Re-Prompting: The Loop That Turns “Meh” LLM Output Into Production-Ready Results (விளையாட்டு)

Re-Prompting ஏன் இருக்கிறது (ஏன் நீங்கள் நினைத்ததை விட நீங்கள் அதை அதிகமாக பயன்படுத்துவீர்கள்) The "classic" LLM interaction is one-and-done: You type: "Write me an article about sustainability."The model answers with a generic school essay. You type: "Write me an article about sustainability."The model answers with a generic school essay. இது ஒரு பிரச்சினை அல்ல, அது ஒரு . spec problem (முதல் வெளியேற்றத்தைப் பார்த்த பின்னர் ஒரு நிரப்பப்பட்ட ஆலோசனை மீண்டும் வெளியிடுவது) இது: Re-prompting Human Intention → Machine-readable Instruction → Usable Output – மனித இலக்கியம் இதுதான் “there is output” என்று “this output is correct, structured, and shippable” என்று கூறுகிறது. Re-Prompting, நிர்வாகம் இது ஒரு Practice of பின்னர் மீண்டும் சிறந்த முடிவை பெற முயற்சிக்கிறேன். Re-prompting adjusting the prompt’s content, structure, or constraints after inspecting the model’s first response Key point: அது “The first output is not the answer” (முதலில் வெளியேறுவது “இது பதில்” அல்ல) . feedback-driven telemetry ஒரு சிறிய உதாரணம் “கால்பந்து பற்றி எழுதுங்கள்” Prompt v1: அரண்மனை, அரண்மனை இல்லை, அரண்மனை இல்லை Output: 350-450 வார்த்தைகளை எழுதுங்கள் வானிலை மாற்றங்கள் பற்றி: Prompt v2: UK secondary school students ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை. .............................................................................................................................................................................. இது எத்தனையாவது [...] ஆங்கிலத்தில் இதை Single Orgasm, Multiple Orgasm என்றும் கூறுகிறார்கள். ஏனெனில் Single-Prompting Fails (And Re-Prompting Do Not) ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை. .............................................................................................................................................................................. இது எத்தனையாவது [...] 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 Interaction உரையாடல்கள் ஒரே வழி Feedback சுழற்சி தகவல் அடிப்படை முதலாவது திட்டம் Intention + Output விளைவுகள் இலக்கு “ஒரு பதில்” “சரியான பதில் கிடைக்கும்” சிறந்த எளிய கேள்விகள் Fine-grained or high-stakes வெப்பநிலை The Real Value: What Re-Prompting Buys You - உண்மையான மதிப்பு: என்ன Re-Prompting நீங்கள் வாங்கும் 1) கீழே விழுந்து விழுந்து You don't need to be a prompt wizard on day one.நீங்கள் ஒரு விரைவான ஆசிரியராக இருக்க வேண்டும். . iterate 2) Dynamic calibration for complex asks (பெரும்பாலான கேள்வியைத் தேடுதல்) Brand voice, product marketing, technical writing, policy summaries - இதுதான் Re-prompting நீங்கள் விரைவில் அட்டவணை மற்றும் அமைப்பை ஒப்பிட அனுமதிக்கிறது. moving targets 3) சிறப்பான விற்பனை ஆங்கிலத்தில் இதை Single Orgasm, Multiple Orgasm என்றும் கூறுகிறார்கள். (“No slang”, “use bullets”, “include acceptance criteria”) மாற்றத்தை குறைக்கிறது. constraints எப்போது திரும்பப் போக வேண்டும்? - A Practical Trigger List ஒவ்வொரு கேள்விக்கும் ஒரு பதிலைத் தருவதில்லை.ஆனால் இந்த பதில்கள்: 1) இலக்கியம் இலக்கியத்தை இழந்து அது பற்றி பேசுகிறது ஆனால் நீங்கள் கேட்ட காரணம் அறியாமல். Signal: "Write selling points for a hiking watch whose key feature is" என்று எழுதுங்கள். “அமெரிக்காவிலிருந்து அமெரிக்காவிலிருந்து அமெரிக்காவிலிருந்து Example ask: 72-hour battery ஆங்கிலத்தில் இதை Single Orgasm, Multiple Orgasm என்றும் கூறுகிறார்கள். Bad output: நீங்கள் “Battery + hiking context” ஒரு வியாபாரமான செய்யவில்லை. Why you re-prompt: 2) format தவறானது நீங்கள் ஏதாவது கணிசமாக பயன்படுத்த விரும்பினீர்கள், நீங்கள் Prose கிடைத்தது. Signal: "இந்த தொலைபேசி குறிப்புகள் தலைப்புகளை கொண்டு ஒரு Markdown அட்டவணைக்கு வைக்க » Example ask: Model | RAM | Storage Numerated list ஒலிப்பதிவு Bad output: ஆங்கிலத்தில் இதை Single Orgasm, Multiple Orgasm என்றும் கூறுகிறார்கள். . Why you re-prompt: mini example 3) Logic or conceptual errors உள்ளன தவறான விளக்கம், தவறான விளக்கம், தவறான விளக்கம், தவறான விளக்கம், தவறான விளக்கம், தவறான விளக்கம், தவறான விளக்கம். Signal: "Chain-of-Thought inducing with a mathematics example" என்று கூறுவார்கள். Example ask: CoT என்பது “Directly Give the Answer” என்று கூறுகிறது. “Example” என்கிறார். Bad output: 2+3=5 உங்கள் ஆலோசனை சரியான பதிவை வழங்கவில்லை, நீங்கள் சரியான பதிவை வழங்கவில்லை. Why you re-prompt: 4) நீண்ட அல்லது குறுகிய நீங்கள் ஒரு கடிதத்தைக் கேட்கிறீர்களா, நீங்கள் ஒரு கடிதத்தைக் கேட்கிறீர்களா, அல்லது ஒரு கடிதத்தைக் கேட்கிறீர்களா, நீங்கள் ஒரு கடிதத்தைக் கேட்கிறீர்களா? Signal: “Detailed” and “short” are not instructions.They are vibes. . Why you re-prompt: structure and word limits The 5-Step Loop: Turn Re-Prompting into a System - ஐந்து விதமான சுழற்சி: Re-Prompting into a System இதோ ஒரு framework that keeps iteration from becoming random thrashing. Step 1: Evaluate the output (with a 3-axis checklist ) ஒவ்வொரு முறையும் இந்த மூன்று வரிகளைப் பயன்படுத்துங்கள்: 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 சரியான இது உண்மையான பிரச்சினைகளை சரிசெய்யுமா? தவறான வரிகளை அழித்து, தவறான வரிகளை அழித்துக் கொள்ளுங்கள். வடிவமை தேவைப்பட்டபடியே அமைக்கப்பட்டுள்ளதா? No code comments / no table / தவறான திட்டம் முழுமை அவ்வாறு ஒவ்வொரு விதமான விதமான விதமான விதமான விதமான விதமான விதமான விதமான விதமான தவறான தகவல்களைத் தவிர்க்கவும், தவிர்க்கவும் Pro-tip: ஒரு QA நிபுணர் போன்ற ஒரு விரைவான "defect list" எழுதுங்கள்: . Goal Drift / Format Break / Missing Points / Wrong Concepts / Verbosity Step 2: Trace the defect back to the prompt திரும்பவும் பல்வேறு பிரச்சினைகள் நீங்கள் சரிசெய்ய முடியாத காரணங்களால் ஏற்படுகின்றன. 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 இலக்கு Drift தெளிவான Priorities கூறியதில்லை The விற்பனை Point முதல் பிரித்தானியா break format தெளிவாக இல்லை “Markdown table with headers” என்று கூறுவார்கள். Logic தவறு தவறான / missing definition ஆங்கிலத்தில் இதை Single Orgasm, Multiple Orgasm என்றும் கூறுகிறார்கள். விரிவாக அலுவலகம் தேவை இல்லை படிகள், நீளங்கள், பகுதிகள் குறிப்பிடப்படவில்லை முக்கியமான மாற்றங்கள் : SPEC குற்றவாளி don’t blame the model first Step 3: 4 high leverage adjustments ஒன்றை பயன்படுத்தவும் Strategy A: Add context + constraints (Fixes vagueness / goal drift) - இலக்குகளை சேர்க்க Add: Audience, Scenario, Priority Order, Forbidden Content, Required Points, தேவைப்பட்ட பொருட்கள் “Write an eco article.” ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை. .............................................................................................................................................................................. இது எத்தனையாவது [...] Before: After: Strategy B: Make format executable (Fixes format break) - வடிவமைக்கப்படும் Type + Scheme + Example என்று கூறுவார்கள். After prompt snippet: Return a Markdown table exactly like this: | Model | RAM | Storage | |---|---|---| | Example | 8GB | 128GB | Strategy C: Add or correct examples (நிராகரிப்புகளை சரிசெய்ய) ஆங்கிலம் தவறாக இருந்தால், . show it the pattern Example for Chain-of-Thought (correct pattern): “சார், ஐந்து ஆசைகள், இரண்டு உணவு, மூன்று உணவு” என்றார். Reasoning: 5−2=3, 3+3=6 பதில் : 6 ஆங்கிலத்தில் இதை Single Orgasm, Multiple Orgasm என்றும் கூறுகிறார்கள். பிரிவுகள், துப்பாக்கி