disciplinen att använda kontextfönster effektivt – vad som ska tas med, sammanfattas eller hämtas på nytt, samt mönstren som håller kvaliteten hög när kontexten växer.

Mer i detta ämne

10 min läsning

Tankekedjor, självkritik och tanketräd – när du ska använda vad

Tre resonemangstekniker som kan förbättra AI-resultat för svåra problem – och avvägningen mellan kostnad och nytta. Med konkreta prompter, jämförelser sida vid sida och fallgroparna som moderna resonemangsmodeller medför.

12 min läsning

Välj mellan promptning, RAG och finjustering (och när de bör kombineras)

Promptning, RAG och finjustering är de tre stora verktygen för att anpassa LLM-modeller till ditt problem. Var och en passar vissa problem och är fel för andra. Ett ramverk för valet, de realistiska kostnaderna och de produktionsmönster där kombinationer ger bäst resultat.

12 min läsning

Utforma prompter för produktion: system-, utvecklar- och användarlager

Ett styrningsmönster för att skilja betrodda instruktioner, körningsdata och användarindata åt och sedan versionshantera, utvärdera, driftsätta och observera prompter i proportion till risken.

7 min läsning

Välj rätt modell för uppgiften: en snabbguide för 2026

Vilken modell du bör välja för olika typer av uppgifter. GPT, Claude, Gemini, resonemangsvarianterna och alternativen med öppna vikter – med beslutsregler och exempel från mitten av 2026, inte en tidlös rangordning.

Nybörjare

13 min läsning

Strukturerade utdata och funktionsanrop: produktionsmönstren

Strukturerade utdata och funktionsanrop är bron från ”en LLM som genererar text” till ”ett system som utför arbete”. I produktion handlar de viktiga mönstren om scheman, felhantering, idempotens och kontrollerad degradering – inte bara JSON-läge.

29 minuter

Tree of Thoughts: avsiktlig problemlösning med stora språkmodeller (fullständig genomgång av forskningsartikeln)

Yannic Kilcher. Yannic går igenom den ursprungliga forskningsartikeln om Tree of Thoughts från Princeton/DeepMind – loopen generera, poängsätt, gallra och backa, varför den höjer träffsäkerheten i Game of 24 från 4 % till 74 % och var tekniken slutar vara värd sin 10× högre tokenkostnad. Den är användbar just för att den tvingar dig att se ToT som en sökalgoritm, inte som ett magiskt prefix till en prompt.

25 minuter

Promptning 101 | Code w/ Claude

Anthropic. Två medlemmar i Anthropics Applied AI-team bygger en verklig prompt direkt i videon och lägger successivt till en roll, strukturerade avsnitt och uttryckliga tankesteg. Det är YouTubes mest trovärdiga demonstration av hur man använder tankekedjor utan att göra tekniken till en ritual, och den konkretiserar artikelns poäng om att sluta klistra in ”Let's think step by step” i allt.

22 minuter

Kontextutveckling för agenter

LangChain. Lance Martins ramverk – skriva, välja, komprimera och isolera – med konkreta exempel på när en åtgärdshistorik ska sammanfattas, när tillstånd ska flyttas till filer och när underagenter ska startas enbart för att skydda den överordnade agentens kontext. Det motsvarar nästan exakt artikelns avsnitt om hur kontextfönster med 1 miljon token hanteras i praktiken.

8 minuter

Kontextförfall: så påverkar fler token i indata en LLM:s prestanda

Chroma. Kelly Hong går igenom Chromas forskning om 18 modeller: varför resultat från nålen-i-höstacken-tester är missvisande, hur prestandan försämras av tvetydighet och distraherande information samt varför till och med enkla uppgifter med upprepning av strängar försämras efter 500 token. Videon är kort, evidensbaserad och ger exakt det argument som artikeln behöver för att du ska ta problemet på allvar innan den går vidare till de tekniska åtgärderna.

3 minuter

Så byggdes OpenAI o1

OpenAI. Den tre minuter långa förstahandsvideon dokumenterar hur OpenAI-teamet presenterade o1 vid lanseringen. Den är användbar för att förstå kategorins historia, men fastställer inte hur aktuella modeller fungerar internt eller vilket promptmönster som presterar bäst hos en annan leverantör eller för en annan uppgift.

28 minuter

o1 – vad är det som händer? Varför o1 är ett tredje modellparadigm samt 10 saker du kanske inte känner till

AI Explained. Videon ger en oberoende förklaring av den tidiga inramningen av o1 och dess följder för promptning. Den är användbar som historiskt sammanhang, men påståenden om o1 ska inte automatiskt utsträckas till senare OpenAI-modeller, R1, Claudes tänkandelägen eller andra leverantörer.

9 minuter

RAG kontra finjustering

IBM Technology. Ett mer avgränsat fokus på de två tekniker som team oftast blandar ihop. Videon går djupare in på datas aktualitet, källhänvisningar och argumentet att finjustering kan ge snabbare inferens. Den är värd att se om du specifikt försöker argumentera mot ett onödigt finjusteringsprojekt.

13 minuter

RAG kontra finjustering kontra promptutformning: optimera AI-modeller

IBM Technology. En tydlig whiteboardgenomgång av alla tre teknikerna och deras respektive kostnader: latens vid informationshämtning, beräkningskostnaden för träning och katastrofal glömska samt begränsningarna med lösningar som enbart bygger på prompter. Den tar också upp de kombinationer som faktiskt är rimliga i produktion. Det avslutande exemplet, där ett juridiskt AI-system använder alla tre teknikerna, motsvarar nästan exakt artikelns argument om när de bör kombineras.

77 minuter

Promptteknik för AI: en djupdykning

Anthropic. Fyra promptingenjörer på Anthropic – inom forskning, anpassning, tillämpning och utvecklarrelationer – talar utförligt om vad de faktiskt gör till vardags: hur de redigerar prompter under press, hur de ser på ”ärlighet” i instruktioner, när XML-strukturer hjälper och när de inte gör det. Artikelns lagermodell stämmer väl överens med hur de beskriver arbetet. Det här är det bästa sättet att höra den mentala modellen formuleras högt.

25 minuter

Promptning 101 | Code w/ Claude

Anthropic. En direktsänd byggsession där Anthropics Applied AI-team arbetar med en prompt för försäkringsanspråk. De börjar med en vag instruktion och itererar fram något som en utvecklare faktiskt skulle driftsätta, vilket visar den typ av ändringar i system- och utvecklarlagren som artikeln beskriver. Se den innan du läser om artikelns checklista för exempel, utdatastruktur och hantering av vägran.

10 minuter

Den bästa ChatGPT-prompt jag någonsin har skapat – jag ägnade 2 månader åt att ta fram den här prompten som skriver prompter

Lawton Learns. Videon demonstrerar en C.R.A.F.T.-metaprompt (Context, Role, Action, Format, Target audience). Den är en användbar kandidat för att testa hur en prompt som skapar prompter beter sig, men resultaten garanteras inte vara konsekventa, korrekta eller lämpliga för teamets användningsområden.

20 minuter

Googles 9 timmar långa kurs i promptteknik på 20 minuter

Tina Huang. Tina presenterar ett ramverk i fem delar med uppgift, sammanhang, referenser, utvärdering och iteration samt fyra namngivna sätt att iterera. Delarna kan hjälpa dig utforma ett kandidatschema, men exemplen om agenter och resonemangskedjor speglar kursens tid och sammanhang. Testa varje mönster du hämtar på representativa fall innan det läggs till i ett godkänt bibliotek.

41 minuter

OpenAI DevDay 2024 | Strukturerade utdata för tillförlitliga applikationer

OpenAI. Går igenom `strict: true`, skillnaden mot det gamla JSON-läget, hantering av vägran och hur funktionsanrop kombineras med scheman för svarsformat. Den är användbar just för att den beskriver det avtal som API:et ger dig, vilket är grunden för artikelns produktionsmönster.

18 minuter

Pydantic är allt du behöver: Jason Liu

AI Engineer. Föredraget som utkristalliserade det moderna mönstret ”definiera en Pydantic-modell, ge den till LLM:en och låt valideringen sköta resten”, med konkreta exempel på nästlade objekt, validerare som upptäcker hallucinerade URL:er och Chain-of-Thought som ett typat fält. Se den innan du läser om artikelns avsnitt om validerare, så kommer du att känna igen varifrån reglerna för nya försök och vägran kommer.