Prompt Engineering – gebėjimas paversti dirbtinį intelektą iš įrankio mąstymo partneriu

1. Įžanga: kodėl užklausų rašymas tapo nauju pagrindiniu įgūdžiu?

Dar prieš kelerius metus dirbtinio intelekto naudojimas daugeliui skambėjo kaip technologijų specialistų vidinis reikalas. Dabar tai kasdienis darbo įrankis, kuris rašo juodraščius, analizuoja duomenis, padeda plėtoti idėjas, talkina programuojant, glaustai perteikia dokumentus, o kartais atstoja net buitinį psichologą, asmeninį trenerį ar papildomas rankas rinkodaros komandoje.

Tačiau greitai paaiškėjo viena: iš dirbtinio intelekto retai gausite didžiausią naudą, jei užduosite tik miglotą klausimą.

Čia praverčia Prompt Engineering – gebėjimas suformuluoti dirbtiniam intelektui skirtus nurodymus taip, kad atsakymai būtų kuo tikslesni, naudingesni ir tinkamesni konkrečiai situacijai.

Geras užklausų rašymas – ne vien techninis triukas. Tai mąstymo įgūdis. Jis verčia naudotoją išsigryninti, ko iš tikrųjų nori: kam skirtas atsakymas, kokios formos jo reikia, su kokiais apribojimais ir kokį sprendimą ar veiksmą jis turėtų padėti atlikti.

Todėl prompt engineering vadinamas ateities pagrindiniu įgūdžiu. Jis primena skaitymą ir rašymą skaitmeniniame amžiuje: gal ne kiekvienam būtina tapti meistru, bet kiekvienam verta suprasti pagrindinę logiką.

OpenAI savo gairėse pabrėžia, kad geros užklausos yra aiškios, tikslios ir suteikia modeliui pakankamai konteksto. Be kita ko, rekomenduojama svarbiausius nurodymus pateikti pradžioje, atskirti juos nuo pagrindžiamosios medžiagos ir apibrėžti pageidaujamą atsakymo formatą.^[1]

2. Ką iš tiesų reiškia Prompt Engineering?

Paprastai tariant, Prompt Engineering – tai dirbtiniam intelektui teikiamos įvesties projektavimas. Užklausa gali būti:

• klausimas
• užduotis
• vaidmens priskyrimas
• pagalbinė medžiaga
• pageidaujamo stiliaus pavyzdys
• dokumentas, kurį prašoma išanalizuoti
• vaizdas, garso įrašas ar failas
• nurodymas, ko nedaryti

Google Cloud užklausą apibrėžia kaip natūralia kalba modeliui pateikiamą prašymą, kuriuo siekiama gauti atsakymą. Joje gali būti klausimų, nurodymų, konteksto, pavyzdžių ir nebaigtų įvesčių, kurias modelis papildo.^[2]

Taigi Prompt Engineering nėra vien „parašyk geresnį klausimą“. Tai veikiau užduoties suformulavimas taip, kad ją suprastų dirbtinis intelektas.

Jei įprastame darbe daug lemia geras briefas, tai dirbant su dirbtiniu intelektu gera užklausa yra skaitmeninis briefo pusbrolis. Ji pasako, ką darome, kodėl, kam ir pagal kokius kokybės kriterijus.

Bloga užklausa skamba taip:

„Pagerink tai.“

Gera užklausa:

„Veik kaip B2B rinkodaros ekspertas. Perrašyk toliau pateiktą LinkedIn įrašą aiškiau ir profesionaliau. Tikslinė auditorija – Lietuvos augančių įmonių vadovai. Išlaikyk autoriaus balsą, bet pradžią padaryk labiau kabinančią. Pabaigoje pasiūlyk tris alternatyvias antraštes.“

Skirtumas nėra kosmetinis. Jis esminis.

3. Užklausos sandara: vaidmuo, kontekstas, užduotis ir formatas

Gerą užklausą dažnai sudaro keturios pagrindinės dalys:

1. Vaidmuo – kuo turėtų būti dirbtinis intelektas?
2. Kontekstas – kokioje situacijoje atliekama užduotis?
3. Užduotis – ką dirbtinis intelektas turi sukurti ar išspręsti?
4. Formatas – kokia forma pageidaujamas atsakymas?

