Mengapa Re-Prompting Ada (dan Mengapa Anda akan menggunakannya lebih dari yang Anda pikirkan) Interaksi LLM "klasik" adalah one-and-done: 
 
 Anda mengetikkan: "Tuliskan saya artikel tentang keberlanjutan."Model menjawab dengan esai sekolah umum. Anda mengetikkan: "Tuliskan saya artikel tentang keberlanjutan."Model menjawab dengan esai sekolah umum. Ini bukan masalah model, itu adalah masalah . spec problem (mengembalikan prompt yang disempurnakan setelah melihat output pertama) adalah jembatan praktis dari: Re-prompting 
 
 Intensi manusia → instruksi yang dapat dibaca mesin → output yang dapat digunakan Ini adalah bagaimana Anda mendapatkan dari "ada output" ke "output ini benar, terstruktur, dan dapat dikirim." Re-Prompting, yang ditentukan Adalah praktek dari Kemudian lakukan kembali untuk mendapatkan hasil yang lebih baik. Re-prompting adjusting the prompt’s content, structure, or constraints after inspecting the model’s first response Poin utama: adalah Produksi pertama bukanlah “ Jawaban.” . feedback-driven telemetry Contoh kecil “Tuliskan sesuatu tentang perubahan iklim.” Prompt v1: Tidak ada sudut, tidak ada sudut, tidak ada penonton yang cocok. Output: Tuliskan penjelasan 350-450 kata untuk tentang perubahan iklim. termasuk: Prompt v2: UK secondary school students 
 
 dua penyebab, 2) dua dampak, 3) tiga tindakan sehari-hari siswa dapat mengambil, dan 4) berakhir dengan panggilan satu kalimat untuk bertindak. Model yang sama. hasil yang berbeda. karena spec menjadi nyata. Mengapa Single-Prompting Gagal (Dan Re-Prompting Tidak) Prompt tunggal mengasumsikan Anda dapat sepenuhnya memprediksi apa yang Anda butuhkan di depan. 
 
 
 
 
 
 
 
 
 
 
 Dimension 
 Single Prompt 
 Re-Prompting 
 
 
 
 
 Interaction 
 One-way 
 Feedback loop 
 
 
 
 
 Info base 
 Only initial intent 
 Intent + output defects 
 
 
 
 
 Goal 
 “Get an answer” 
 “Get the right answer” 
 
 
 
 
 Best for 
 Simple asks 
 Fine-grained or high-stakes output interaksi Satu arah Menggunakan Feedback Loop Informasi Base Hanya niat awal Intensi + defisit output Tujuan “Jadilah jawabannya” Dapatkan Jawaban yang Tepat » terbaik untuk Pertanyaan sederhana Produksi biji-bijian atau high-stakes Nilai Sejati: Apa yang Re-Prompting Membeli Anda 1) Batasan yang lebih rendah untuk masuk Anda tidak perlu menjadi penyihir yang cepat pada hari pertama. . iterate 2) Kalibrasi dinamis untuk pertanyaan kompleks Suara merek, pemasaran produk, penulisan teknis, ringkasan kebijakan - ini adalah Re-prompting memungkinkan Anda menyesuaikan nada dan struktur dengan cepat. moving targets 3) Produksi yang lebih konsisten Suhu, sampling, dan kebetulan model dapat menyebabkan drift. (“tidak ada slang”, “menggunakan peluru”, “termasuk kriteria penerimaan”) mengurangi varians. constraints Kapan Anda Harus Kembali? daftar Trigger Praktis Tidak setiap jawaban layak untuk putaran lain. tetapi ini: 1) Produksi kehilangan tujuan inti berbicara tentang topik tetapi mengabaikan alasan yang Anda tanyakan. Signal: Menulis poin penjualan untuk jam tangan hiking yang fitur utama adalah yang ditujukan untuk UK hikers.” Example ask: 72-hour battery paragraf tentang estetika dan bahan tali; baterai hampir tidak disebutkan. Bad output: Anda tidak membuat “battery + hiking context” tidak dapat diperdagangkan. Why you re-prompt: 2) Format yang salah Anda meminta sesuatu yang dapat digunakan mesin, Anda mendapatkan prosa. Signal: Letakkan spesifikasi telepon ini di tabel Markdown dengan header “” Example ask: Model | RAM | Storage dengan daftar nomor. Bad output: formasi harus eksplisit, dan sering manfaat dari . Why you re-prompt: mini example 3) Ada kesalahan logika atau konsep definisi yang salah, kontradiksi, atau “dengar benar” tetapi tidak. Signal: “Berbicaralah tentang teori-teori dengan contoh matematika.” Example ask: kata CoT berarti “memberi jawaban secara langsung” dan menggunakan sebagai “contoh”. Bad output: 2+3=5 prompt Anda tidak melekat definisi, dan Anda tidak memberikan salinan yang benar. Why you re-prompt: 4) Terlalu pendek atau terlalu panjang Anda meminta langkah-langkah, mendapatkan kalimat. atau meminta ringkasan, mendapatkan esai. Signal: “Detail” dan “short” bukanlah instruksi. mereka adalah vibes. . Why you re-prompt: structure and word limits The 5-Step Loop: Mengubah Re-Prompting Menjadi Sistem Berikut adalah kerangka kerja yang menjaga iterasi dari menjadi thrashing acak. Langkah 1: Evaluasi output (dengan daftar pemeriksaan 3 axis) Gunakan tiga axis ini setiap kali: 
 
 
 
 
 
 
 
 
 
 Axis 
 What you’re checking 
 Example failure 
 
 
 
 
 Accuracy 
 Does it solve the actual problem? 
 Deletes the wrong rows when asked to handle missing values 
 
 
 
 
 Format 
 Is it structured as requested? 
 No code comments / no table / wrong schema 
 
 
 
 
 Completeness 
 Did it cover every must-have point? 
 Handles missing values but ignores outliers akurasi Apakah itu menyelesaikan masalah yang sebenarnya? Menghapus baris yang salah ketika diminta untuk menangani nilai yang hilang Formatnya Apakah terstruktur seperti yang diminta? Tidak ada komentar kode / tidak ada tabel / skema yang salah Komplikasi Apakah itu mencakup setiap must-have poin? Mengatasi nilai-nilai yang hilang tetapi mengabaikan outliers Pro-tip: tulis daftar cacat yang cepat seperti insinyur QA akan: . Goal Drift / Format Break / Missing Points / Wrong Concepts / Verbosity Langkah 2: Telusuri kesalahan kembali ke prompt Sebagian besar kegagalan output berasal dari penyebab cepat yang dapat Anda perbaiki. 
 
 
 
 
 
 
 
 
 
 
 Defect 
 Likely prompt cause 
 Example 
 
 
 
 
 Goal drift 
 vague priorities 
 didn’t state the   selling point primary 
 
 
 
 
 Format break 
 format not explicit 
 “organise this” ≠ “Markdown table with headers…” 
 
 
 
 
 Logic error 
 wrong / missing definition 
 didn’t anchor the concept and example 
 
 
 
 
 Too brief 
 no structure requirement 
 didn’t specify steps, length, sections Tujuan Drift Prioritas yang tidak jelas Tidak menyatakan bahwa Penjualan Point Utama Formulir Break Format yang tidak eksplisit “organize this” ≠ “Markdown table with headers...” Kesalahan Logika Definisi yang salah / missing definition Tidak mengacu pada konsep dan contoh Terlalu singkat Tidak memerlukan struktur Tidak mendefinisikan langkah, panjang, bagian Perubahan pikiran yang signifikan: Menyalahkan Spek. don’t blame the model first Langkah 3: Terapkan salah satu dari 4 penyesuaian leverage tinggi Strategi A: Tambahkan konteks + keterbatasan (memperbaiki vaginitas / drift target) Tambahkan: audiens, skenario, urutan prioritas, konten yang dilarang, poin yang diperlukan. “Tuliskan sebuah artikel eko.” "Tuliskan 400 kata untuk siswa UK Tahun 9, konteks recycling sekolah, termasuk 3 tips yang dapat dilakukan, nada ramah, tidak jargon, berakhir dengan panggilan untuk bertindak." Before: After: Strategi B: Membuat format yang dapat dieksekusi (memperbaiki format break) Tentukan tipe + skema + contoh. After prompt snippet: Return a Markdown table exactly like this:
| Model | RAM | Storage |
|---|---|---|
| Example | 8GB | 128GB |
 Strategi C: Menambahkan atau memperbaiki contoh (memperbaiki kesalahpahaman) Jika modelnya membingungkan, . show it the pattern Example for Chain-of-Thought (correct pattern): 
 
 
 
 “Sam punya lima apel, makan dua, beli tiga...” Pertimbangan: 5−2 = 3, 3+3 = 6 Jawaban : 6 Strategi D: Rincian kontrol dengan struktur + batas (memperbaiki verbositas) Tentukan bagian, hitungan peluru, batasan kata, dan apa yang terlihat “sudah selesai”. Menjelaskan beberapa-Shot prompting dalam Untuk setiap langkah: dengan max “” Prompt snippet: 3 steps 1 sentence 20 words Langkah 4: Validasi (kemudian memutuskan apakah Anda akan berterusan lagi) Re-run the prompt. Re-score against the same 3 axes. Stop when: 
 
 
 
 core goal is met, format yang benar, Tidak ada kesalahan logika yang besar. Jangan mengejar “sempurna.” – Chase . usable Jika Anda masih tidak puas setelah 5, persyaratan mungkin kurang ditentukan atau Anda mungkin membutuhkan model / alat yang berbeda. Rule of thumb: Langkah 5: Template kemenangan (sebab Anda tidak pernah memulai dari nol lagi) Setelah berfungsi dengan aman, bekukan sebagai : prompt template 
 
 
 Bagian tetap: instruksi, struktur, aturan pemformatan Variable parts: fields fillable seperti {audience}, {constraints}, {inputs} Example: Python data-cleaning prompt template Generate Python code that meets this spec:
​
1) Goal: {goal}
2) Input: {input_description}
3) Requirements:
   - Use pandas
   - Handle missing values using {method}
   - Handle outliers using {outlier_rule}
4) Output rules:
   - Include comments for each step
   - End with 1–2 lines on how to run the script
   - Wrap the code in a Markdown code block
 Ini adalah bagaimana re-prompting senyawa: Anda membangun perpustakaan prompts yang berperilaku seperti alat. Langkah Iterasi Lengkap Mari kita membangun sesuatu yang nyata: yang dilakukan sebagai operator. 3 promo posts for a bubble tea brand Ronde 0: Prompt yang gagal “Tulis 3 posting sosial untuk Sweet Sprout Bubble Tea.” Prompt: berulang, lembut, tidak ada hooks, tidak ada petunjuk platform. Output: Evaluasi 
 
 
 
 Spesifikasi : Vague Brand Fit Format: no hashtags, no CTA Kompletitas: secara teknis 3 posting, tetapi tidak ada perbedaan Ronde 1: Tambahkan fitur merek + format platform Re-prompt: 
 
 
 
 
 
 Brand:  low-sugar, 0-cal options Tag: teh susu taro boba Toko Vibe: Instagrammable interior Gaya: energik, emojis, berakhir dengan 2-3 hashtag Perbedaan: setiap posting berfokus pada (1) rasa, (2) foto, (3) low-cal Namun, masih kurangnya “membuat sesuatu sekarang”. Output improves Ronde 2: Tambahkan trigger aksi (lokasi + promosi) Kami menambahkan : 
 
 
 
 Lokasi: Pusat Kota Manchester Promo: BOGOF sampai 31 Oct CTA: “Come by after work / akhir pekan ini” Sekarang output menjadi deployable. Kesalahan umum (dan bagaimana tidak membuang-buang hidup Anda) Kesalahan 1: Mengubah Segala Sesuatu Anda tidak dapat mempelajari apa yang bekerja jika Anda mutan seluruh prompt setiap kali. Untuk iterasi one major variable Kesalahan 2: "Model itu buruk" sebagai diagnosis default Anda Sebagian besar waktu, prompt Anda tidak menentukan: 
 
 
 
 
 
 Prioritas formatnya pembatasan Contoh Kriteria keberhasilan Kesalahan 3: Infinite iteration mengejar kesempurnaan Tentukan aturan berhenti.Jika benar dan dapat digunakan, kirimkan. Kesalahan 4: Tidak menyimpan prompt terakhir Jika tugas berulang, templat lebih berharga daripada jawaban satu kali yang hebat. Kesalahan 5: Mengcopy-paste prompt yang sama di berbagai platform Apa yang berhasil di Hacker News akan gagal di TikTok. Pada saat yang cepat. platform constraints Tooling dan Workflow Tips 
 
 
 
 
 Pertahankan lembar cheat “defect → fix” (format hilang → tambahkan skema + contoh; pengulangan → menerapkan sudut yang berbeda; konsep salah → tambahkan definisi + contoh). Uji pada 3-5 output sebelum Anda menghasilkan massal 50. Menyimpan prompts dalam sistem template (Notion, Obsidian, bahkan git repo). Jika Anda bekerja dalam tim: ikuti prompt versi seperti kode. Akhirnya ambil Re-prompting bukanlah trik, itu adalah alur kerja. Jika persyaratan menulis adalah persyaratan, Menggunakan output model sebagai log kesalahan Anda.Ketika Anda melakukannya secara sistematis, Anda berhenti “menanyakan hal-hal ChatGPT” dan mulai membangun Anda benar-benar bisa berlayar. re-prompting is debugging those requirements reliable text-and-code generators

This story contains AI-generated text. The author has used AI either for research, to generate outlines, or write the text itself. 

Read My Stories

Audio ini diproduksi dalam bahasa asli cerita!

Re-Prompting: Lompatan yang mengubah output LLM "Meh" menjadi hasil yang siap diproduksi

About Author

KOMENTAR

HANG TAG

ARTIKEL INI DISAJIKAN PADA

Related Stories

PROMISES FULFILLED.

A Beginner’s Guide to Blockchain Programming

Return to Pleasure Island

And In The Open Air

PROMISES FULFILLED.

A Beginner’s Guide to Blockchain Programming

Return to Pleasure Island

And In The Open Air

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps