Prompt (language models) (HI)

प्रॉम्प्ट (अंग्रेज़ी prompt से — «संकेत» या «पाठ्य अनुरोध») बड़े भाषा मॉडल (LLM) के संदर्भ में वह इनपुट पाठ या निर्देश है, जो उपयोगकर्ता आवश्यक उत्तर उत्पन्न करने के लिए मॉडल को प्रदान करता है। प्रॉम्प्ट मॉडल के लिए कार्य को परिभाषित करता है, जिसमें आवश्यक शर्तें, संदर्भ और उदाहरण शामिल होते हैं। मॉडल की कार्यक्षमता काफी हद तक प्रॉम्प्ट की गुणवत्ता पर निर्भर करती है।

पाठ्य अनुरोधों के विकास और अनुकूलन के तरीकों का अध्ययन करने वाले विषय को prompt engineering कहा जाता है। इसका उद्देश्य AI-मॉडलों से अधिकतम प्रासंगिक, सटीक और सुरक्षित उत्तर प्राप्त करना है। सुविचारित प्रॉम्प्ट मॉडल को कार्य निष्पादन का «मार्ग» निर्धारित करता है, जिससे आवश्यक संदर्भ और वांछित परिणाम स्पष्ट होते हैं।

विकास का इतिहास

LLM के व्यवहार को पाठ्य संकेतों द्वारा नियंत्रित करने का विचार स्वयं मॉडलों की क्षमताओं के विकास के साथ-साथ उभरा।

प्रारंभिक चरण (GPT-2)

पहले से ही 2019 में, OpenAI के शोधकर्ताओं ने प्रदर्शित किया कि बड़े पूर्व-प्रशिक्षित भाषा मॉडल, जैसे GPT-2, अतिरिक्त प्रशिक्षण के बिना नए कार्यों को हल करने में सक्षम हैं, यदि उन्हें पाठ के रूप में प्रस्तुत किया जाए। शोधपत्र «Language Models are Unsupervised Multitask Learners» ने एक मौलिक बदलाव को रेखांकित किया: प्रत्येक कार्य के लिए मॉडल को fine-tune करने के बजाय, इनपुट में एक स्पष्ट निर्देश देना पर्याप्त हो गया।

GPT-3 और In-Context Learning के साथ सफलता

2020 में GPT-3 मॉडल के आगमन के साथ वास्तविक सफलता मिली। 175 अरब parameters के साथ, GPT-3 ने संदर्भ-आधारित अधिगम (in-context learning) की क्षमता प्रदर्शित की — अनुरोध के पाठ में सीधे दिए गए कुछ उदाहरणों से नए कार्य को «तुरंत» सीखना। इस कार्य-पद्धति को few-shot learning («कुछ उदाहरणों से अधिगम») नाम मिला और इसने दिखाया कि मॉडल के आकार को बढ़ाने से बिना किसी weight-tuning के NLP-कार्यों में उच्च गुणवत्ता प्राप्त होती है।

Chain-of-Thought (CoT) का उदय

2022 में आगे का विकास मॉडलों की जटिल तार्किक विवेचना की क्षमता में सुधार से जुड़ा था। विवेचना-श्रृंखला के प्रारूप में विशेष संकेत (chain-of-thought prompting) प्रस्तावित किए गए। ऐसे प्रॉम्प्ट में मॉडल को न केवल प्रश्न, बल्कि उत्तर से पहले चरणबद्ध, क्रमिक विवेचना का उदाहरण भी मिलता है। इससे अंकगणितीय और तार्किक कार्यों में समाधानों की सटीकता में उल्लेखनीय वृद्धि हुई। Kojima और उनके सहयोगियों के शोध ने दिखाया कि मॉडल को उदाहरणों (zero-shot) के बिना भी, केवल अनुरोध के अंत में «चलिए कदम दर कदम सोचते हैं» जोड़कर विवेचना के लिए प्रेरित किया जा सकता है।

बहु-विधात्मक प्रॉम्प्ट

प्रॉम्प्ट की अवधारणा पाठ की सीमाओं से परे चली गई। 2022 में DALL-E 2 और Stable Diffusion मॉडलों के आगमन के साथ, प्राकृतिक भाषा में उपयोगकर्ता अनुरोध छवियों और बाद में संगीत व वीडियो उत्पन्न करने के लिए एक सार्वभौमिक इंटरफ़ेस बन गए।

प्रॉम्प्ट के प्रकार और प्रयोग की तकनीकें

प्रॉम्प्ट के कई मुख्य प्रकार और तकनीकें हैं, जिन्हें अक्सर संयुक्त किया जाता है।

Zero-shot prompting (प्रत्यक्ष अनुरोध)

मॉडल को केवल निर्देश या प्रश्न बिना किसी उदाहरण के मिलता है। इस मोड में LLM पूर्व-प्रशिक्षण के दौरान प्राप्त अपने सामान्य ज्ञान पर निर्भर करता है। यह सरल कार्यों, जैसे अनुवाद या पाठ सारांश, के लिए उपयुक्त है।

Few-shot prompting (उदाहरण-आधारित अधिगम)

निर्देश के अलावा, प्रॉम्प्ट में इनपुट और अपेक्षित आउटपुट के साथ एक या अधिक उदाहरण शामिल किए जाते हैं। मॉडल इन नमूनों से «तुरंत सीखता» है और सीखे गए तर्क को नए अनुरोध पर लागू करता है। in-context learning को क्रियान्वित करने वाली यह विधि उन कार्यों में सटीकता को महत्वपूर्ण रूप से बढ़ाती है जहाँ एक निश्चित प्रारूप या उत्तर शैली महत्वपूर्ण होती है।

विवेचना-श्रृंखला (Chain-of-Thought, CoT)

जटिल विवेचना (गणित, तर्क) की आवश्यकता वाले कार्यों के लिए एक विशेष प्रकार का प्रॉम्प्ट। संकेत में अंतिम उत्तर से पहले चरणबद्ध विश्लेषण या समाधान योजना शामिल की जाती है। यह मॉडल को विवेचना प्रक्रिया को स्पष्ट रूप से संरचित करने के लिए बाध्य करता है, जो परिणाम की गुणवत्ता में उल्लेखनीय सुधार करता है।

संकेत-समायोजन (Prompt Tuning)

एक तकनीक जिसमें प्रॉम्प्ट के मैन्युअल लेखन के बजाय स्वतः अनुकूलित संकेत का उपयोग किया जाता है। प्रॉम्प्ट को विशेष प्रशिक्षण योग्य token (निरंतर वेक्टर) के एक समूह के रूप में प्रस्तुत किया जाता है, जो उपयोगकर्ता के अनुरोध में जोड़ा जाता है। केवल इस छोटे वेक्टर-प्रॉम्प्ट को प्रशिक्षित करके, न्यूनतम कम्प्यूटेशनल लागत पर एक बड़े «frozen» मॉडल को नए कार्य के लिए अनुकूलित किया जा सकता है।

एक विषय के रूप में Prompt Engineering

पेशे का उदय

LLM की बढ़ती क्षमताओं ने एक नई विशेषज्ञता को जन्म दिया — प्रॉम्प्ट इंजीनियर। ये विशेषज्ञ AI से आवश्यक व्यवहार प्राप्त करने के लिए पाठ्य संकेतों को विकसित और परिष्कृत करते हैं। प्रॉम्प्ट इंजीनियर इनपुट डेटा को सबसे प्रभावी तरीके से संरचित करने के लिए भाषाविज्ञान, तर्क और मनोविज्ञान के ज्ञान का उपयोग करते हैं। 2022–2023 में इस पद के लिए पहली रिक्तियाँ प्रकट हुईं, जो AI-प्रणालियों के साथ प्रभावी संपर्क कौशल की उच्च माँग को दर्शाती हैं।

पेशे का भविष्य और स्वचालन

यह क्षेत्र तेज़ी से विकसित हो रहा है और इसका भविष्य बहस का विषय है। 2024 के शोध, उदाहरण के लिए VMware से, ने दिखाया कि AI स्वयं परीक्षण और अनुकूलन के माध्यम से प्रभावी अनुरोध-शब्दावली खोजने में सक्षम है, जो अक्सर मानवीय प्रयासों से बेहतर होती है। इसने यह राय उत्पन्न की कि मैन्युअल prompt engineering एक अस्थायी घटना हो सकती है, और समय के साथ स्वचालित संकेत-चयन के उपकरण मानक बन जाएंगे। फिर भी, 2025 की स्थिति के अनुसार, prompt engineering में विशेषज्ञता की माँग बनी हुई है।

अनुप्रयोग के क्षेत्र

• प्राकृतिक भाषा प्रसंस्करण: क्लासिक NLP-कार्य, जैसे दस्तावेज़ों का स्वचालित सारांश, मशीनी अनुवाद, प्रश्नों के उत्तर और सूचना निष्कर्षण।
• चैटबॉट और आभासी सहायक: प्रॉम्प्ट भूमिका, संचार शैली और उत्तरों के प्रारूप को निर्धारित करने में सहायता करते हैं, जिससे संवाद प्रणालियाँ अधिक सुसंगत और उपयोगी बनती हैं।
• कोड उत्पादन: OpenAI Codex जैसे मॉडल प्राकृतिक भाषा में विवरण के आधार पर प्रोग्राम कोड लिखने में सक्षम हैं, जिससे विकास में तेज़ी आती है।
• डेटा विश्लेषण: प्रॉम्प्ट की सहायता से मॉडल को असंरचित पाठ्य रिपोर्टों से अंतर्दृष्टि निकालने या परिकल्पनाएँ उत्पन्न करने के लिए कॉन्फ़िगर किया जा सकता है।
• शिक्षा: बुद्धिमान शिक्षकों का निर्माण जो कार्य उत्पन्न करते हैं, जटिल अवधारणाओं को समझाते हैं और छात्र के स्तर को ध्यान में रखते हुए उत्तरों की जाँच करते हैं।
• रचनात्मक उद्योग: विस्तृत विवरण के आधार पर पाठ, कलात्मक छवियाँ, संगीत और पटकथाओं का उत्पादन।

हानिकारक उपयोग और कमज़ोरियाँ (Prompt Injection)

LLM के इंटरफ़ेस की खुलापन ने हमलों के एक नए वर्ग को जन्म दिया — संकेत अंतःक्षेपण (prompt injection)। आक्रमणकारी एक विशेष हानिकारक अनुरोध तैयार करता है जो मॉडल को उसके प्रारंभिक निर्देशों का उल्लंघन करने या छिपी हुई जानकारी प्रकट करने के लिए बाध्य करता है। विशेषज्ञ इसे «कोड इंजेक्शन» प्रकार के हमले का एक रूप मानते हैं, जहाँ कोड के बजाय प्रणाली में कपटपूर्ण पाठ्य निर्देश «इंजेक्ट» किए जाते हैं।

हमलों के प्रकार

• Jailbreak: एक हमला जो मॉडल को लगाए गए प्रतिबंधों (उदाहरण के लिए, मॉडरेशन नीति) की सीमाओं से «बाहर निकलने» और प्रतिबंधित सामग्री उत्पन्न करने की अनुमति देता है। एक जाना-माना उदाहरण DAN-प्रॉम्प्ट (Do Anything Now) है, जिसने ChatGPT को बिना सेंसर के उत्तर देने के लिए प्रेरित किया।
• Prompt Leaking: एक विशेष अनुरोध मॉडल को उसके छिपे हुए सिस्टम प्रॉम्प्ट के अंश प्रकट करने के लिए बाध्य करता है।
• Token Smuggling: हानिकारक निर्देश को अनुरोध के एक हानिरहित भाग (उदाहरण के लिए, कोड का एक अंश) के रूप में छिपाया जाता है ताकि फ़िल्टरों को दरकिनार किया जा सके और अवांछित व्यवहार को उत्तेजित किया जा सके।

ये हमले एक गंभीर समस्या उत्पन्न करते हैं, क्योंकि पारंपरिक साइबर सुरक्षा विधियाँ प्राकृतिक भाषा की व्याख्या से जुड़े खतरों के लिए बुरी तरह अनुकूलित हैं।

साहित्य

• Radford, A. et al. (2019). Language Models are Unsupervised Multitask Learners. PDF.
• Brown, T. B. et al. (2020). Language Models are Few-Shot Learners. arXiv:2005.14165.
• Wei, J. et al. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. arXiv:2201.11903.
• Wang, X. et al. (2022). Self-Consistency Improves Chain of Thought Reasoning in Language Models. arXiv:2203.11171.
• Kojima, T. et al. (2022). Large Language Models are Zero-Shot Reasoners. arXiv:2205.11916.
• Li, X. L.; Liang, P. (2021). Prefix-Tuning: Optimizing Continuous Prompts for Generation. arXiv:2101.00190.
• Liu, Y. et al. (2021). Fantastically Ordered Prompts and Where to Find Them: Overcoming Few-Shot Prompt Order Sensitivity. arXiv:2104.08786.
• Chang, K. et al. (2024). Efficient Prompting Methods for Large Language Models: A Survey. arXiv:2404.01077.
• Li, Z. et al. (2024). Prompt Compression for Large Language Models: A Survey. arXiv:2410.12388.
• Genkina, D. (2024). AI Prompt Engineering Is Dead. IEEE Spectrum. [५].
• Li, W. et al. (2025). A Survey of Automatic Prompt Engineering: An Optimization Perspective. arXiv:2502.11560.
• Wu, Z. et al. (2025). The Dark Side of Function Calling: Pathways to Jailbreaking Large Language Models. EMNLP 2025. PDF.