Hvad er modelinstruktioner og systemprompts?
Modelinstruktioner er de faste retningslinjer, en sprogmodel får med i starten af en samtale eller et job, så den ved, hvilken rolle den har, hvilken tone den skal bruge, hvilke kilder den må stole på, og hvad den aldrig må gøre. En systemprompt er den konkrete tekst, der bærer de instruktioner. I drift er det jeres "ansættelseskontrakt" med modellen: ikke en kreativ øvelse, men styring af adfærd på tværs af tusindvis af kald.
Prompts i demo og prompts i drift er to forskellige discipliner
Vi ser ofte virksomheder bruge måneder på at finpudse en systemprompt i et chatvindue, som én konsulent tester. Drift kræver noget andet: versionering, ejerskab, test på rigtige sager og en plan for, hvad der sker, når modellen eller dataene ændrer sig. En prompt, ingen vedligeholder, forfalder stille, og kvaliteten skrider, før nogen opdager det.
Gode modelinstruktioner i produktion dækker typisk:
- Rolle og mål: hvad skal modellen opnå i dette flow?
- Kilder: hvilke data må den bruge, og hvad gør den ved mangler?
- Format: hvordan skal output struktureres, så næste trin kan bruge det?
- Grænser: hvad må den ikke beslutte alene?
- Eskalation: hvornår skal et menneske ind?
Det hænger sammen med prompt engineering, men i drift er vedligehold og måling vigtigere end formuleringen af den perfekte sætning.
Instruktioner skal matche konsekvensen
Jo højere konsekvens en fejl har, jo strammere skal instruktionerne være, og jo tydeligere skal human-in-the-loop være. Hos Radiometer kører et automatiseret oversættelsesflow med translation memory og glossarer, men sprogspecialister validerer i et dedikeret workspace, før noget går videre. Instruktionerne til maskinen og rammerne omkring mennesket hænger sammen: fuld automatisering af det rutineprægede, menneskelig kontrol, hvor fejl koster. Se casen her.
Behandl systemprompts som produktionskode
Giv dem ejer, versionsnummer og en lille testsuite af rigtige sager. Mål fejl og eskalationer løbende, ikke ved klager. Og husk, at instruktioner ikke erstatter datakvalitet eller integrationer. De styrer modellens adfærd, når grundlaget er på plads. Læs mere om, hvorfor AI-piloter dør, når drift og ejerskab mangler.