எண்ணிக்கை, word limits, and what "done" looks like. “Shoot-Prompting” என்று எழுதினேன் ஒவ்வொரு தடவை: மேக்ஸ் » Prompt snippet: 3 steps 1 sentence 20 words Step 4: Validate (then decide if you will iterate again) – நீங்கள் மீண்டும் iterate செய்ய வேண்டுமா? மீண்டும் அதே மூன்று அணிகளுக்கும் எதிரான தீர்மானம். Stop when: இலக்கிய இலக்கு நிறைவேறியது, format is correct, பெரிய தவறுகள் இல்லை. நல்லாப் பாத்துக்கர வீட்டுல தான் வேலைக்குப் போறேன். :) Don't chase the perfect. . usable 3–5 iterations.If you are still unhappy after 5, the requirement may be underspecified or you might need a different model/tooling. Rule of thumb: Step 5: வெற்றியை Template (So you never start from zero again) ஒரு வகையிலேயே குளிர்ச்சியடைந்தால், ஒரு : prompt template Fixed Parts: Instructions, Structure, Formatting Rules - அமைப்பு, அமைப்பு மாற்றங்கள் : மாற்றங்கள் : மாற்றங்கள் : மாற்றங்கள் 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 Re-prompting compounds: you build a library of prompts that behave like tools.இவ்வாறு இணைப்புகளை மீண்டும் பிரதிபலிப்பது. முழுமையான Iteration Walkthrough உண்மையான ஒன்றை உருவாக்குவோம்: ஆனால், ஒரு தொழிலாளர் போலவே செயல்படுகிறார். 3 promo posts for a bubble tea brand 0 0 0 நிராகரித்தல் : நிராகரித்தல் “Write 3 social posts for Sweet Sprout Bubble Tea.” Prompt: திரும்பவும், திரும்பவும், திரும்பவும், திரும்பவும், திரும்பவும் இல்லை. Output: மதிப்பீடு குறிச்சொற்கள்: vague brand fit வடிவமைப்பு: No hashtags, no CTA Completeness: technically 3 posts, but zero differentiation ரவுடி 1: Brand Features + Platform Format சேர்க்கவும் Re-prompt: Brand: low-sugar, 0-cal தேர்வுகள் குறிச்சொற்கள்: Taro Boba Milk Tea விற்பனை vibe: Instagrammable interior Style: energic, emoji, end with 2–3 hashtags Differentiation: each post focuses on (1) taste, (2) photos, (3) low-cal ஆனால், ‘இப்போது ஏதாவது செய்யலாம்’ என்றார். Output improves சுற்றுப்புறம் 2: Add action trigger (location + promo) நாம் கூறுவோம் : அலுவலகம்: Manchester City Promo: BOGOF until 31 Oct CTA: “come by after work / this weekend” இப்பொழுது விவசாயிகள் விவசாயம் செய்து வருகின்றனர். தவறுகள் (and how not to waste your life) தவறு 1: எல்லாவற்றையும் மாற்றுதல் நீங்கள் ஒவ்வொரு முறையும் முழு பொறுப்பை மாற்றினால் என்ன வேலை செய்தது என்பதை நீங்கள் அறிய முடியாது. iteration மூலம் one major variable தவறு 2: “The model is bad” as your default diagnosis பெரும்பாலான நேரங்களில், உங்கள் வாசகம் குறிப்பிடவில்லை: முதலீடு வடிவமை குழப்பங்கள் உதாரணங்கள் வெற்றிகரமான criteria மூன்றாவது தவறு: Infinite iteration அது சரியாகவும், சரியாகவும் இருந்தால் அதை அனுப்புங்கள். தவறு 4: Final prompt ஐ சேமிக்க வேண்டாம் ஒரு வேலை மீண்டும், ஒரு மாதிரி ஒரு பெரிய ஒரு முறை பதில் விட அதிக மதிப்பு உள்ளது. தவறு 5: அதே கடிதத்தை பல்வேறு அட்டவணைகளில் பதிவிறக்க Hacker News இல் என்ன வேலை செய்கிறது TikTok இல் விழுந்துவிடும். விரைவில் platform constraints Workflow மற்றும் Tooling Tips ஒரு “defect → fix” cheat sheet (format missing → add schema + example; repeat → enforce distinct angles; concept wrong → add definition + exemplar) வைத்துக் கொள்ளுங்கள். நீங்கள் mass-generate 50 முன் 3-5 வெளியீடுகள் சோதனை. ஒரு Template System (Notion, Obsidian, even a git repo) ஐ சேமிக்கவும். நீங்கள் ஒரு குழுவில் வேலை செய்கிறீர்கள் என்றால்: குறியீடு போன்ற வழக்கமான பதிப்புகள் கண்காணிப்பு. இறுதி எடை Re-prompting is not a trick.இது ஒரு workflow. எழுதுவதற்கான தேவைகள் இருந்தால், நீங்கள் அதை அமைதியாக செய்ய போது, நீங்கள் நிறுத்த “ChatGPT விஷயங்களை கேட்க” மற்றும் படைப்பு தொடங்க நீங்கள் உண்மையில் ஒரு விமானம் முடியும். re-prompting is debugging those requirements reliable text-and-code generators