Sådan skriver du AI-prompts til analyse og klassificering

Når du skriver en AI-prompt til dataanalyse eller klassificering, skal du definere beslutningen, opstille tydelige kriterier, adskille de enkelte datakilder og angive outputkolonnerne. Tilføj en regel for manglende eller modstridende oplysninger, så modellen kan returnere Ukendt i stedet for at gætte.

I denne guide bruger jeg klassificering af virksomheder som eksempel: Ud fra en virksomhedsbeskrivelse og tekst hentet fra dens website skal modellen afgøre, om virksomheden sælger HR-ydelser til andre virksomheder, og give en kort begrundelse. Det giver dig både et resultat, du kan filtrere efter, og en begrundelse, du kan sammenholde med inputtet.

Hvis du mangler virksomhedsbeskrivelser til dine tests, indeholder den historiske French Tech Next40/120 CSV navne, websites og beskrivelser. Knyt kolonnen Description til {{company_about}}, og lad {{Website Texts}} være tom, medmindre du henter sideteksten separat.

En tydeligere prompt gør resultaterne nemmere at kontrollere. Test både manglende dokumentation og forkerte klassificeringer. Afprøv repræsentative rækker, før du kører prompten på hele dit datasæt.

I denne guide gennemgår vi følgende emner:

1. Hvad er en prompt?
2. Eksempler på prompts
3. Hvem er guiden til?
4. Derfor er gode prompts vigtige
5. Sådan ser en dårlig prompt ud
6. Promptens opbygning og implementering

Hvad er en prompt?

Det korte svar: En prompt er det input, du giver en AI for at få et bestemt output.

Lad dig ikke forvirre, hvis du har læst andre artikler med lange forklaringer på, hvad en prompt er. I virkeligheden er en prompt ikke svær at definere.

Det svære er at skrive en god prompt. Men før jeg viser dig hvordan, får du tre eksempler på prompts.

Hvem er guiden til?

At skrive effektive prompts er en udfordring, som de fleste møder på et tidspunkt i deres karriere.

Derfor er guiden ikke skrevet til en bestemt branche eller rolle, men til alle, der arbejder med data og automatisering. Vi fokuserer specifikt på prompts, der hjælper dig med effektivt at redigere, analysere og rense store datasæt, uanset om du er studerende eller en erfaren fagperson.

Eksemplerne bruger Datablist til at anvende en prompt på regnearksrækker og skrive resultaterne til separate properties.

Derfor er gode prompts vigtige

En model har brug for de samme beslutningsregler, som en kollega skulle bruge for at klassificere den samme række. Tydelige instruktioner mindsker tvetydigheden, men ufuldstændige input og modelfejl kræver stadig, at resultaterne bliver gennemgået.

Sådan ser en dårlig prompt ud

Derfor er prompten dårlig:

• Ingen strukturerede instruktioner: Kravene er spredt ud over teksten uden en klar opbygning.
• Ingen tydelige afsnit eller separatorer: AI'en skal afkode en mur af tekst uden logiske skel.
• Input uden labels: Virksomhedsbeskrivelsen og websiteteksten har ingen klare grænser, så det er svært at se deres respektive funktioner.
• Uformelt sprog: Formuleringer som "ting" og "btw" skaber tvetydighed.

Sådan fortolker AI'en prompten

Her er et eksempel, hvor værdierne fra rækken er indsat direkte. Datablist kan omskrive inline-variabler til en separat Variables-sektion, men labels gør det stadig nemmere at identificere hver kilde.

Når inputværdier blandes ind i en uformel instruktion, bliver det sværere at se, hvor opgaven slutter, og dokumentationen begynder.

Her går det galt:

1. Uklare grænser mellem input: De to kilder flyder sammen med instruktionerne omkring dem.
2. Udefinerede labels: Prompten fortæller ikke, hvad modellen skal returnere, hvis der mangler dokumentation, eller virksomheden beskæftiger sig med flere forskellige områder.

👉 Med det på plads kan vi se nærmere på, hvordan en god prompt ser ud, og hvordan du skriver den.

3 eksempler på prompts

En prompt med én kommando

I sin enkleste form kan en prompt være en kommando som:

En prompt som spørgsmål

En prompt kan være et enkelt spørgsmål som:

Struktureret klassificeringsprompt med markerede input

En prompt kan også bestå af mere detaljerede instruktioner, der kan redigere, analysere eller rense dine data, så du eksempelvis kan personalisere cold emails, analysere kundefeedback eller rydde op i virksomhedsnavne.

Jeg bruger sektioner med labels til at adskille regler, outputkrav og inputdata. XML-lignende tags er én mulighed, især når en prompt kombinerer flere dokumenter. Anthropics prompting-guide anbefaler beskrivende tags til denne opdeling. Almindelige sektionsoverskrifter kan også gøre en kort prompt nem at gennemgå.

Her er en klassificeringsprompt, du kan kopiere. Den har en eksplicit tredje label til tilfælde, hvor der mangler dokumentation:

Eksempelvis understøtter “Vi leverer lønsoftware til arbejdsgivere” resultatet Ja. “Vi udvikler regnskabssoftware og søger ingeniører” understøtter Nej. En tom beskrivelse understøtter Ukendt, selv hvis virksomhedens navn lyder HR-relateret. Det er illustrative forventede labels, ikke målte modelresultater.

Promptens opbygning og implementering

Skærmbillederne nedenfor viser den tidligere skabelonstruktur. Brug den samme opdeling mellem opgave, kriterier og data i den opdaterede klassificeringsprompt ovenfor, herunder dens outputfelter og regel for Ukendt.

Sådan er vores gode prompts bygget op

Når du ser på nogle af vores AI-promptskabeloner i Datablist.coms bibliotek med AI-prompts, vil du opdage, at næsten alle skabeloner består af sektioner, som hver har disse tre komponenter:

1. Tag: Fortæller AI'en, hvad sektionen handler om

2. Indhold: Indeholder instruktioner, der hjælper AI'en med at forstå og løse opgaven gennem:

   • Forklaring: Fortæller AI'en noget, den skal vide, eller giver den kontekst
   • Kommando: Fortæller AI'en, hvad den skal gøre, eller giver den en opgave

3. Afgrænsning: Overskrifter, separatorer eller parvise tags viser, hvor hver sektion begynder og slutter. Brug konsekvent de samme labels. En separator kan ikke kompensere for manglende beslutningsregler.

Til sidst har vi også placeholder properties:

• Kolonner, der erstattes med data, når prompten bruges.
• Disse placeholders bruges til at tilpasse prompten til hver post i et datasæt.

I vores prompt Job Title Categorizer bruger vi eksempelvis {{job_title}} som placeholder. Den erstattes med en faktisk jobtitel fra datasættet, når hver post behandles.

Gennemgang af min prompt og implementeringstrin

Bemærk: HR-virksomheder er ikke vores ICP ("Ideal Customer Profile") — vi bruger dem kun som eksempel.

Første trin: Kontekst

Da jeg gav AI'en kontekst, gjorde jeg tre vigtige ting:

• Forklarede, hvilke data AI'en ville modtage, uden at afsløre de konkrete målretningskriterier
  • Det præsenterer datakilderne før klassificeringsreglerne
• Forklarede konteksten omkring dataene og beskrev det konkrete problem
  • Det hjælper AI'en med at forstå, hvad den arbejder med
• Beskrev min konkrete situation
  • Det gør AI'en i stand til at tilpasse sin tilgang til mine behov

Det skal du gøre, når du skriver din prompt:

• Fortæl AI'en om de data, du vil give den
• Beskriv dit problem
• Brug separatorer (===)

Andet trin: Opgave eller kommando

I denne del af prompten gjorde jeg to afgørende ting:

• Styrede AI'ens fokus med tagget "Det vil jeg have dig til at gøre", så den ved, hvad det næste afsnit handler om
• Gav kun en overordnet beskrivelse af opgaven uden at nævne trinnene eller de data, den skulle lede efter. Det holder informationsstrømmen logisk

Det skal du gøre, når du skriver din prompt:

• Find først frem til opgavens eller kommandoens primære formål.
• Brug derefter separatorer (===)

Hvis du har flere lignende opgaver, bør du ikke forsøge at løse dem alle med én prompt. Det gør det meget svært for AI'en at håndtere dem og for dig at opdage mulige fejl.

Tredje trin: Instruktioner til kommandoen

Når jeg føjer instruktioner til en prompt, gør jeg følgende:

• Holder dem enkle og direkte
• Forklarer opgaven, som hvis jeg skulle lære nogen at udføre den manuelt
• Fokuserer på klare trin-for-trin-instruktioner

Hvis resultaterne er forkerte, skal du kontrollere inputteksten, beslutningskriterierne og outputkravene, før du omskriver prompten. Nogle fejl skyldes manglende dokumentation eller modellens begrænsninger. Flere instruktioner kan ikke fremskaffe en oplysning, der ikke findes.

