Prompting má pověst, že je „vibes-based.“ Ty zadáte něco, model odpovídá, vy upravíte větu, to dostane Je to lepší a budete pokračovat, dokud to nefunguje – pokud to funguje. mírně Je to noční můra pro cokoliv vážného: text dodržování předpisů, datové potrubí, generování kódu nebo výstupy „prosím, nezahanbujte mě před týmem“. A tady je upgrade: . Prompt Reverse Engineering Je to přesně tak, jak to zní: , pak použijte cílené opravy – jako je debugování, nikoliv odhadování. use the model’s wrong answer to backtrack into what your prompt failed to define Přemýšlejte o špatném výstupu jako o způsobu, jakým váš model říká: 
 
 „Neřekl jsi mi, na čem záleží.“ „Neřekl jsi mi, na čem záleží.“ Proměňme to v opakující se pracovní postup. Proč reverzní inženýrství beats random prompt tweaking Dokonce i když napíšete "dobře vypadající" poptávku (jasná otázka, zdvořilý tón, rozumná omezení), modely stále chybí: 
 
 
 
 
 
 časové okno, o které se staráte, úplnost, kterou očekáváte formát, který váš downstreamový kód potřebuje, roli, ve které chce model zůstat, Definice slova „správný“. Reverzní inženýrství vám dává metodu k nalezení chybějící specifikace - aniž byste nafoukli svůj prompt do románu. fast Čtyři režimy selhání (a to, co vám opravdu říkají) Většina okamžitých selhání spadá do jedné z těchto nádob. Pokud můžete pojmenovat nádobu, můžete obvykle opravit poptávku v jednom průchodu. 1) Skutečné selhání Odpověď s jistotou uvádí nesprávná fakta, míchá roky nebo vymýšlí čísla. Symptom: Znalostně husté úkoly: tržní zprávy, akademické psaní, shrnutí politik. Typical trigger: What your prompt likely missed: 
 
 
 
 výslovný časový rozsah („kalendářní rok 2023“ vs. „posledních 12 měsíců“), zdrojové požadavky (citace, pojmenované datové sady), Zpětné chování, když model neví. Ty se ptáš: Model odpovídá pomocí čísel roku 2022 a nikdy neříká, kde je dostal. Example (UK-flavoured): „Analýza tří nejvýznamnějších automobilových značek podle globálního prodeje v roce 2023.“ Prompt patch pattern: 
 
 
 
 Přidejte „hranice skutečností“: rok, zeměpis, jednotka. Vyžadují citace nebo průhledné „Nejsem si jistý“ zpětné vazby. Požádejte ji, aby uvedla data, pokud přesná čísla nejsou k dispozici. 2) Rozbité logiky / chybějící kroky Výsledek vypadá plausitelně, ale přeskočí kroky, vynechá závěry nebo přináší „outline“, který předstírá, že je procesem. Symptom: Postupy, debugování, vícefázové uvažování, architektonické plány. Typical trigger: What your prompt likely missed: 
 
 
 
 „Cover all core steps“ „Vysvětlit závislost / objednávku“ „Používejte pevný rámec (checklist / pipeline / recept)“ Ty se ptáš: Uvádí pouze „zpracování chybějících hodnot“ a „odstranění výjimek“ a nazývá to den. Example: Vysvětlete kompletní pracovní postup pro čištění dat Python. Prompt patch pattern: 
 
 
 
 Nastavte sekvenci (A → B → C → D). Vyžaduje důvod pro objednávku. Vyžaduje test rozhodnutí („Jak vím, že je tento krok potřebný?“). 3) Formát drift Požádáte o tabulku Markdown / JSON / YAML / kódový blok ... a vrátí přátelský odstavec, jako by psal blogový příspěvek. Symptom: Vše znamenalo pro stroje: strukturované výstupy, konfigurační soubory, užitečné zatížení, tabulky. Typical trigger: What your prompt likely missed: 
 
 
 
 přísnost („výstup pouze platný JSON“), omezení schématu (klíče, typy, požadovaná pole), krátký příklad (několik záběrů) model může napodobit. Ty se ptáš: Reaguje v próze a smísí prodejce + datum vydání v jedné větě. Example: "Dejte mi poznámkovou tabulku tří populárních LLM." Prompt patch pattern: 
 
 
 
 Přidejte schéma, plus „žádné další klíče“. Přidejte „žádná próza mimo blok“. Vezměte si malou příkladovou řadu. 4) Role / tónový drift Požádáte pediatra o vysvětlení a získáte abstrakt lékařského časopisu. Symptom: roleplay, zákaznická podpora, coaching, komiksy pro zúčastněné strany. Typical trigger: What your prompt likely missed: 
 
 
 
 jak role mluví (úroveň čtení, teplo, tabu jargon), primární cíl role (upevnění, přesvědčení, deeskalace), zakázaný obsah („vyhněte se lékařskému žargonu; definujte termíny, pokud jsou nevyhnutelné“). Prompt patch pattern: 
 
 
 
 Určete publikum („znepokojující rodič“, „junior inženýr“, „CTO“). Uveďte pravidla tónu („přátelský, bez soudního rozhodnutí, angličtina ve Velké Británii“). Zadejte do / don ́t slovní zásobu. 5 kroků k reverznímu inženýrství To je "stop hádání" kruh. Udržujte to lehké. Udělejte jednu změnu najednou. Krok 1: Vyznačte odchylku (označte přesnou chybou) Zapište očekávaný výstup jako kontrolní seznam a poté zvýrazněte, kde se výstup lišil. Příklad kontrolního seznamu: 
 
 
 
 
 Rok 2023 Zahrnuje tržní podíl Zdroje ↓↓ Srovnání 3 nejlepších značek Pokud nemůžete popsat chybu přesně, nemůžete ji přesně opravit. Krok 2: Inferování chybějící specifikace (výzva na chybu) Pro každou odchylku se zeptejte: 
 
 
 Jaké pokyny by tomu zabránily? Jaké nejednoznačnosti model „řešil“ špatným směrem? Typické nedostatky : 
 
 
 
 
 chybějící hranice (čas, oblast, jednotka) chybějící omezení úplnosti, chybějící výstupní schéma, Chybějící tón / role omezení. Krok 3: Otestujte hypotézu s minimální prompt edit Nepřepisujte celý příkaz. Opakujte jednu vadu a spusťte ji znovu. Pokud se výsledek zlepšuje očekávaným způsobem, vaše hypotéza byla správná. Krok 4: Použijte cílený vzor optimalizace Po potvrzení použijte nejmenší trvanlivou opravu: 
 
 
 
 
 Hraniční klauzule: „Používejte data z roku 2023 (Jan – Prosinec); pokud si nejste jisti, řekněte tak.“ Schematická doložka: „Vrátit platný JSON odpovídající tomuto schématu...“ Pokrytí: „Zahrňte těchto 6 kroků...“ Tone clause: „Vysvětlete, jako bych byl nový; vyhýbejte se žargonu.“ Krok 5: Zaznamenat změnu (budovat svůj prompt changelog) To je část, kterou většina lidí vynechá - a část, která se promění v inženýrskou praxi. Udržujte malý záznam: 
 
 
 
 
 
 Původní rychlost Model, který selhal chybná hypotéza Patch aplikace Výsledek Postupem času vytvoříte osobní knihovnu „společné selhání → standardní opravy“. Naplněný příklad práce: oprava příkazu „pracovní postup pro čištění dat“ Pojďme to udělat správně. Počáteční rychlost 
 
 "Použitím Pythonu napište celý proces čištění dat s kroky a kódem." "Použitím Pythonu napište celý proces čištění dat s kroky a kódem." Špatný výstup Vrací se pouze dvě položky: 
 
 
 Vyplňte chybějící hodnoty Odstranění outliers A dumpuje kód bez kontextu, bez objednávky a bez kontrol rozhodnutí. Reverse engineering diagnostika Deviation points 
 
 
 
 Chybějící základní kroky (duplikáty, typové lití, standardizace) Žádné odůvodnění pro příkaz Kód chybí komentáře a poznámky o použitelnosti Prompt defects 
 
 
 
 Žádný „seznam základních kroků“ → model volí částečnou podsoubor Bez omezení objednávky → Modelové výstupy v libovolném pořadí Žádné „vysvětlit, kdy používat“ → kód se stává kopírování / vložení Zpětná vazba (minimální, ale specifická) 
 
