11 regler för att skriva bättre prompts till AI-agenter

För två veckor sedan höll jag nästan på att bli sjuk när jag skrev en artikel om hur man skrapar produkter från en e-handelssajt.

Här är anledningen: Jag försökte skrapa produkter från e-handelssajten GymShark med ett prompt-ramverk för dataklassificering och redigering som jag hade skapat för AI Assistants i Datablist. Till en början fungerade det, men datan sorterades inte korrekt, vilket gjorde hela datasetet oanvändbart.

Det var då jag insåg att olika AI-system och användningsområden kräver olika prompts.

När små detaljer i en prompt kan göra enorm skillnad innebär 5 % missade detaljer att resultatet kan bli oanvändbart.

Nu kör vi!

Om du behöver en promptmall för AI-agenter börjar du med input, källan som ska granskas, de exakta output-fälten och vad agenten ska göra när underlag saknas. För en lista med företagsresearch kan en kort och användbar prompt se ut så här:

För varje rad använder du värdet i Company Website för att granska företagets egen webbplats. Returnera Industry, Evidence URL och Status. Använd Not found om du inte kan verifiera branschen. Gissa inte utifrån företagsnamnet. Koppla resultatet till den ursprungliga raden så att jag kan granska osäkra resultat.

Det ger agenten både en källa och ett tydligt output-kontrakt. Testa först prompten på några varierade rader, kontrollera länkarna till underlaget och justera sedan instruktionerna innan du kör hela listan. Den detaljerade mallen längre ned visar hur du kan bygga vidare på upplägget för research i flera steg.

Artikelns viktigaste lärdomar:

• Datablists AI Agents kan söka på Google, besöka webbplatser, anropa API:er och mycket mer
• En bra prompt gör stor skillnad när du använder en AI-agent
• Det blir enklare att skriva prompts för AI-agenter om du följer våra rekommendationer
• Datablist erbjuder promptmallar, men det bästa är ändå att lära sig grunderna

Datablists AI Agents och AI Assistants jämförda

För att förstå skillnaden mellan prompts för AI Agents och AI Assistants behöver vi först reda ut vad de två verktygen kan göra.

Här är två korta och enkla översikter:

AI Assistant

AI Assistants i Datablist är utformade för att läsa, klassificera, extrahera, redigera och generera text och kod.

AI Agent

AI Agents i Datablist är AI-system utrustade med verktyg som kan göra Google-sökningar, rendera HTML-kod, navigera mellan flera sidor, anropa API:er samt besöka och hämta resultat från Google News, webbplatser, e-handelsbutiker med mera.

💡 Enkelt och smidigt

Tänk på AI Agents som systemet som hanterar extern data och AI Assistant som systemet som arbetar med datan i din Datablist-samling.

Vad Datablists AI Agents kan göra

När du ska skriva en effektiv prompt för en AI Agent är det bra att först gå igenom agentens verktyg och funktioner. Den kan:

• Söka på Google
• Söka i Google News
• Extrahera och generera text eller kod
• Hämta kontoinformation
• Besöka en webbplats
• Bläddra mellan sidor på en webbplats
• Rendera HTML
• Anropa API:er

11 regler för prompts till AI Agents i Datablist

När du känner till de tillgängliga verktygen kan du använda följande regler för att göra prompten lättare att följa och resultaten enklare att granska. En tydlig prompt kan minska tvetydigheten, men den kan inte garantera korrekta svar. Reglerna är:

1. Se prompten som en vägkarta: vägled agenten genom uppgiften i stället för att bara kräva ett resultat och förvänta dig att det ska fungera.
2. Börja alltid med målet och ge relevant bakgrund.
3. Märk upp varje del av prompten så att agenten lättare kan tolka innehållet och skilja åtgärder och kommandon åt.
4. Använd tydliga kommandon för agentens verktyg, till exempel ”sök på Google”, ”extrahera text” och ”hämta HTML-kod”.
5. Märk upp output-fälten och ge konkreta exempel, eftersom de blir grunden för din output-konfiguration.
6. Om du skrapar något specifikt ska du tala om var på webbplatsen informationen brukar finnas.
7. Använd avgränsare mellan promptens delar (.===) för att skapa en tydlig struktur.
8. Ange vilka misstag agenten ska undvika.
9. Definiera hur fel och saknade data ska hanteras.
10. Förbättra dina prompts stegvis och skyll inte dåliga resultat på AI-agenten (det gjorde jag förr).
11. Lägg alltid kolumnen som agenten ska hämta data från sist.

Genom att följa dessa riktlinjer och best practices för AI Agent-prompts sparar du både credits och mycket tid som annars skulle gå åt till att justera prompten.

📘 Bra prompts spelar roll

AI-agenten fungerar även om du inte följer någon av reglerna ovan. Men om du använder dem blir resultaten betydligt bättre, eftersom promptens struktur verkligen gör skillnad.

Exempel på AI Agent-prompts: bra kontra dålig

AI Agent-prompt: bra exempel

Titta först på den bra prompten och jämför den sedan med den dåliga.

Det här är en prompt som jag nyligen skrev för att skrapa produkter från en e-handelssajt.

Låt oss gå igenom varför det här är en bra prompt:

1. Den börjar med ett specifikt, tydligt definierat mål och relevant bakgrund
2. Prompten innehåller flera uppmärkta avsnitt, vilket gör den lättare för AI:n att förstå
3. Jag använde tydliga kommandon med handlingsinriktade verb
4. Kommandona följer en tydlig ordning
5. Jag beskrev vad jag letade efter och gav exempel
6. Jag förklarade hur agenten skulle hantera inkonsekventa data och fel
7. Den anger specifika misstag som agenten ska undvika
8. Avsnitten är tydligt separerade med .===
9. Prompten är välstrukturerad och leder AI:n genom uppgiften
10. Jag lade kolumnen med källdatan sist

AI Agent-prompt: dåligt exempel

Till dig som tror att jag bara är en teknikperson som kan skriva bra prompts kommer sanningen här: För det första kan jag inte programmera. För det andra såg min prompt tidigare ut så här:

Ja, vissa skulle kanske fortfarande kalla den bra, men det är den inte – resultaten blev nämligen inte alls bra.

I det här exemplet gick mycket fel. Prompten ser avancerad ut, men både den och resultaten är oanvändbara. Här är misstagen jag gjorde och hur du kan undvika dem:

Orsak 1: Halvdan struktur

Prompten saknar ett tydligt flöde och en genomtänkt struktur.

Så undviker du det:

Dela upp målet i konkreta steg, precis som om du skulle förklara uppgiften för någon annan. Till exempel:

• Besök först webbplatsen.
• Leta sedan efter produktsektionen.
• Extrahera slutligen priset.

Orsak 2: Otydliga etiketter

Etiketterna och avsnitten är inte tillräckligt specifika.

Så undviker du det:

Använd ett tydligt och vardagligt språk för avsnittens etiketter. Skriv ”Product Information to Extract” i stället för ”Data Parameters”. Skriv ”Website URLs to Process” i stället för ”Input”.

Orsak 3: Ostrukturerad output och få exempel

Dataformatet och exemplen på förväntad output är inte tydligt definierade.

Så undviker du det:

Ta alltid med både datastrukturen, gärna som en numrerad lista, och två till tre konkreta exempel på önskad output.

Exempel:

1. Produktnamn: Nike Air Max; Adidas Ultraboost; Puma RS-X;
2. Pris: 120 USD; 180 USD; 110 USD;
3. Färg: Svart; Cloud White; High Risk Red;
4. Storlek: US 9; US 10.5; US 8;
5. Material: Mesh och syntet; Primeknit; Läder och mesh;

Orsak 4: Ingen tydlig ordningsföljd

Åtgärderna presenteras inte i en logisk ordning.

Så undviker du det:

Skriv stegen som om du gav vägbeskrivningar till en vän: ”Gör först det här och sedan det där”.

Exempel:

1. Öppna webbplatsen;
2. Hitta produktsektionen;
3. Extrahera datan

De 3 vanligaste misstagen med AI-agenter

Sedan jag började på Datablist.com har jag haft många samtal med kunder som velat använda vår AI Agent. Under samtalen har jag sett ett tydligt mönster av återkommande misstag – så se till att du inte gör dem.

• Att inte vilja skriva en ordentlig prompt: Vissa tror att AI:n ska förstå vad de tänker utan att de behöver förklara det. De vill spara tid, men tycker samtidigt att det låter konstigt att lägga tid på något som ska spara tid – gör inte som dem.

• Att ge för vaga instruktioner: Skriv inte bara ”hämta produktinformation”. Ange exakt vilka datapunkter du behöver, till exempel ”extrahera produktnamn, pris i USD och tillgängliga storlekar från avsnittet med produktdetaljer”.

• Att glömma felhantering: Prompten bör innehålla instruktioner för saknade data och oväntade situationer, till exempel ”om priset saknas, ange N/A”.

Hur mycket tid bör du lägga på att skriva prompts?

Fundera på vilket värde arbetsflödet ger och hur mycket tid det kommer att spara.

Själv lägger jag mycket tid på att skriva prompts, både för egen del och för att hjälpa våra användare.

När jag använder Grok lägger jag inte 30 minuter på att skriva en prompt. Jag börjar helt enkelt med en första fråga och förbättrar den stegvis, eftersom jag inte ber verktyget om särskilt avancerade saker. Men när jag skriver en prompt för personalisering av e-post eller datarensning tar jag mig tid. Det gör att jag slipper lägga lika mycket tid på att hitta problem, justera prompten och försöka igen senare.

Harrison Chase, grundare av LangChain: ”Jag tror inte att vi riktigt har hittat det rätta sättet att interagera med de här agentapplikationerna. Jag tror att en människa fortfarande behöver finnas med i processen eftersom de inte är särskilt tillförlitliga. Men om människan är inblandad för mycket gör applikationen egentligen inte särskilt mycket nytta. Så det finns en lite märklig balans där.”

Min redigerbara promptmall för AI Agents med exempel

Kopiera mallen och ersätt varje platshållare med din egen input, källa och dina output-fält. Lägg till en länk till underlaget när svaret kommer från en webbplats. Kör den på några rader och kontrollera både lyckade resultat och resultat där data saknas innan du använder den i stor skala.

Så här ser ramverket ut för skrapning av e-handel:

Så här ser ramverket ut för medierelaterad research:

Testa prompten innan du kör hela listan

Även en välstrukturerad prompt behöver testas på ett urval. Behåll ursprunglig input bredvid output-fälten så att du kan kontrollera att varje resultat hör till rätt rad. Vid webbresearch bör du öppna den returnerade sidan med underlaget och kontrollera det specifika värde som den styrker.

Välj några varierade rader och använd följande acceptanskriterier:

Om en kontroll misslyckas ändrar du den relevanta instruktionen och kör samma urval igen. Då blir det enklare att se vilken effekt ändringen får. Ta med rader där data saknas när du testar och godkänn statusen för saknade data när det inte finns någon källa som styrker ett värde.

I mallarna ligger radspecifik input under tydliga #-etiketter sist. Ersätt denna input med dina mappade värden. Ett kolumnnamn i sig ger inte agenten tillgång till värdet på den aktuella raden. När du anpassar mallen ska de fasta instruktionerna för uppgiften ligga ovanför input-blocket.

Vanliga frågor om att skriva AI-prompts

1. Måste jag verkligen lägga tid på prompts?

Det kan verka tidskrävande, men tydliga prompts är avgörande för att få korrekta resultat. Vaga instruktioner ger vaga svar, vilket i längden kostar mer tid genom fler justeringar och korrigeringar.

2. Vad skiljer en bra prompt från en dålig?

En bra prompt har en tydlig struktur, konkreta instruktioner, exempel på önskad output och riktlinjer för felhantering. Dåliga prompts är vaga och ostrukturerade, saknar exempel och tar inte hänsyn till möjliga fel eller inkonsekvenser.

3. Finns det en enkel promptmall jag kan följa?

Ja, artikeln innehåller en mall med fem huvuddelar: mål, instruktioner för uppgiften, information att extrahera, regler för datahantering och misstag att undvika. Varje del ska separeras tydligt med ===.

4. Hur detaljerade bör exemplen i prompten vara?

Exemplen bör vara konkreta och täcka olika situationer som kan uppstå. När du extraherar produktinformation kan du till exempel ta med olika format, valutor och måttenheter som du förväntar dig att se.

5. Vilken del av prompten får jag inte hoppa över?

Felhantering och avsnittet ”Misstag att undvika” är avgörande. De förebygger vanliga problem och ger konsekvent output även när agenten stöter på oväntade data eller situationer.