Praktinis pavyzdys:

„Veik kaip rinkodaros ekspertas. Mūsų įmonė parduoda atsakingai pagamintus darbo drabužius statybų sektoriaus įmonėms. Parenk tris LinkedIn įrašus, kurių tikslas – paskatinti diskusiją apie darbų saugą ir atsakingumą. Rašyk glaustai, venk reklaminio tono ir kiekvienam įrašui suteik savitą požiūrio kampą.“

Šioje užklausoje dirbtiniam intelektui pateikiama:

• vaidmuo: rinkodaros ekspertas
• kontekstas: atsakingai pagaminti darbo drabužiai statybų sektoriui
• užduotis: trys LinkedIn įrašai
• tikslas: paskatinti diskusiją
• stiliaus gairė: glaustai, be reklaminio tono
• struktūros reikalavimas: kiekvienam įrašui savitas požiūrio kampas

Tai visiškai kitoks atspirties taškas nei „parašyk įrašų socialiniams tinklams“.

Google Cloud prompt design gairėse nurodoma, kad užklausos veiksmingumui turi įtakos ir turinys, ir struktūra: modelis privalo gauti užduočiai svarbią informaciją, tačiau jos eiliškumas, antraštės ir skirtukai padeda modeliui geriau suprasti prašymą.^[3]

4. Kodėl gera užklausa veikia?

Dirbtinio intelekto modelis „nesupranta“ pasaulio taip, kaip žmogus. Jis prognozuoja ir kuria atsakymus remdamasis mokymo duomenimis, naudotojo įvestimi ir pokalbio kontekstu.

Todėl užklausa veikia kaip žemėlapis. Kuo žemėlapis tikslesnis, tuo didesnė tikimybė pasiekti tinkamą vietą.

Gera užklausa padeda modeliui keturiais būdais:

1. Apibrėžia užduoties ribas

Dirbtiniam intelektui nereikia spėlioti, ar norite analizės, sąrašo, el. laiško, lentelės ar idėjų.

2. Ji suteikia kontekstą

Be konteksto modelis kuria bendro pobūdžio tekstą. Turėdamas kontekstą jis gali atsakyti būtent pagal jūsų situaciją.

3. Nustato kokybės kriterijus

„Geras“ gali reikšti įvairius dalykus: trumpas, išsamus, parduodantis, neutralus, techninis, suprantamas plačiajai auditorijai ar kritiškas.

4. Mažina klaidingo interpretavimo riziką

Kuo mažiau modeliui tenka spėlioti, tuo rečiau jo atsakymai nukrypsta nuo temos.

Tai Prompt Engineering esmė: dirbtinis intelektas nepakeičia mąstymo, bet atlygina už aiškų mąstymą.

5. Užklausų formulavimas kaip naujas darbo pasaulio raštingumas

Užklausų formulavimas dažnai laikomas techniniu gebėjimu, tačiau iš tiesų tai ir komunikacijos įgūdis. Jis jungia:

• rašymą
• problemos apibrėžimą
• kritinį mąstymą
• konteksto suteikimą
• grįžtamojo ryšio teikimą
• iteravimą, t. y. laipsnišką tobulinimą

Šia prasme prompt engineering primena gerą vadovavimą arba gerai suformuluotą užsakymą. Jei žmogui duosi miglotą užduotį, greičiausiai gausi ir miglotą rezultatą. Tas pat galioja dirbtiniam intelektui.

Startuolių pasaulyje tai ypač įdomu. Mažose komandose laiko nedaug, todėl kiekvienas įrankis privalo pridėti greičio. Geras užklausų rašymas gali padėti komandai išbandyti idėjas, rengti pardavimo medžiagos juodraščius, analizuoti klientų atsiliepimus ir svarstyti strateginius pasirinkimus.

Tačiau jos gali sukurti ir veiksmingumo iliuziją. Kai dirbtinis intelektas greitai parengia daug teksto, lengva pajusti, kad darbas juda pirmyn. Vis dėlto tikrasis klausimas – ar tai padeda priimti geresnius sprendimus?

Tai primena augančių įmonių valdymo logiką. Startup-ministeriö pokalbiuose dažnai pabrėžiama, kad įrankis, procesas ar veiklos modelis nėra savaiminė vertybė – svarbu, ar juo pasiekiamas norimas rezultatas. Pavyzdžiui, scaleup valdymui skirtame epizode Anssi Rusi valdymo sistemą pristato kaip visumą, kurioje žmonės, procesai ir įrankiai tarnauja siekiamam rezultatui.

Tas pats pasakytina apie Prompt Engineering. Užklausa nėra gera vien todėl, kad atrodo įspūdingai. Ji gera, jei padeda atlikti darbą geriau.

6. Pagrindinė geros užklausos formulė

Gerą užklausą galima sudaryti pagal šią paprastą formulę:

1. Nurodyk vaidmenį

„Veik kaip patyręs B2B pardavimų vadovas…“

Vaidmuo padeda modeliui pasirinkti požiūrį, žodyną ir akcentus.

2. Pateik kontekstą

„Mūsų įmonė parduoda SaaS sprendimą vidutinio dydžio pramonės įmonėms Lietuvoje.“

SaaS – tai programinė įranga, naudojama kaip prenumeruojama debesijos paslauga. Kontekstas padeda modeliui suprasti, apie kokį verslą kalbama.

3. Apibrėžkite užduotį

„Parenk pardavimo skambučio struktūrą naujiems klientams pritraukti.“

Užduotis turi būti konkreti.

4. Nurodyk tikslą

„Tikslas – paskatinti klientą užsisakyti 30 minučių demonstraciją.“

Tikslas padeda modeliui nustatyti prioritetus.

5. Apibrėžkite atsakymo formatą

„Pateik atsakymą lentele: etapas, tikslas, pavyzdinis sakinys, rizika, į kurią reikia atsižvelgti.“

Formatas taupo laiką ir daro atsakymą praktiškesnį.

6. Pridėkite apribojimus

„Venk agresyvios pardavimo kalbos. Išlaikyk profesionalų, pasitikėjimą kuriantį toną.“

Būtent apribojimai dažnai atskiria praktišką atsakymą nuo vidutiniško.

7. Praktiniai užklausų formulavimo metodai

7.1 Vaidmens priskyrimas

Vaidmens suteikimas reiškia, kad dirbtinio intelekto prašote veikti kaip konkretus specialistas.

Pavyzdys:

„Veik kaip patyręs atrankų specialistas ir įvertink šį darbo skelbimą kandidato požiūriu.“

Tai gerai veikia, kai nori konkretaus profesinio požiūrio. Tačiau vaidmens priskyrimas turi ir riziką: vaidmuo gali sukurti perdėtą pasitikėjimą. „Veik kaip teisininkas“ nepaverčia dirbtinio intelekto teisininku. Jis gali padėti susidėlioti klausimus, bet teisiškai reikšmingus dalykus būtina pasitikrinti su specialistu.

7.2 Konteksto pateikimas

Konteksto suteikimas reiškia, kad modeliui pateikiate pakankamai pradinių aplinkybių.

Pavyzdys:

„Esame 12 žmonių Lietuvos startuolis, parduodantis personalo valdymo programinę įrangą MVĮ. Turime 80 klientų, bet per paskutinį ketvirtį išaugo churn, t. y. klientų nutekėjimas. Parenk galimų priežasčių sąrašą ir pasiūlyk, kokius duomenis turėtume pasitikrinti pirmiausia.“

Šioje užklausoje prašoma ne vien bendros analizės. Joje pateikiama konkreti situacija.

7.3 Pavyzdžių pateikimas

Dirbtinis intelektas dažnai veikia geriau, kai jam parodomas pageidaujamo rezultato pavyzdys.

Pavyzdys:

„Parašyk tris antraštes tokiu pačiu stiliumi kaip ši: „Kodėl geriausi startuoliai neskuba samdyti?““

Tai dažnai vadinama few-shot prompting: modeliui pateikiami keli pavyzdžiai, pagal kuriuos jis tęsia tą patį modelį.

7.4 Iteravimas

Pirmasis atsakymas nėra galutinis rezultatas. Tai juodraštis. Patyręs naudotojas tęsia:

• „Sutrumpink.“
• „Pridėk kritiškesnį požiūrį.“
• „Perrašyk vartodamas mažiau konsultantų žargono.“
• „Pasiūlyk tris alternatyvias struktūras.“
• „Ko čia trūksta?“

Darbas su dirbtiniu intelektu dažnai labiau primena redagavimą nei vienkartinį užsakymą.

7.5 Prašymas įvertinti atsakymą

Vienas veiksmingas būdas – paprašyti dirbtinio intelekto įvertinti savo rezultatą.