 
 Pomocí pandy popište celý pracovní postup čištění dat v tomto pořadí: 
 
 duplicates → 2) data types → 3) missing values → 4) outliers.   For each step include: purpose, when it applies, and commented code.   Also state how to detect whether the step is needed.” Pomocí pandy popište celý pracovní postup čištění dat v tomto pořadí: 
 
 duplikáty → 2) datové typy → 3) chybějící hodnoty → 4) outliers. Pro každý krok zahrnuje: účel, kdy se použije, a komentovaný kód. Výsledek (co vypadá dobře) Níže je A Příklad, který můžete znovu použít. Upozorňujeme, že hardcode nepoužíváme Slepě; my jsme odděleny dtypem. slightly tweaked fillna(0) import pandas as pd
​
def clean_frame(df: pd.DataFrame) -> pd.DataFrame:
    # 1) Duplicates: reduce noise before anything else
    dup_count = df.duplicated().sum()
    if dup_count:
        df = df.drop_duplicates().copy()
​
    # 2) Types: make sure comparisons and maths behave
    # Example: parse dates if you expect time-series logic later
    if "created_at" in df.columns:
        df["created_at"] = pd.to_datetime(df["created_at"], errors="coerce")
​
    # 3) Missing values: strategy depends on data type and meaning
    for col in df.columns:
        if df[col].isna().any():
            if pd.api.types.is_numeric_dtype(df[col]):
                # Use median for robustness (less sensitive than mean)
                df[col] = df[col].fillna(df[col].median())
            else:
                # For categorical/text, choose a clear placeholder
                df[col] = df[col].fillna("Unknown")
​
    # 4) Outliers: apply only to numeric columns where it makes sense
    num_cols = df.select_dtypes(include="number").columns
    for col in num_cols:
        q1 = df[col].quantile(0.25)
        q3 = df[col].quantile(0.75)
        iqr = q3 - q1
        if iqr == 0:
            continue  # no spread, no meaningful outliers
        lower = q1 - 1.5 * iqr
        upper = q3 + 1.5 * iqr
        df = df[(df[col] >= lower) & (df[col] <= upper)]
​
    return df
 Nejedná se o „dokonalé čištění dat“ (záleží na doméně), ale soudržný, obranný plynovod s kontrolami rozhodnutí – přesně to, co váš původní výzva nechtěla požadovat. je Skrytá past: hranice modelových schopností Někdy je model špatný, protože nemá data – zejména pro „poslední“ čísla. Pokud uvidíte stejný faktický neúspěch po zpřísnění hranic a požádání o zdroje, přestaňte točit. Přidejte zdravý zpětný návrat: 
 
 
 
 „Když nevíte, řekněte, že nevíte.“ „Uveďte poslední rok, o kterém jste si jisti.“ „Navrhuji, jaký zdroj bych měl konzultovat.“ Tím se halucinace promění v užitečnou odpověď. Nejčastější chyby (a jak se jim vyhnout) Chyba č. 1: „Prosím, buď správný“ jako oprava Není to omezení, je to přání. Místo toho: definujte správnost prostřednictvím hranic + ověření + zpětné vazby. Chyba č. 2: Přehánění všeho Pokud opravíte jednu vadu přidáním deseti nesouvisejících pravidel, dostanete rychle nafouknutí a horší soulad. Patch defekt, ne vaše úzkost. Chyba č. 3: Nevalidujte svou hypotézu Nemůžete tvrdit, že oprava fungovala, pokud ji znovu nespustíte s minimálním patchem a neuvidíte očekávané zlepšení. Chovejte se k tomu jako k jednotkovému testu. Praktické návyky, které dělají tuto hůl 
 
 
 
 
 
 Udržujte taxonomii selhání (fakty / logika / formát / role). Používejte jeden patch-per-run při debugování. Vytvořte promptní changelog (vážně, to je cheat kód). Když potřebujete strukturu, použijte schémata + drobné příklady. Když potřebujete spolehlivost, požádejte o zveřejnění nejistoty. Nesprávné odpovědi nejsou jen nepříjemné – jsou Naučíte-li se je číst, přestanete „podněcovat“ a začnete . Informace engineering

Read My Stories

Tento zvuk je produkován v původním jazyce příběhu!

Prompt reverzní inženýrství: Opravte své prompty studiem nesprávných odpovědí

About Author

KOMENTÁŘE

ZAVĚŠIT ZNAČKY

TENTO ČLÁNEK BYL PŘEDSTAVEN V

Related Stories

Coinshift Launches csUSDL, Announces Strategic Partnerships

Coinshift Launches csUSDL, Announces Strategic Partnerships

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps