प्रॉम्प्ट एक स्पेसिफ़िकेशन है। प्रॉम्प्ट इंजीनियरिंग का मतलब है उसे अच्छी तरह लिखना और जाँचना कि मॉडल उसका पालन करता है।
यह कैसे काम करती है
OpenAI की गाइड प्रॉम्प्ट इंजीनियरिंग को “the process of writing effective instructions for a model” (अनुवाद: मॉडल के लिए असरदार निर्देश लिखने की प्रक्रिया) बताती है, ताकि वह “consistently generates content that meets your requirements” (अनुवाद: लगातार आपकी ज़रूरतों के मुताबिक़ कंटेंट बनाए)। मुख्य तकनीकें अलग-अलग कंपनियों में काफ़ी हद तक एक जैसी हैं:
| तकनीक | क्या करें |
|---|---|
| रोल | नियम सिस्टम प्रॉम्प्ट (या developer मैसेज) में रखें और अनुरोध यूज़र मैसेज में |
| ढाँचा | सिस्टम प्रॉम्प्ट का क्रम रखें: पहचान, निर्देश, उदाहरण, कॉन्टेक्स्ट; हिस्से अलग दिखाने के लिए Markdown हेडिंग और XML टैग इस्तेमाल करें |
| उदाहरण | अलग-अलग केस कवर करने वाले कुछ इनपुट-आउटपुट जोड़े दें (few-shot प्रॉम्प्टिंग) |
| रीज़निंग | स्टेप-बाय-स्टेप सोचने को कहें (chain of thought), या रीज़निंग मॉडल इस्तेमाल करें |
| आउटपुट फ़ॉर्मैट | एक तय फ़ॉर्मैट माँगें, या जहाँ API सपोर्ट करे वहाँ स्ट्रक्चर्ड आउटपुट इस्तेमाल करें |
| स्थिरता | मॉडल का वर्शन पिन करें, ताकि व्यवहार आपकी जानकारी के बिना न बदले |
Anthropic का परिचय तीन चीज़ों से शुरू करने को कहता है: सफलता के साफ़ पैमाने, उन पर टेस्ट करने का तरीक़ा, और प्रॉम्प्ट का पहला ड्राफ़्ट। व्यवहार में इसका मतलब है एक eval सेट।
एक छोटा उदाहरण, पहले और बाद में। “Before” वाला प्रॉम्प्ट सिर्फ़ टिकट का सारांश माँगता है। “After” वाला भूमिका तय करता है, तीन बुलेट (समस्या, ग्राहक पर असर, अगला क़दम) माँगता है, एरर मैसेज ग्राहक के शब्दों में रखने और कारणों का अंदाज़ा न लगाने को कहता है:
Before: Summarize this ticket.
After: You summarize support tickets for an engineering team.
Write 3 bullet points: the problem, the customer impact, the next step.
Use the customer's words for error messages. Do not guess at causes.
<ticket>...</ticket>
एजेंट के लिए प्रॉम्प्ट एक बड़े कॉन्टेक्स्ट का एक हिस्सा है। Anthropic का context engineering वाला लेख प्रॉम्प्ट इंजीनियरिंग, यानी “methods for writing and organizing LLM instructions” (अनुवाद: LLM के निर्देश लिखने और व्यवस्थित करने के तरीक़े), को context engineering से अलग करता है, जो मॉडल को दिखने वाली बाक़ी हर चीज़ सँभालती है।
यह क्यों मायने रखती है
- बिना ट्रेनिंग के क्वालिटी. फ़ाइन-ट्यूनिंग या बड़े मॉडल से पहले, बेहतर प्रॉम्प्ट सबसे सस्ता उपाय है।
- लागत. सिस्टम प्रॉम्प्ट हर अनुरोध पर दोबारा भेजा जाता है। जो हिस्सा आउटपुट नहीं बदलता, उसे हटा दें; प्रॉम्प्ट टोकन घटाना देखें।
- माइग्रेशन. एक मॉडल के लिए ट्यून किया गया प्रॉम्प्ट दूसरे पर अलग बर्ताव कर सकता है। मॉडल बदलते समय अपना eval सेट फिर से चलाएँ।
BroadNet Inference पर
BroadNet के चैट मॉडल स्टैंडर्ड Chat Completions वाली messages लिस्ट लेते हैं, इसलिए system, user और assistant रोल और few-shot उदाहरण हमेशा की तरह काम करते हैं। कोड लिखने से पहले आप प्लेग्राउंड में प्रॉम्प्ट आज़मा सकते हैं। अरबी आउटपुट के लिए अरबी प्रॉम्प्ट इंजीनियरिंग रजिस्टर, बोली, अंकों और दाएँ-से-बाएँ फ़ॉर्मैटिंग को कवर करता है।
स्ट्रक्चर्ड आउटपुट GLM 5.3 और Qwen3.8 27B के लिए डॉक्यूमेंटेड है। DeepSeek V4.1 Flash, GLM 5.3 और Qwen3.8 27B पर रीज़निंग max_tokens में गिनी जाती है, इसलिए “think step by step” (स्टेप-बाय-स्टेप सोचो) वाले प्रॉम्प्ट को बजट में भी जगह चाहिए।