Det meste prompt engineering fokuserer på nøjagtighed og fuld dækning af instruktionerne. De største gevinster i produktion opnås ved at behandle selve dialogen som den centrale designopgave.
Ved at angive intentioner som udløser- og handlingspar vejledes modellen i at træffe beslutninger frem for at få et manuskript, den ikke kan slippe ud af. Placeringen i et prompt er i sig selv en instruktion. Identiteten står først, nuancerne i adfærden i midten og de faste begrænsninger til sidst. Alt, der virkelig er afgørende, står begge steder.
En af de mest effektfulde ændringer er at skrive promptet i den ønskede tone frem for at beskrive den.
De mest sammenhængende agenter har prompts, der behandler forskellige øjeblikke i samtalen som særskilte interaktioner med hver sin passende form, men som hele vejen igennem bevarer den samme genkendelige stemme.
I nogle tilfælde giver det mere sammenhængende og velfunderede svar at adskille tænkende agenter fra talende agenter, samtidig med at intern ræsonnering ikke slipper ud i svarene.
Vi har tidligere introduceret et nyt paradigme for prompting baseret på indsigter fra lingvistik og kognitiv psykologi. Vi skrev om vigtigheden af at skabe et klart og velafgrænset problemfelt, som vores agent kan arbejde inden for, og om, hvordan dette problemfelt skal rumme den overordnede dialogopgave, der er indbygget i kundevendt AI.
Nu ser vi på nogle praktiske måder, vores prompts er begyndt at ændre sig på, efterhånden som vi har forsøgt at omsætte principperne til produktion.
På tværs af hundredvis af iterationer af prompts i aktive kundevendte systemer er de største gevinster ikke kommet fra flere instruktioner, flere eksempler eller de gængse normer for prompt engineering. De er i stedet kommet af at gøre dialogen til problemets kerne.
Løbende udforskning og test har afdækket en række effektive teknikker. Vi ændrede et prompt og fulgte, hvor samtalen lykkedes eller slog fejl. Derefter sporede vi fejlene tilbage til vejledningens effektivitet, promptets struktur og vores sprogbrug. Resultatet er en håndfuld mønstre, der kan gentages, og som ændrer, hvordan agenten fortolker sin rolle i samtalen, vælger sit næste træk og konsekvent fastholder sin stemme på tværs af skiftende kontekster.
Det følgende er ikke en universel ramme eller en påstand om, at prompting nu er »løst«. Det er en sammenfatning i fem mønstre af det, der holdt i produktion, når målet ikke blot var funktionel nøjagtighed, men bedre dialog: svar, der føles sammenhængende, naturlige og ensartede nok til at repræsentere et brand.
Et agentbaseret system kan struktureres på mange måder, men orkestrerede arbejdsgange med flere agenter er fortsat populære. Især i sådanne systemer opnåede vi den mest konsekvente forbedring ved at adskille de tænkende agenter fra de talende.
Orkestrering af intentioner, klassificering, udtrækning af viden og brug af værktøjer er alle interne funktioner. Svar til kunderne er kundevendte. Når samme agent gør begge dele i samme runde, kan intern ræsonnering og logik sive ud i svarene. Svarene bliver forbeholdne, overdrevent nuancerede eller struktureret efter processens logik frem for personens behov.
Denne ene begrænsning gør overraskende meget. Den forankrer svarene i den faktiske samtale, forhindrer konteksten i at blive nulstillet og skaber noget, der ligger tættere på det, vi kalder »at levere forskellen«. I sidste ende tilføjer agenten kun det mindst mulige nye bidrag, der reelt hjælper brugeren videre.
Beslutningen om, hvilken type svar der skal gives, er også vigtig. Vi fandt ud af, at det pålideligt reducerede den mest almindelige samtalefejl, når den talende agent skulle vælge en responstype, før den skrev noget – svare, afklare, omdirigere eller bede brugeren vente. Problemet var ikke dårlig tekst, men et helt forkert svar.
Det er værd at bemærke, at de nyeste banebrydende modeller under de rette forhold er begyndt at udfordre præmissen for dette mønster. Mange udviklere bruger dog stadig mindre eller ældre modeller af forskellige årsager, og i de tilfælde anbefaler vi klart at adskille de interne og kundevendte funktioner.
For modeller uden ræsonnering virker eksempler med få eksempler, fordi de er konkrete og hurtige, og fordi modeller reagerer godt på dem. Problemet er overtilpasning. Giv et model et eksempel, og det hæfter sig ved ordene, rytmen og formen. Det bliver ved med at producere nært beslægtede varianter af det samme svar, selv når situationen har ændret sig.
Du har utilsigtet skrevet et manuskript, som modellen ikke kan slippe ud af.
Implementeringsintentioner eller tommelfingerregler er et mere holdbart alternativ. I stedet for at vise modellen, hvad den skal sige i bestemte scenarier*,* giver vi den et bredere udløser- og handlingspar: Hvis X sker, skal den gøre Y.
Den afgørende forskel er, at vi ikke indsnævrer X og Y med ét eksempel ad gangen, så de bliver stadig mere rigide. I stedet afgrænser vi dem tydeligt med en så præcis instruktion, at eksempler bliver overflødige. Det gør agenten lydhør over for reel variation i samtalen i stedet for at få den til at matche mønstre fra en skabelon.
I praksis ligner det mindre eksempler og mere handlingsklare tommelfingerregler:
If a key detail is missing, ask one clarifying question.
If the answer isn’t supported, say so directly and offer the best available next step.
If the request hits a guardrail, decline briefly and redirect without ceremony.
Det er ikke glamourøst, men langt mere robust end et bibliotek af eksempelsvar, fordi det lærer modellen at træffe beslutninger frem for at gentage noget.
Et elements placering i et prompt påvirker, hvor stor vægt det får. Det er et gennemgående mønster, som vi har observeret på tværs af modeller og implementeringer. Begyndelsen og slutningen af et prompt tiltrækker uforholdsmæssigt meget opmærksomhed. Det, der står i midten, er nuancerne – og det er netop dér, de hører hjemme.
Det har vi for øje, når vi strukturerer vores prompts. Agentens rolle og selvforståelse står øverst, så identiteten fastlægges før alt andet. Midten rummer detaljerne om adfærden: hvordan samtalen sandsynligvis vil udvikle sig, de tommelfingerregler, der styrer svarene, og de situationer, agenten skal kunne håndtere. Faste begrænsninger og ufravigelige krav står nederst, hvor de kommer øverst i bevidstheden.
Alt, der virkelig er afgørende, placerer vi begge steder. En specifik outputregel – for eksempel en fast instruktion om tegnsætning eller formatering – kan let blive overset, hvis den kun optræder én gang midt i et kompakt prompt. Gentages den til sidst, bliver den fulgt.
I forbindelse med aktualitetseffekten er det værd at bemærke, at strukturerede outputs i praksis er den allersidste instruktion i dit prompt, når de bruges. Beskrivelsesfelterne i dine strukturerede outputs påvirker svarenes kvalitet og udgør en stærkere outputkontrakt end resten af promptet.
Vi har lært, at vi heller ikke bør bruge eksempler med få eksempler til tone of voice, og det er en af de ændringer, der har haft størst effekt på vores kundevendte agenter.
I stedet skriver vi hele promptet i den ønskede tone. Ikke en beskrivelse af tonen eller en række tillægsord, der tilnærmer sig den, men selve tonen skrevet helt ud fra første til sidste linje. Promptet bliver demonstrationen. Vi kalder det »antimanuskript«: Modellen vejledes til at efterligne sit input, men får samtidig lov til at bruge et bredere udvalg af formuleringer, der ligger i samme stilistiske område som selve promptet.
Sådan prompter vi for variation inden for en sammenhængende tone. Det er en del af vores strategi for at gøre dialogen central i enhver agents opgave uden at bruge eksplicitte instruktioner, som vi forsøger at holde på et minimum.
Hvis vi bruger eksplicitte eksempler på tone of voice, viser de, »hvad man ikke skal gøre«. For eksempel: “No em dashes. Ever. No clichés. No policy dumping. No over-explanation when a single sentence will close the loop.” Negative begrænsninger er både mere præcise og mindre indskrænkende end positive ambitioner, fordi de udpeger de fejlmønstre, som modellen med størst sandsynlighed glider over i.
Formateringen er også vigtig her og slår tonen an for svaret. Et prompt fyldt med punktopstillinger, overskrifter og instruktioner i parentes styrer modellen mod et mere organiseret og klinisk output. Hvis outputtet skal føles som en samtale, bør inputtet ikke ligne et specifikationsdokument i stikordsform.
De fleste prompts om tone ender med at handle om personlighed. Man angiver en række tillægsord, der skal beskrive, hvordan agenten bør lyde. Varm. Professionel. Venlig, men kortfattet. Det er ikke forkert, men det, der reelt afgør, hvordan en tone opleves i en samtale, er det sproglige register: hvordan den samme grundlæggende karakter opfører sig i forskellige sociale situationer.
En ventebesked, mens en forespørgsel behandles, bør ikke lyde som et endeligt svar. Et svar udløst af en sikkerhedsregel bør ikke have samme energi som smalltalk. En frustreret kunde bør ikke mødes med samme charme eller humor som en kunde, der blot kigger sig omkring.
Det er forskellen mellem en brandstemme og samtaledesign. En brandstemme beskriver ofte karakteren, mens samtaledesign afgør, hvordan karakteren opfører sig, når situationen ændrer sig. Når vi rammer rigtigt, er vi ikke blot tekstforfattere, der arbejder med AI-output. Vi designer, hvordan en stemme bevæger sig gennem en samtale.
Du vil bemærke, at ingen af disse mønstre er teknisk komplekse. Det er til dels hele pointen. Arkitekturen i et agentbaseret system er vigtig, men når det gælder samtalekvalitet, skal du bruge betydelig tid på at designe og finjustere dine prompts.
Kløften mellem rent funktionel og reelt samtalende AI lukkes ikke med teknisk design. Det kræver en klarere forståelse af, hvordan sprog og opmærksomhed fungerer i menneskelig dialog, og at dialogen gøres central i dine agenters problemfelt.
For AI-produktteams, softwareingeniører og oplevelsesdesignere fortjener samtaledesign samme grundighed som teknisk ekspertise i kundevendt AI. For menneskene på den anden side af samtalerne findes der ingen model, intet samarbejde mellem flere agenter og intet værktøjskald – kun en interaktion, der enten føles rigtig eller forkert. En interaktion, der enten skaber eller svækker tillid.
I sidste ende oplever ingen arkitekturen. De oplever samtalen.
Samtalen er produktet.