Det skal du gøre, når du skriver din prompt:

• Lav en enkel trin-for-trin-instruktion med et klart og ligetil sprog
• Brug separatorer (===)

Fjerde trin: Forebyg fejl med ekstra kontekst – valgfrit

Dette trin giver AI'en yderligere kontekst, som er specifik for opgaven, så den bedre kan:

• Forstå opgavens nuancer
• Undgå typiske faldgruber
• Træffe bedre beslutninger

Ved at beskrive potentielle problemer og edge cases tydeligt opstiller vi rammer, der forhindrer AI'en i at gætte eller begå fejl.

Trinnet er ikke nødvendigt i alle prompts, men det er afgørende ved komplekse opgaver.

Det skal du gøre, når du skriver din prompt:

• Tænk over de typiske fejl, som juniorprofiler begår ved denne type opgave
• Beskriv fejlene i prompten, så AI'en bedre kan undgå dem
• Brug separatorer (===)

Femte trin: Målet for opgaven

Dette er de vigtigste ting, du skal medtage, når du beskriver dine forventninger i en prompt:

• Detaljeret kontekst om det ønskede resultat
• Konkrete forventninger til resultaterne
• Undgå at afsløre bias eller ønskede konklusioner, som kan påvirke analysen

Et naturligt og samtalepræget sprog giver typisk bedre resultater fra AI-systemer end teknisk fagsprog.

Det skal du gøre, når du skriver din prompt:

• Definér de konkrete resultater, du ønsker fra analysen eller opgaven
• Beskriv præcist, hvilke indikatorer eller signaler der er vigtigst
• Giv eksempler
• Brug separatorer (===)

Sjette trin: Kontekst om data – valgfrit

Når jeg føjer datakontekst til mine prompts, følger jeg disse regler:

• Understøtter fejlforebyggelsen med klare regler og en begrundelse
  • Eksempel på regel: "Vurder altid hele konteksten"
  • Begrundelse: "Enkelte indikatorer kan være misvisende"
• Tilføjer flere lag af kontekst
  • Mulige fejl, der skal undgås
  • Dataspecifikke problemer
  • Påmindelser, der er specifikke for opgaven

Det skal du gøre, når du skriver din prompt:

• Overvej, hvilke fejl AI'en kan begå, og bed den udtrykkeligt om at undgå netop disse fejl.
• Opdel informationen i logiske dele i stedet for at give det hele på én gang.
• Brug separatorer (===)

📘 Kort fortalt

Når du er eksplicit og ikke lader AI'en gætte sig til promptens betydning, kan du forebygge mange fejl.

Syvende trin: Sådan skal AI'en begynde

Det sidste trin handler om at give AI'en klare instruktioner til, hvordan den skal gå i gang. Jeg gjorde følgende:

• Holdt det enkelt og ligetil
  • Nummererede trinnene kronologisk
  • Brugte tydelige handlingsord som “læs, opret, afgør …”

Det skal du gøre, når du skriver din prompt:

• Giv klare startinstruktioner med nummererede trin
• Brug handlingsverber, så trinnene er lette at følge
• Hold instruktionerne enkle og direkte
• Brug separatorer (===)

Ottende trin: Placeholder-format – altid til sidst

Dette er det sidste trin i arbejdet med en effektiv prompt: Indsæt kolonner som placeholders.

Saml de faste instruktioner til opgaven, og placer derefter de rækkespecifikke input i sektioner med labels nederst i skabelonen. Det gør prompten nemmere at vedligeholde og gennemgå. Inputrækkefølgen alene sikrer ikke præcise resultater.

Det skal du gøre:

Brug dobbelte krøllede parenteser {{ }} til at tilføje data fra kolonnerne i dit regneark

Brug separatorer (===)

❗Vigtigt

Vælg de faktiske collection properties, når du indsætter variabler. Placer deres værdier i inputsektioner med labels, og gennemgå det genererede output, før du behandler hele listen.

Reglerne anvendt på et andet eksempel

Følgende M&A-scenarie viser, hvordan du kan strukturere en mere kompleks opgave. Det kræver præcise kriterier, før det kan bruges til scoring af virksomheder.

Eksempel på en forespørgsel:

Lad os skrive prompten!

Trin et

I dette trin giver vi AI'en den overordnede kontekst.

Trin to

Nu beskriver vi tydeligt de vigtigste mål for vores AI-assistent.

Trin tre

Her opdeler vi analysen i de konkrete trin, AI'en skal følge.

Trin fire

For at øge præcisionen beskriver vi nu mulige faldgruber og vigtige hensyn.

Trin fem

Nu definerer vi, hvordan et godt resultat ser ud, ved at opstille klare evalueringskriterier.

Trin seks

Nu tilføjer vi kontekst om fortolkning af data og branchespecifikke forhold.

Trin syv

Nu giver vi AI'en den præcise rækkefølge af handlinger, den skal følge for at begynde analysen.

Trin otte

Til sidst giver vi AI'en de data, den skal arbejde med.

Tilpas kriterierne og outputfelterne til din opgave. M&A-eksemplet kræver stadig eksplicitte grænseværdier for scoringen og en manuel gennemgang. En generel anmodning om at vurdere finansiel sundhed er ikke en defineret scoringsmodel.

Test prompten, før du behandler din CSV

I HR-eksemplet skal du aktivere Define outputs format og konfigurere HR Match og Reason som Text-outputs i Datablists Ask ChatGPT/OpenAI enrichment. Knyt hvert output til sin egen property. En Checkbox ville fjerne forskellen mellem Nej og Ukendt.

Begynd med et lille udvalg, der omfatter en HR-leverandør, en virksomhed i en anden branche, som nævner rekruttering, en tom beskrivelse, en virksomhed med flere forretningsområder og modstridende kildetekster. Skriv den forventede label for hver række, før du kører prompten. Sammenlign derefter både den returnerede label og begrundelsen med den oprindelige tekst.

Hvis et resultat afviger, skal du finde årsagen:

• En manglende kildeværdi kræver bedre inputdata eller resultatet Ukendt.
• En tvetydig virksomhedsbeskrivelse kræver en mere præcis regel for inklusion eller eksklusion.
• En begrundelse, som ikke understøttes af inputtet, kræver en rettelse og endnu en test.
• En uventet label kræver tydeligere outputregler eller en justering af outputkonfigurationen.

Test de samme cases igen, når du har revideret prompten. Gem nogle ekstra rækker til en separat kontrol, så du ikke kun optimerer efter de eksempler, du allerede har gennemgået. Hvis alle variabler er tomme, kan rækken blive sprunget over med en fejl i stedet for at blive sendt til modellen. Kontrollér derfor både kørselsfejl og klassificeringsresultater.

Følg denne arbejdsgang til enrichment af CSV-rækker, når du vil anvende den testede prompt på en større fil. Behold de oprindelige input-properties, så du kan gennemgå dem senere.

Konklusion

Begynd med én beslutning, eksplicitte kriterier og separate outputfelter. Giv kildeteksterne labels, tillad et resultat ved manglende dokumentation, og test prompten på både almindelige og vanskelige rækker, før du behandler hele din collection.

Ofte stillede spørgsmål om AI-prompts

Hvad er en god AI-prompt?

En god AI-prompt er klar, konkret og velstruktureret. Den indeholder kontekst om det ønskede resultat, præcise instruktioner til, hvordan opgaven skal løses, og det ønskede outputformat. Prompten bør være skrevet i et enkelt sprog uden tvetydige formuleringer, der kan føre til misforståelser.

Se vores eksempler på AI-prompts til leadgenerering.

Hvorfor virker mine ChatGPT-prompts ikke?

AI-prompts fungerer muligvis ikke effektivt på grund af:

• Uklare eller vage instruktioner
• For mange opgaver i én prompt
• Manglende kontekst eller baggrundsoplysninger
• Komplekst eller teknisk sprog
• Mangel på konkrete eksempler eller et ønsket outputformat

Hvordan skriver jeg AI-prompts, der giver bedre resultater?

Sådan skriver du effektive AI-prompts:

• Begynd med et klart mål
• Opdel komplekse opgaver i mindre trin
• Giv relevant kontekst og baggrund
• Angiv det ønskede outputformat
• Brug et enkelt og direkte sprog
• Medtag eksempler, når det er muligt

Hvad er de mest almindelige fejl i prompts?

Typiske fejl, når man skriver prompts, omfatter:

• At være for vag eller generel
• At overbelaste prompten med flere opgaver
• Ikke at give tilstrækkelig kontekst
• At bruge uklart eller tvetydigt sprog
• At antage, at AI'en forstår underforståede oplysninger
• Ikke at angive det ønskede outputformat

Hvor lang skal en AI-prompt være?

En AI-prompt skal være lang nok til at formidle alle væsentlige oplysninger, men ikke længere. Effektive prompts til enkle opgaver består typisk af nogle få sætninger eller et afsnit. Komplekse opgaver, der kræver detaljerede instruktioner og mere kontekst, kan kræve længere prompts. Det vigtigste er at være dækkende og samtidig præcis.

Hvad er prompt engineering?

Prompt engineering handler om at udforme og optimere input til AI-modeller, så de leverer så præcise og brugbare output som muligt. Det indebærer, at man forstår, hvordan AI-modeller fortolker instruktioner, strukturerer prompts effektivt og løbende forbedrer dem ud fra resultaterne.