Ви вводите щось, модель відповідає, ви налаштуєте речення, воно отримує краще, і ви продовжуєте нудьгувати, поки це не спрацює - якщо це працює. Легко Це кошмар для будь-якого серйозного: текст відповідності, трубопроводи даних, генерація коду або виходи "не соромтеся мене перед командою". А ось і оновлення: . Prompt Reverse Engineering Це саме те, як це звучить: , а потім застосовувати цільові виправлення - наприклад, дебування, а не гадання. use the model’s wrong answer to backtrack into what your prompt failed to define Подумайте про поганий вихід як спосіб вашої моделі сказати: 
 
 Ви не сказали мені, що важливо». Ви не сказали мені, що важливо». Давайте перетворимо це на повторюваний робочий процес. Чому зворотна інженерія б'є випадковий промпт налаштування Навіть коли ви пишете прохання «хороше виглядати» (яке запитання, ввічливий тон, розумні обмеження), моделі все одно пропускають: 
 
 
 
 
 
 вікно часу, про яке ти дбаєш, цілісність якої ви очікуєте, формат, який потрібен вашому знижковому коду, роль, в якій хочеться, щоб модель залишалася, Визначення поняття «правильний». Зворотна інженерія дає вам метод, щоб знайти відсутній спектр — Без набрякування вашого попиту в роман. fast Чотири режими невдачі (і те, що вони дійсно розповідають вам) Більшість поспішних невдач потрапляють в одну з цих бактерій. Якщо ви можете назвати бактерію, ви зазвичай можете виправити поспіх в одному проході. 1) Фактичні невдачі Відповідь впевнено вказує на неправильні факти, змішує роки або вигадує цифри. Symptom: Завдання, глибокі у знаннях: звіти про ринок, академічне написання, резюме політики. Typical trigger: What your prompt likely missed: 
 
 
 
 експлицитний часовий діапазон («календарний рік 2023» проти «останні 12 місяців»), вимоги до джерела (цитати, названі набори даних), Падіння поведінки, коли модель не знає. Ви запитуєте: Модель відповідає за допомогою цифр 2022 року і ніколи не говорить, де вона їх отримала. Example (UK-flavoured): «Аналіз топ-3 брендів електромобілів за глобальними продажами в 2023 році». Prompt patch pattern: 
 
 
 
 Додайте «межу фактів»: рік, географію, одиницю. Потрібні цитати або прозорі "Я не впевнений" відгуки. Попросіть його повідомити про вилучення даних, якщо точні цифри недоступні. 2) Розбита логіка / відсутні кроки Вихід виглядає правдоподібним, але він пропускає кроки, стрибає висновки або доставляє «очерк», прикидаючись процесом. Symptom: Процедури, дебування, багатоступінчасті міркування, архітектурні плани. Typical trigger: What your prompt likely missed: 
 
 
 
 «Відкрити всі основні етапи» «Поясніть залежність/замовлення» «Використовуйте фіксовану структуру (контрольний список / трубопровід / рецепт)» Ви запитуєте: Він перераховує тільки «попрацювати з відсутніми значеннями» і «видалити відхилення» і називає це днем. Example: «Поясніть повний робочий процес очищення даних Python». Prompt patch pattern: 
 
 
 
 Натисніть послідовність (A → B → C → D). Потрібна причина для оформлення замовлення. Потрібен тест на прийняття рішень («Як я знаю, що цей крок потрібен?»). 3) Формат дрейфу Ви запитуєте таблицю Markdown / JSON / YAML / блок коду ... і він повертає дружній параграф, як це пише блог. Symptom: Все, що означало для машин: структуровані виходи, файли конфігурації, завантаження, таблиці. Typical trigger: What your prompt likely missed: 
 
 
 
 строгості («вихід тільки дієвий JSON»), обмеження схеми (ключі, типи, необхідні поля), короткий приклад (невеликий знімок) модель може імітувати. Ви запитуєте: Він відповідає в прозі і змішує продавець + дату випуску в одному реченні. Example: "Дайте мені таблицю Markdown трьох популярних LLM". Prompt patch pattern: 
 
 
 
 Додайте схему, плюс «без додаткових ключів». Додайте «ні прози за межами блоку». Наведіть невеликий приклад. 4) Роль / тон дрейфу Ви запитуєте пояснення педіатра і отримуєте медичний журнал абстракт. Symptom: Роль гра, підтримка клієнтів, коучинг, комунікації з зацікавленими сторонами. Typical trigger: What your prompt likely missed: 
 
 
 
 як ролі говорять (рівень читання, теплота, табу жаргон), первинна мета ролі (забезпечення, переконання, деескалація), заборонений контент («уникайте медичного жаргону; визначте терміни, якщо це неминуче»). Prompt patch pattern: 
 
 
 
 Вкажіть аудиторію («занепокоєний батько», «молодший інженер», «CTO»). Визначте правила тону («дружній, несудовий, англійська англійська»). Вкажіть Do/Don’t словник. 5 кроків зворотного інженерного процесу Це «припиніть гадати». тримайте його легким. Зробіть одну зміну за раз. Крок 1: Визначте відхилення (значте точну помилку) Напишіть очікуваний вихід як контрольний список, а потім виділіть, де вихід розходився. Приклад перевірки: 
 
 
 
 
 2023 рік Включає в себе частку ринку Джерела Порівняйте топ 3 брендів / Якщо ви не можете точно описати помилку, ви не можете точно її виправити. Крок 2: інферируйте відсутній спектр (помилковий дефект) За кожну відхилення запитуйте: 
 
 
 Яка інструкція запобігла б цьому? Яку неоднозначність модель «вирішила» в неправильному напрямку? Типові недоліки : 
 
 
 
 
 відсутня межа (час, регіон, одиниця) відсутність обмежень по повному обсягу, відсутність вихідної схеми, Відсутність обмежень тону / ролі. Крок 3: Перевірте гіпотезу з мінімальною спробою редагування Не перепишіть весь запропонований варіант, виправляйте один дефект і перезапустіть. Якщо результат покращується очікуваним чином, ваша гіпотеза була правильною. Крок 4: Застосуйте цільовий зразок оптимізації Після підтвердження застосовується найменша довговічна фіксація: 
 
 
 
 
 Гранична клауза: «Використовуйте дані 2023 (з січня по грудень); якщо ви не впевнені, скажіть так». Клаузула схеми: «Вернути дійсний JSON, що відповідає цій схемі...» Положення про охоплення: «Включіть ці 6 кроків...» Мова йде так: «Поясніть, як я новий, уникайте жаргону». Крок 5: Запишіть зміну (будівництво пробного журналу змін) Це частина, яку більшість людей пропускають - і частина, яка перетворюється на інженерну практику. Зберігайте невеликий запис: 
 
 
 
 
 
 Оригінальна швидка Модель, яка провалилася Недостатня гіпотеза Patch застосовувався Результат Згодом ви будете створювати особисту бібліотеку «загальна невдача → стандартний патч». Повний робочий приклад: виправлення сповіщення «Потік роботи з очищення даних» Давайте зробимо це правильно. Початковий швидкий 
 
 «Використовуючи Python, напишіть повний процес очищення даних за допомогою кроків і коду». «Використовуючи Python, напишіть повний процес очищення даних за допомогою кроків і коду». Поганий (поганий) результат Він повертає лише два пункти: 
 
 
 Використання відсутніх цінностей Видалити Outliers І він викидає код без контексту, без порядку і без перевірки рішень. Відворотна інженерна діагностика Deviation points 
 
 
 
 Відсутність основних кроків (двійники, тип лиття, стандартизація) Немає виправдання для наказу Кодексу бракує коментарів та зауважень про застосування Prompt defects 
 
 
 
 Немає списку «основні кроки» → модель вибирає частковий підсумок Без обмежень на замовлення → вихід моделі в довільному порядку Немає «поясніть, коли використовувати» → код стає копіювати / вставляти байт Попередня статтяПопередня статтяМінімальна, але специфічна 
 
 
 Використовуючи панди, опишіть повний робочий процес очищення даних в такому порядку: 
 
 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.” Використовуючи панди, опишіть повний робочий процес очищення даних в такому порядку: 
 
 дублює → 2) типи даних → 3) відсутні значення → 4) відбитки. Для кожного кроку включають: мету, коли вона застосовується, і коди, котрі коментуються. Результат (що добре виглядає) Нижче знаходиться а Приклад, який ви можете повторно використовувати. Зверніть увагу, що ми не використовуємо жорсткий код Сліпий: ми розбиваємося на сліпий. 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
 Це не «відмінне очищення даних» (що залежить від домену), але це Когерентний, захищений трубопровід з контролем прийняття рішень - саме те, чого ваш оригінальний запрошення не вимагали. є Схована пастка: межі можливостей моделі Іноді модель помиляється, тому що у неї немає даних — особливо для «останніх» чисел. Якщо ви бачите ту саму фактичну невдачу після посилення кордонів і запиту джерел, припиніть занурюватися. Додайте здоровий спадок: 
 
 
 
 «Якщо не знаєш, скажи, що не знаєш». «Вкажіть останній рік, в якому ви впевнені». «Скажіть, з якого джерела мені слід звертатися». Це перетворює галюцинацію на корисну відповідь. Поширені помилки (і як їх уникнути) Помилка 1: «Прошу бути правильним» як виправлення Це не обмеження, це бажання. Замість цього: визначити правильність через межі + перевірка + відхилення. Помилка 2: надмірне обмеження всього Якщо ви виправити один дефект, додавши десять не пов'язаних правил, ви отримаєте швидкий набряк і гірше дотримання. Пачінка вашого дефекту, а не вашої тривоги. Помилка 3: Не підтверджуйте свою гіпотезу Ви не можете стверджувати, що виправлення спрацювало, якщо ви не перезавантажите його з мінімальним патчем і не побачите очікуваного поліпшення. Розглянемо це як одиничний тест. Практичні звички, які роблять цю стрижку 
 
 
 
 
 
 Зберігайте таксономію невдач (факти / логіка / формат / роль). Використовуйте One-Patch-Per-Run під час дебування. Створіть швидкий changelog (серйозно, це обманний код). Коли вам потрібна структура, використовуйте схеми + дрібні приклади. Коли вам потрібна надійність, вимагайте розкриття невизначеності. Помилкові відповіді не тільки дратують - вони Якщо ви навчитеся їх читати, ви припиняєте «промотувати» і починаєте . Інформація engineering

Read My Stories

Це аудіо створено мовою оригіналу історії!

Прогнозована зворотна інженерія: виправити ваші заклики, вивчивши неправильні відповіді

About Author

КОМЕНТАРІ

ПОВІСИТИ БИРКИ

ЦЯ СТАТТЯ БУЛА ПРЕДСТАВЛЕНА В

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps