איך לכתוב Prompt טוב: מה משנה בין תוצאה בינונית למדויקת

"תכתוב לי פוסט על שיווק דיגיטלי" ו"תכתוב לי פוסט של 400 מילה לעסקים קטנים בישראל שרוצים להתחיל שיווק בפייסבוק בלי תקציב, בטון מעשי עם דוגמה אחת קונקרטית" הם שני פרומפטים לאותה משימה בערך - אבל התוצאה שלהם שונה כמו שני מאמרים שנכתבו על ידי שני אנשים שונים. ההבדל לא במודל, אלא בכמות ההחלטות שהמודל צריך לנחש בעצמו.

הפרומפט החלש: מה קורה בפועל

כשמבקשים "תכתוב לי פוסט על שיווק דיגיטלי", המודל צריך לנחש בעצמו: לאיזה קהל, באיזה אורך, באיזה טון, ומה בדיוק הזווית. הוא כן עונה - אבל הוא ממלא כל החלטה חסרה בברירת המחדל הכי סבירה סטטיסטית, שהיא כמעט תמיד הבחירה הכי כללית וגנרית. התוצאה נשמעת סבירה בקריאה ראשונה ולא אומרת כלום בקריאה שנייה.

זו לא בעיה של המודל - זו בעיה של הפרומפט. גם ChatGPT וגם Claude יתנהגו כך, כי שניהם עובדים לפי אותו עיקרון: פחות מידע בקלט שווה יותר ניחוש בפלט.

מה משתנה כשמוסיפים הקשר

מדריך הפרומפטים הרשמי של Anthropic ממליץ להתחיל תמיד מהגדרה ברורה של קריטריון הצלחה - איך תדעו שהתוצאה טובה - לפני שכותבים את הפרומפט עצמו. ההמלצות הרשמיות של OpenAI מוסיפות עיקרון דומה: לתת למודל טקסט ייחוס כשיש כזה, ולפרק משימה מורכבת לתת-משימות קטנות יותר במקום לבקש הכל בבת אחת.

בפרקטיקה זה מתורגם לארבעה מרכיבים שכדאי לכלול כמעט תמיד:

תפקיד: אתה כותב תוכן שיווקי לעסקים קטנים בישראל
משימה: כתוב פוסט בן 400 מילה על התחלת שיווק בפייסבוק בלי תקציב
קהל: בעלי עסק קטן שמעולם לא הריצו קמפיין ממומן
פורמט: כותרת, 3 טיפים מעשיים, דוגמה אחת קונקרטית, בלי סיכום כללי

זה אותו רעיון בדיוק כמו הבקשה הראשונה - רק שכל החלטה שהמודל היה צריך לנחש כתובה מראש.

דוגמאות שוות יותר מהסבר

עיקרון נוסף מ-Anthropic שנוטים לדלג עליו: דוגמה אחת קונקרטית של פלט רצוי משנה תוצאה יותר מהסבר מילולי ארוך על מה שרוצים. במקום לכתוב "בטון לא רשמי מדי", עדיף להדביק משפט קיים שמייצג את הטון המדויק שרוצים - למשל פסקה ממייל ששלחתם בעבר וקיבל תגובות טובות - ולבקש מהמודל להתאים את הכתיבה החדשה אליה. מודלי שפה טובים בהרבה בחיקוי דוגמה קונקרטית מאשר בפענוח תיאור מופשט של סגנון, בדיוק כמו שקל יותר להעתיק סגנון כתיבה של מישהו כשקוראים קטע שלו, מאשר לקבל רשימת תארים שמתארים אותו.

טבלה: מה לבדוק לפני שלוחצים שלח

מרכיב	שאלה לבדיקה	דוגמה
תפקיד	האם הגדרתי מי "המודל" אמור להיות בהקשר הזה?	"אתה עורך תוכן טכני"
קהל	האם ברור למי מיועד הפלט?	"למפתחים בכירים, לא למתחילים"
פורמט	האם ציינתי מבנה, אורך או צורת פלט?	"טבלה, לא רשימה"
דוגמה	האם יש דוגמה קונקרטית של תוצאה טובה?	פסקה קיימת שמייצגת את הטון הרצוי

לפרק משימה גדולה לצעדים קטנים

עיקרון נוסף שמופיע גם אצל Anthropic וגם ב-OpenAI: משימה מורכבת שמבקשים בבת אחת יוצאת שטחית יותר ממשימה שמפרקים לשלבים. במקום לבקש "תכתוב לי תוכנית תוכן לרבעון", עדיף לבקש קודם רשימת נושאים, לאשר או לערוך אותה, ורק אז לבקש פירוט לכל נושא בנפרד. זה נראה כמו עוד עבודה, אבל בפועל חוסך יותר סבבי תיקון מאשר לקבל תוצר גדול ולא מדויק בפעם אחת ולתקן אותו מההתחלה.

זה נכון במיוחד למשימות שיש בהן כמה שכבות החלטה - מבנה, תוכן, וטון - כי כשמבקשים הכל יחד המודל נוטה לפשר בין השכבות ולצאת ממוצע במקום מדויק בכל אחת מהן.

איפה זה עדיין נשבר

גם פרומפט מנוסח היטב לא מבטיח דיוק עובדתי - מודל שמקבל פרומפט מפורט ומדויק עדיין יכול להמציא מספר, שם או ציטוט בביטחון מלא. פרומפט טוב משפר את המבנה, הטון וההתאמה למשימה, אבל לא הופך את המודל למקור אמין לעובדות שלא נבדקו. כל נתון קונקרטי שיוצא מהמודל - מחיר, תאריך, סטטיסטיקה - עדיין דורש אימות מול מקור חיצוני לפני שמשתמשים בו.

מה לנסות עכשיו

קחו פרומפט שכתבתם לאחרונה וקיבלתם ממנו תוצאה בינונית. הוסיפו לו רק שני דברים - קהל היעד המדויק ופורמט הפלט הרצוי - בלי לשנות שום דבר אחר, ובידקו את ההבדל. ברוב המקרים זה השינוי הכי זול שאפשר לעשות לפרומפט קיים, והוא לרוב זה שמניב את הקפיצה הכי גדולה באיכות.