Pavyzdys:

„Kritiškai įvertink ankstesnį atsakymą. Kurios vietos per bendros? Ką reikėtų patikslinti, kad tai būtų naudinga įmonės vadovui?“

Tai padeda aptikti silpnąsias vietas.

7.6 Ribų nustatymas

Jei norite ko nors išvengti, aiškiai tai nurodykite.

Pavyzdys:

„Nevartok aukščiausiojo laipsnio teiginių, nekurk statistikos ir neminėk šaltinių, jei jie nepateikti.“

Tai ypač svarbu ekspertiniame turinyje, kur patikimumą galima greitai prarasti.

8. Pavyzdžiai: bloga užklausa, geresnė užklausa, puiki užklausa

1 pavyzdys: rinkodara

Bloga užklausa:

„Parašyk įrašą socialiniams tinklams apie dirbtinį intelektą.“

Rezultatas tikriausiai bus bendras, šabloniškas ir nelabai prasmingas.

Geresnė užklausa:

„Parašyk LinkedIn įrašą apie tai, kodėl mažosioms ir vidutinėms įmonėms verta išmokti naudoti dirbtinį intelektą kasdieniame darbe.“

Tai jau aiškiau.

Puiki užklausa:

„Veik kaip Lietuvos B2B rinkodaros ekspertas. Parašyk LinkedIn įrašą MVĮ vadovams apie tai, kodėl dirbtinio intelekto nauda gimsta ne iš paties įrankio, o iš gerai suformuluotos užklausos. Pradėk konkrečiu kasdienio darbo pavyzdžiu. Tonas – profesionalus, bet lengvai prieinamas. Ilgis – 1 200 ženklų. Užbaik klausimu, kuris paskatintų diskusiją.“

Šioje užklausoje apibrėžti vaidmuo, auditorija, požiūris, stilius, apimtis ir struktūra.

2 pavyzdys: strategija

Bloga užklausa:

„Kaip auginti įmonę?“

Geresnė užklausa:

„Pateik augimo strategiją 20 žmonių SaaS įmonei.“

Puiki užklausa:

„Veik kaip scaleup įmonių augimo strategijos konsultantas. Mūsų SaaS įmonėje dirba 20 žmonių, o ARR, tai yra metinės pasikartojančios pajamos, siekia 1,8 mln. eurų. Klientai – Suomijos mažosios ir vidutinės įmonės. Augimas sulėtėjo, tačiau klientų išlaikymas geras. Pasiūlyk tris alternatyvius augimo kelius artimiausiems 18 mėnesių: 1) pardavimo plėtra Suomijoje, 2) plėtra į Švediją, 3) produkto pasiūlos plėtra esamiems klientams. Įvertink kiekvieno kelio naudą, rizikas, reikalingus išteklius ir pirmųjų 90 dienų veiksmus.“

Čia dirbtiniam intelektui nereikia spėlioti apie verslo padėtį. Jis gauna analizei svarbius kintamuosius.

3 pavyzdys: turinio kūrimas

Bloga užklausa:

„Parašyk straipsnį apie Prompt Engineering.“

Geresnė užklausa:

„Parašyk straipsnį apie Prompt Engineering Suomijos specialistams.“

Puiki užklausa:

„Parašyk 1 500 žodžių straipsnį apie prompt engineering Lietuvos specialistams ir verslininkams. Paaiškink terminą suprantamai, naudok konkrečius darbo aplinkos pavyzdžius ir iškelk taip pat rizikas. Sudėliok tekstą su tarpinėmis antraštėmis. Tonas: modernus, aiškus, profesionalus, bet ne akademinis. Pabaigoje glaustai pateik penkias praktines pamokas.“

Tai jau publikavimui tinkamas brifas.

9. Prompt Engineering įmonėse ir startuoliuose

Įmonėse Prompt Engineering vertė atsiskleidžia trimis lygmenimis:

1. Asmens produktyvumas
2. Bendra komandos kokybė
3. Organizacijos mokymasis

Asmens lygmuo

Darbuotojas gali naudoti dirbtinį intelektą, pavyzdžiui:

• el. laiškų juodraščiams rengti
• ataskaitoms apibendrinti
• pardavimo kalboms šlifuoti
• klientų atsiliepimams analizuoti
• idėjoms generuoti
• tekstams redaguoti
• Excel formulių ar programinio kodo paaiškinimams

Tai dažnai pirmasis etapas. Žmonės išbando dirbtinį intelektą savo darbe ir atranda nedidelių privalumų.

Komandos lygmuo

Kitas etapas įdomesnis: komanda pradeda dalytis gerais užklausų šablonais.

Pavyzdžiui, pardavimo komanda gali turėti bendrą užklausą pasirengti susitikimui su klientu:

„Išanalizuok šią įmonę klientę pagal jos svetainę ir CRM užrašus. Parenk susitikimui tris galimas skausmo vietas, penkis klausimus ir pasiūlymą, kaip pradėti pokalbį.“

Rinkodaros komanda gali turėti užklausą kampanijų idėjoms vertinti, o produkto komanda – naudotojų atsiliepimams klasifikuoti.

Organizacijos lygmuo

Trečiajame etape užklausų formulavimas tampa procesų dalimi. Tada įmonė klausia ne vien: „Kaip darbuotojai naudoja ChatGPT?“

Ji klausia:

• Kuriuose darbo etapuose dirbtinis intelektas iš tiesų gerina kokybę?
• Kokią informaciją galima pateikti modeliui?
• Kokios informacijos pateikti negalima?
• Kaip tikrinami atsakymai?
• Kas atsako už galutinį rezultatą?
• Kurios užklausos yra bendri standartai?
• Kaip matuojama sėkmė?

Tai didelis pokytis. Dirbtinis intelektas iš pavienio pagalbininko tampa darbo struktūros dalimi.

Startuolių pasaulyje tai gali tapti konkurenciniu pranašumu. Maža komanda gali nuveikti daugiau, jei moka sumaniai naudotis dirbtiniu intelektu. Tačiau, kaip ir apskritai vadovaujant startuoliui, kopijuoti neužtenka. Laidos „Startup-ministeriö“ epizode apie „Supercell“ Ilkka Paananen įspėja dėl aklo modelių kopijavimo: tai, kas veikia vienoje įmonėje, nebūtinai veiks kitoje.

Tas pat galioja ir užklausoms. Kitos įmonės „tobula užklausa“ tavo kontekste gali būti prasta, jei tikslas, klientas, duomenys ir veikimo būdas yra kitokie.

10. Rizikos: haliucinacijos, klaidingas užtikrintumas ir neaiški atsakomybė

Didžiausias Prompt Engineering pavojus tas, kad gera užklausa gali įtikinamai pateikti net prastą atsakymą.

Dirbtinis intelektas gali:

• išgalvoti šaltinius
• supainioti faktus
• pateikti pernelyg užtikrintų rekomendacijų
• nutylėti neapibrėžtumą
• kurti įtikinamą, bet klaidingą tekstą
• sustiprinti paties naudotojo prielaidas

Tai dažnai vadinama haliucinacija: modelis pateikia teiginius, kurie skamba teisingai, tačiau tokie nėra.

Elina Lappalainen straipsnyje „HS Vision“ dirbtinis intelektas vaizduojamas kaip įdomus kasdienis pagalbininkas, bet kartu ir nepatikimas patarėjas. Dalį sodo augalų jis atpažįsta teisingai, tačiau piktžolei išgalvoja neegzistuojantį pavadinimą „karhunkynsi“ ir vėliau pripažįsta jį tiesiog „ištraukęs iš kepurės“. Svarbi straipsnio mintis: dirbtinis intelektas gali būti naudingas ir smagus, bet naudotojas turi gebėti kvestionuoti jo atsakymus, ypač sveikatos, saugos ir kitais svarbiais klausimais.

Tai esminė Prompt Engineering pamoka. Gera užklausa nepanaikina poreikio kritiškai vertinti šaltinius.

Ji net gali šį poreikį padidinti, nes geresnė užklausa dažnai sukuria geriau skambantį atsakymą. Tuomet dar svarbiau klausti:

• Kuo tai pagrįsta?
• Ar pateikti šaltiniai?
• Ar teiginys gali būti pasenęs?
• Ar šis patarimas saugus?
• Ar netrūksta kokio nors požiūrio?
• Ar atsakymas nėra pernelyg užtikrintas?

Ypač atsargiai reikia vertinti temas, susijusias su:

• sveikata
• teise
• finansiniais sprendimais
• asmens duomenimis
• saugumu
• įdarbinimo sąžiningumu
• investavimu
• reikalais su valstybės institucijomis

Dirbtinis intelektas gali padėti pasirengti, susisteminti mintis ir užduoti geresnius klausimus. Tačiau jis savaime nėra galutinis autoritetas.

11. Nuo Prompt Engineering prie Context Engineering

Greta Prompt Engineering atsirado naujas terminas – Context Engineering.

Tai reiškia, kad dėmesys nuo pavienės užklausos pereina prie platesnio klausimo: kokia informacija pateikiama dirbtiniam intelektui, kokia tvarka, kokia forma ir su kokiais apribojimais?

Google Cloud gairėse apie agentines DI sistemas context engineering apibūdinamas kaip informacijos valdymo procesas, kai kiekvienam agentui suteikiamas būtent jo užduočiai tinkamas kontekstas. Kontekstą gali sudaryti dokumentacija, naudotojo pageidavimai, nuorodos, pokalbių istorija ir veikimo apribojimai.^[4]

Tai didelis pokytis.

Pavienė užklausa – tarsi geras klausimas. Context engineering – tarsi viso darbo stalo susitvarkymas: tinkami dokumentai, tinkami nurodymai, tinkamos ribos ir tinkamas tikslas modeliui prieinami tinkamu metu.

Įmonėms tai reiškia, pavyzdžiui:

• vidinių gairių prijungimą prie dirbtinio intelekto įrankių
• saugų klientų duomenų naudojimą
• dokumentų paiešką dirbtiniam intelektui pagrįsti
• darbo procesų automatizavimą
• modelio atsakymų vertinimą
• prieigos teisių valdymą
• informacijos saugos ir kokybės užtikrinimą

Šiame etape Prompt Engineering iš asmens įgūdžio tampa organizacijos gebėjimu.

12. Ateitis: ar Prompt Engineering išnyks, ar taps nematomas?

Kyla įdomus klausimas: ar Prompt Engineering bus reikalingas ateityje, kai dirbtinio intelekto modeliai taps geresni?

Atsakymas – ir taip, ir ne.

Taip, nes žmogui ir toliau reikės mokėti pasakyti, ko jis nori. Kuo sudėtingesnė užduotis, tuo svarbiau apibrėžti tikslą, kontekstą ir sėkmės kriterijus.

Ne, nes užklausų rašymas greičiausiai taps mažiau techninis. Modeliai vis geriau supranta neišsamius nurodymus, moka užduoti tikslinamųjų klausimų ir labiau pasitelkia turimą kontekstinę informaciją.

OpenAI Academy užklausų rašymą apibūdina kaip pokalbį, kuriame svarbiausia bandyti ir iteruoti. Gairėse pabrėžiama, kad nėra vieno tobulo būdo rašyti užklausas – naudotojui verta apie dirbtinį intelektą galvoti kaip apie kolegą, kuriam duodama aiški užduotis ir kuris prireikus pakreipiamas tinkama linkme.^[5]

Tad ateities gebėjimas galbūt nebus „moku parašyti sudėtingą užklausą“. Veikiau tai reiškia:

• moku apibrėžti problemą
• moku suteikti pakankamą kontekstą
• moku kritiškai įvertinti atsakymą
• moku tęsti pokalbį
• moku naudoti dirbtinį intelektą kaip savo kompetencijos tąsą

Prompt Engineering neišnyks. Jis taps gero mąstymo, komunikacijos ir darbo planavimo dalimi.

13. Išvados: ką verta įsidėmėti?

Prompt engineering yra kur kas daugiau nei madingas terminas. Tai įgūdis, padedantis dirbtinį intelektą iš atsitiktinių atsakymų mašinos paversti naudingu darbo partneriu.

Svarbiausios išvados:

1. Gera užklausa prasideda nuo gero mąstymo

Jei patys nežinote, ko norite, dirbtiniam intelektui teks spėlioti.

2. Vaidmuo, kontekstas ir formatas lemia daug

„Parašyk apie tai“ – silpnas prašymas. „Parašyk kam, kodėl, kokiu tonu ir kokia forma“ – jau praktiškas įrankis.

3. Dirbtinį intelektą verta nukreipti etapais

Pirmasis atsakymas yra juodraštis. Geriausias rezultatas dažnai pasiekiamas iteruojant.

4. Užklausa nepakeičia kompetencijos

Kuo tema svarbesnė, tuo daugiau reikia tikrinimo, kritiško šaltinių vertinimo ir žmogaus atsakomybės.

5. Įmonėse užklausų darbą verta standartizuoti

Geros užklausos, bendros praktikos ir aiškūs kokybės kriterijai gali taupyti laiką ir gerinti darbo kokybę.

6. Ateitis priklauso nuo konteksto

Pavienė užklausa – tik pradžia. Didžiausia nauda gaunama, kai dirbtinis intelektas saugiai ir kontroliuojamai gauna tinkamą informaciją tinkamu metu.

Galiausiai prompt engineering – tik nedidelis langas į kur kas didesnį pokytį. Darbe nebeužtenka mokėti naudotis skaitmeniniais įrankiais. Turime mokėti su jais kalbėtis, juos kreipti ir vertinti jų rezultatus.

Tai naujas pagrindinis įgūdis — ne todėl, kad kiekvienas turėtų tapti dirbtinio intelekto ekspertu, o todėl, kad beveik kiekvieno darbe mąstymas, rašymas ir sprendimų priėmimas ateityje vienaip ar kitaip susisies su dirbtiniu intelektu.

14. Užklausų šablonai praktiniam darbui

14.1 Bendra ekspertinė užklausa

Veik kaip [vaidmuo].
Kontekstas: [apibūdink situaciją, tikslinę auditoriją ir tikslą].
Užduotis: [tiksliai nurodyk, ko nori].
Atsakymo forma: [sąrašas, lentelė, straipsnis, planas, analizė].
Stilius: [profesionalus, glaustas, šiltas, kritiškas, parduodantis].
Apribojimai: [ko vengti, į ką atsižvelgti].
Pabaigoje: [paprašyk santraukos, rizikų, kitų žingsnių ar alternatyvų].

14.2 Užklausa turiniui kurti

Veik kaip patyręs turinio strategas.
Parašyk [turinio tipas] tema [tema].
Tikslinė auditorija yra [tikslinė auditorija].
Tikslas yra [tikslas].
Pradėk įdomia įžvalga arba pavyzdžiu.
Naudok aiškias tarpines antraštes ir trumpas pastraipas.
Tonas yra [tonas].
Venk [ko vengti].
Užbaik trimis praktinėmis pamokomis.

14.3 Užklausa strateginei analizei

Veik kaip augančių įmonių strateginis patarėjas.
Išanalizuok šią situaciją: [situacija].
Įmonės dydis: [dydis].
Rinka: [rinka].
Tikslas: [tikslas].
Parenk tris alternatyvius veiksmų kelius.
Įvertink kiekvieno naudą, rizikas, išteklių poreikį, laikotarpį ir pirmųjų 30 dienų veiksmus.
Pabaigoje nurodyk, kokią informaciją dar reikėtų surinkti prieš priimant sprendimą.

14.4 Užklausa kritinei peržiūrai

Kritiškai įvertink šį tekstą.
Rask vietas, kurios yra pernelyg bendros, neaiškios, linkusios į klaidas arba kurias būtina pagrįsti šaltiniu.
Kol kas teksto neperrašyk.
Pirmiausia pateik problemų ir tobulinimo pasiūlymų sąrašą.
Pabaigoje pasiūlyk, kaip būtų galima sustiprinti teksto struktūrą.

14.5 Užklausa startuolio komandai

Veik kaip startuolio veiklos sparingo partneris.
Mūsų situacija: [situacija].
Mūsų tikslas per artimiausias 90 dienų: [tikslas].
Komandoje turime: [ištekliai].
Parenk praktinį veiksmų planą su savaitiniais prioritetais, svarbiausiais rodikliais, rizikomis ir sprendimais, kuriuos reikia priimti nedelsiant.
Planas turi būti realistiškas – venk pernelyg bendrų patarimų.

Prompt Engineering esmė galiausiai paprasta: dirbtinis intelektas atsako geriau, kai žmogus geriau klausia.

Tačiau geriausiu atveju kalbame ne vien apie geresnius atsakymus. Kalbame apie geresnius klausimus. Būtent todėl užklausų rašymas gali tapti vienu svarbiausių šio dešimtmečio darbo įgūdžių.

Šaltiniai

1. Best practices for prompt engineering with the OpenAI API — OpenAI Help Center
2. Introduction to prompting — Generative AI on Vertex AI, Google Cloud Documentation
3. Overview of prompting strategies — Generative AI on Vertex AI, Google Cloud Documentation
4. Choose a design pattern for your agentic AI system — Google Cloud Documentation
5. Prompting — OpenAI Academy