11 regler for bedre prompter til AI-agenter

For to uker siden holdt jeg på å bli syk mens jeg skrev en artikkel om hvordan man henter produktdata fra en nettbutikk.

Her er grunnen: Jeg prøvde å hente produkter fra nettbutikken Gymshark ved hjelp av et prompt-rammeverk for dataklassifisering og redigering som jeg hadde laget for AI-assistentene i Datablist. Først så det ut til å fungere, men dataene ble ikke sortert riktig. Dermed ble hele datasettet ubrukelig.

Det var da jeg innså at ulike AI-systemer og bruksområder krever ulike prompter.

Når små detaljer i en prompt kan utgjøre en enorm forskjell, kan de fem prosentene du utelater, gjøre resultatet ubrukelig.

La oss komme i gang!

Hvis du trenger en prompt-mal for AI-agenter, bør du begynne med inputen, kilden som skal undersøkes, de nøyaktige output-feltene og hva agenten skal gjøre når den ikke finner dokumentasjon. For en liste som skal brukes til bedriftsresearch, kan du bruke denne korte prompten:

For hver rad bruker du verdien i Company Website til å undersøke selskapets eget nettsted. Returner Industry, Evidence URL og Status. Bruk Not found når du ikke kan bekrefte bransjen. Ikke gjett ut fra selskapsnavnet. Knytt resultatet til den opprinnelige raden, slik at jeg kan kontrollere usikre resultater.

Dette gir agenten både en kilde og en tydelig output-kontrakt. Test prompten på noen få varierte rader først, kontroller dokumentasjonslenkene og juster deretter instruksjonene før du kjører hele listen. Den detaljerte malen nedenfor viser hvordan du kan utvide dette mønsteret til research med flere trinn.

Dette lærer du i artikkelen:

• Datablists AI-agenter kan søke på Google, besøke nettsteder, kalle API-er og mye mer
• En god prompt utgjør en enorm forskjell når du bruker en AI-agent
• Det blir enklere å skrive prompter for AI-agenter når du følger anbefalte metoder
• Datablist tilbyr prompt-maler, men det beste er likevel å lære hvordan du skriver dem selv

Datablists AI Agents og AI Assistants sammenlignet

For å forstå forskjellen mellom å skrive prompter for AI Agents og AI Assistants må vi først se nærmere på hva de to kan gjøre.

Her er to korte og enkle oversikter over funksjonene deres:

AI Assistant

AI Assistants i Datablist er utviklet for å lese, klassifisere, trekke ut, redigere og generere tekst og kode.

AI Agent

AI Agents i Datablist er AI-systemer utstyrt med verktøy som lar dem søke på Google, rendre HTML-kode, navigere gjennom flere sider, kalle API-er samt besøke og hente resultater fra Google News, nettsteder, nettbutikker og mer.

💡 Enkelt og greit

Tenk på AI Agents som systemet som arbeider med eksterne data, og AI Assistant som systemet som arbeider med dataene i Datablist-samlingen din.

Dette kan Datablists AI Agents gjøre

Når vi skal skrive en effektiv prompt for AI Agents, er det nyttig å oppsummere verktøyene og funksjonene agenten har tilgang til:

• Søke på Google
• Søke i Google News
• Trekke ut og generere tekst eller kode
• Hente kontoinformasjon
• Besøke et nettsted
• Bla gjennom flere sider på et nettsted
• Rendre HTML
• Kalle API-er

11 regler for bedre prompter til AI Agents i Datablist

Når du kjenner verktøyene som er tilgjengelige, kan du bruke disse reglene for å gjøre prompten enklere å følge og resultatene enklere å kontrollere. En tydelig prompt kan redusere uklarheter, men kan ikke garantere korrekte svar. Dette er reglene:

1. Behandle prompten som et veikart: Veiled agenten gjennom oppgaven i stedet for bare å kreve et resultat og forvente at alt fungerer.
2. Begynn alltid med målet ditt, og gi relevant kontekst.
3. Merk hver del av prompten, slik at agenten lettere kan tolke teksten og skille handlingene og kommandoene fra hverandre.
4. Bruk tydelige kommandoer for å aktivere verktøyene til AI-agenten, for eksempel «søk på Google», «trekk ut tekst» og «hent HTML-kode».
5. Merk output-feltene og gi konkrete eksempler. Disse danner grunnlaget for output-konfigurasjonen.
6. Hvis du skal hente bestemte data, bør du fortelle hvor på nettstedet informasjonen vanligvis finnes.
7. Bruk skilletegn mellom delene av prompten (.===) for å gi den en tydelig struktur.
8. Fortell hvilke feil agenten skal unngå.
9. Definer hvordan feil og manglende data skal håndteres.
10. Forbedre promptene gjennom flere iterasjoner, og ikke klandre AI-agenten for dårlige resultater (det gjorde jeg før).
11. Legg alltid til kolonnen agenten skal hente data fra, helt til slutt.

Ved å følge disse retningslinjene og anbefalte metodene for AI-agentprompter sparer du både credits og mye tid på å justere promptene.

📘 Gode prompter er avgjørende

AI-agenten fungerer også hvis du ikke følger reglene ovenfor. Resultatene blir imidlertid langt bedre når du gjør det, fordi strukturen i prompten faktisk utgjør en stor forskjell.

Eksempler på AI-agentprompter: god og dårlig prompt

AI-agentprompt: Et godt eksempel

Se først på den gode prompten, og sammenlign den deretter med den dårlige.

Dette er en prompt jeg nylig skrev for å hente produkter fra en nettbutikk.

La oss se nærmere på hvorfor dette er en god prompt:

1. Den begynner med et konkret og tydelig definert mål og relevant kontekst
2. Prompten har flere merkede deler, noe som gjør den enkel for AI-en å forstå
3. Jeg brukte tydelige kommandoer med handlingsorienterte verb
4. Kommandoene følger en klar rekkefølge
5. Jeg beskrev hva jeg lette etter, og ga eksempler
6. Jeg forklarte hvordan avvik i dataene og feil skulle håndteres
7. Den beskriver konkrete feil som skal unngås
8. Delene er tydelig adskilt med .===
9. Prompten er godt strukturert og veileder AI-en gjennom oppgaven
10. Jeg koblet til kolonnen med kildedata helt til slutt

AI-agentprompt: Et dårlig eksempel

Til dere som tror at jeg bare er en teknisk fyr som alltid har visst hvordan man skriver gode prompter: Sannheten er at jeg for det første ikke kan kode, og for det andre så prompten min slik ut tidligere:

Ja, noen vil kanskje fortsatt mene at denne er god. Det er den ikke, for resultatene var slett ikke gode.

Mye gikk galt i dette eksempelet. Selv om prompten ser avansert ut, er både den og resultatene ubrukelige. Her er feilene jeg gjorde, og hvordan du kan unngå dem:

Årsak nr. 1: Middelmådig struktur

Prompten mangler en tydelig flyt og god organisering.

Slik unngår du det:

Del målet opp i konkrete trinn, som om du skulle forklare oppgaven til en annen person. For eksempel:

• Besøk først nettstedet.
• Finn deretter produktseksjonen.
• Hent til slutt prisen.

Årsak nr. 2: Uklare merkelapper

Merkelappene og delene er ikke konkrete nok.

Slik unngår du det:

Bruk et tydelig og dagligdags språk når du navngir delene. Skriv «Product Information to Extract» i stedet for «Data Parameters». Skriv «Website URLs to Process» i stedet for «Input».

Årsak nr. 3: Ustrukturert output uten eksempler

Dataformatet og eksemplene på forventet output er ikke tydelig definert.

Slik unngår du det:

Ta alltid med både datastrukturen i form av en nummerert liste og to til tre konkrete eksempler på ønsket output.

Eksempel:

1. Product Name: Nike Air Max; Adidas Ultraboost; Puma RS-X;
2. Price: $120; $180; $110;
3. Color: Black; Cloud White; High Risk Red;
4. Size: US 9; US 10.5; US 8;
5. Material: Mesh & Synthetic; Primeknit; Leather & Mesh;

Årsak nr. 4: Ingen tydelig rekkefølge

Handlingene står ikke i en logisk rekkefølge.

Slik unngår du det:

Skriv trinnene som om du forklarer veien til en venn: «Gjør først dette, og deretter dette.»

Eksempel:

1. Open the website;
2. Find the product section;
3. Extract the data

De tre vanligste feilene med AI-agenter

Siden jeg begynte i Datablist.com, har jeg hatt mange samtaler med kunder som ønsket å bruke AI-agenten. I disse samtalene har jeg sett et tydelig mønster i feilene mange gjør – så pass på at du ikke gjør de samme feilene.

• De vil ikke skrive en ordentlig prompt: Noen tror at AI-en forstår hva de tenker, uten at de trenger å forklare det. De vil spare tid, men synes merkelig nok at det er bortkastet å investere litt tid for å spare mye mer – ikke gjør som dem.

• Instruksjonene er for vage: I stedet for å skrive «hent produktinformasjon» bør du spesifisere nøyaktig hvilke datapunkter du trenger, for eksempel «hent produktnavnet, prisen i USD og tilgjengelige størrelser fra delen med produktdetaljer».

• De glemmer feilhåndtering: Prompten bør forklare hvordan manglende data og uventede situasjoner skal håndteres, for eksempel «hvis prisen ikke er tilgjengelig, markerer du feltet som ‘N/A’».

Hvor mye tid bør du bruke på å skrive prompter?

Tenk på hvor stor verdi denne arbeidsflyten gir deg, og hvor mye tid den kan spare.

Selv bruker jeg mye tid på å skrive prompter, både til eget bruk og for å hjelpe brukerne våre.

Når jeg bruker Grok, bruker jeg ikke 30 minutter på å skrive en prompt. Jeg starter med et enkelt spørsmål og forbedrer det underveis, siden oppgavene vanligvis ikke er spesielt avanserte. Når jeg skriver en prompt for personalisering av e-post eller datarensing, tar jeg meg derimot god tid. Det sparer meg for arbeidet med å finne feil, justere prompten og prøve på nytt senere.

Harrison Chase, grunnlegger av LangChain: «Jeg tror ikke vi helt har funnet den riktige måten å samhandle med disse agentapplikasjonene på. Jeg tror fortsatt det er nødvendig å ha et menneske i loopen, fordi de ikke er spesielt pålitelige. Men hvis mennesket må involveres for mye, gjør agenten egentlig ikke særlig mye nyttig arbeid. Det er altså en litt merkelig balansegang.»

Min redigerbare prompt-mal for AI-agenter

Kopier denne malen, og erstatt hver plassholder med din egen input, kilde og output-felter. Ta med en dokumentasjonslenke når svaret kommer fra et nettsted. Kjør prompten på noen få rader, og kontroller både vellykkede resultater og manglende data før du bruker den i stor skala.

Her er rammeverket brukt til å hente data fra en nettbutikk:

Her er rammeverket brukt til medierelatert research:

Test prompten før du kjører hele listen

Selv en godt strukturert prompt må testes på et utvalg. Behold den opprinnelige inputen ved siden av output-feltene, slik at du kan kontrollere at hvert resultat tilhører riktig rad. Ved research på nettsteder bør du åpne dokumentasjonssiden som returneres, og kontrollere den konkrete verdien den skal bekrefte.

Velg noen varierte rader, og bruk disse akseptansekriteriene:

Hvis en kontroll mislykkes, endrer du den relevante instruksjonen og kjører det samme utvalget på nytt. Da blir det enklere å se effekten av endringen. Ta med rader med manglende data i testen, og godta statusen for manglende data når ingen kilde dokumenterer en verdi.

Malene plasserer radspesifikke inputverdier under tydelige #-merkelapper til slutt. Erstatt disse inputverdiene med verdiene du har koblet til. Et kolonnenavn alene gir ikke agenten tilgang til verdien på den aktuelle raden. Når du tilpasser malen, bør de faste oppgaveinstruksjonene stå over denne input-blokken.

Ofte stilte spørsmål om å skrive AI-prompter

1. Må jeg virkelig bruke tid på prompter? Kan jeg ikke bare spørre AI-en?

Det kan virke tidkrevende, men tydelige prompter er avgjørende for å få presise resultater. Vage instruksjoner gir vage resultater, noe som i lengden koster mer tid i form av nye iterasjoner og rettelser.

2. Hva skiller en god prompt fra en dårlig prompt?

En god prompt har en tydelig struktur, konkrete instruksjoner, eksempler på ønsket output og retningslinjer for feilhåndtering. Dårlige prompter er vage og ustrukturerte, mangler eksempler og tar ikke høyde for mulige feil eller avvik.

3. Finnes det en enkel mal for å skrive prompter?

Ja. Artikkelen inneholder en mal med fem hoveddeler: mål, oppgaveinstruksjoner, informasjon som skal hentes, regler for databehandling og feil som skal unngås. Hver del bør skilles tydelig med ===.

4. Hvor detaljerte bør eksemplene i prompten være?

Eksemplene bør være konkrete og dekke forskjellige situasjoner du kan møte. Når du henter produktinformasjon, bør du for eksempel vise ulike formater, valutaer eller måleenheter du forventer å finne.

5. Hva er den viktigste delen av en prompt?

Delene om feilhåndtering og feil som skal unngås er avgjørende. De forebygger vanlige problemer og sikrer konsistent output, også når agenten møter uventede data eller situasjoner.