--- title: "Core prompt engineering techniques — טכניקות עיקריות בהנדסת פרומפטים" source: "https://systems-analysis.info/int/Core_prompt_engineering_techniques_%E2%80%94_%D7%98%D7%9B%D7%A0%D7%99%D7%A7%D7%95%D7%AA_%D7%A2%D7%99%D7%A7%D7%A8%D7%99%D7%95%D7%AA_%D7%91%D7%94%D7%A0%D7%93%D7%A1%D7%AA_%D7%A4%D7%A8%D7%95%D7%9E%D7%A4%D7%98%D7%99%D7%9D" wiki: "systems-analysis.info/int" article: "Core_prompt_engineering_techniques_—_טכניקות_עיקריות_בהנדסת_פרומפטים" language: "he" categories: - "Category:Hebrew" - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" revision_id: 1261 wiki_created_at: 2026-09-06T22:45:58Z wiki_modified_at: 2026-09-06T22:45:58Z downloaded_at: 2026-09-07T22:45:01Z --- # Core prompt engineering techniques — טכניקות עיקריות בהנדסת פרומפטים **הנדסת פרומפטים (Prompt Engineering)** כוללת מגוון טכניקות ושיטות המכוונות לאופטימיזציה של האינטראקציה עם מודלי שפה גדולים (LLM) לשם השגת תוצאות רצויות. טכניקות אלו עוסקות במבנה הבקשות, במתן הקשר, בניהול סגנון הפלט ובשיפור יכולת ההיסק של המודל. מכיוון ש-LLM מייצרים תגובה על ידי חיזוי token-ים הבאים על בסיס ה-prompt הנכנס, האיכות והמבנה של ה-prompt משפיעים ישירות על התוצאה. הטכניקות העיקריות בהנדסת פרומפטים מאפשרות למפתחים ולמשתמשים לנהל ביעילות את התנהגות המודל, להפחית שגיאות ולהתאים אותו למשימות ספציפיות מבלי לשנות את הפרמטרים הפנימיים של המודל. ## עקרונות בסיסיים ומבנה ה-Prompt אמנם יישומים ספציפיים משתנים, אך prompts יעילים נבנים לרוב תוך התחשבות בעקרונות ומבנה כלליים: - **כללי אצבע אמפיריים:** כמבנה מעשי אחד (אך לא כסטנדרט תעשייתי), מוצע לדבוק בעקרונות הבאים: לתת כיוון, לציין פורמט, לספק דוגמאות, להעריך איכות ולפרק את המשימה. - prompt יעיל כולל לרוב את המרכיבים הבאים: - **מבוא/תפקיד:** מגדיר את הקשר המשימה או את תפקיד/פרסונת המודל. - **הוראות:** הנחיות ברורות מה יש לעשות. - **הקשר:** מידע נחוץ (סטטי או שנשלף דינמית דרך RAG). - **דוגמאות (Few-shot):** הדגמה של הפורמט/הסגנון הרצוי. - **בקשת תגובה:** ציון מפורש של מה שעל המודל לייצר. - **הודעת מערכת (System Prompt):** בממשקי API של צ'אט (כגון מודלי OpenAI, Anthropic) מאפשרת להגדיר הוראות גלובליות ותפקיד לכל הסשן. - **עיצוב (Formatting):** שימוש ב-Markdown, JSON, XML או YAML מסייע למבנה ה-prompt ומקל על פירוס (parsing) התגובה. מפרידים (\`\`\`, \`\\\\\\\`, תגיות XML) חשובים להפרדת הוראות מנתונים. ## טכניקות עיקריות של הוראות ודוגמאות - **הוראות ברורות וספציפיות:** תיאור מדויק ככל האפשר של המשימה, התוצאה הרצויה והמגבלות. להימנע מעמימות. - **מודלינג תפקידים (Role Prompting):** הקצאת תפקיד למודל ("אתה מומחה ב...") לשם ניהול הטון, הסגנון ובסיס הידע. - **Zero-shot Prompting:** בקשה ללא דוגמאות. יעיל למשימות פשוטות או מוכרות היטב למודל. - **Few-Shot Prompting:** מתן מספר דוגמאות (בדרך כלל 2 עד 5) של "שאלה-תשובה" להדגמת המשימה. מקרה פרטי הוא **One-shot Prompting** עם דוגמה אחת. שימושי במיוחד עבור פורמטים או סגנונות מורכבים. מצריך זהירות כדי להימנע מהטיה (anchoring) או לכידת דפוסים שגויים מהדוגמאות. ## טכניקות ניהול הקשר - **Retrieval-Augmented Generation (RAG):** הוספה דינמית של מידע רלוונטי ממאגרי ידע חיצוניים ל-prompt לפני שליחתו ל-LLM. שיטה זו, שהוצעה לראשונה על ידי Meta AI ב-2020, היא מרכזית במאבק בהזיות ובהבטחת עדכניות הנתונים. - **חלוקה לנתחים (Chunking):** פיצול טקסטים גדולים לחלקים קטנים יותר (chunks) כדי להתאים לחלון ההקשר של המודל. האסטרטגיות כוללות פיצול לפי משפטים, פסקאות, token-ים (עם חפיפה). - **סיכום (Summarization):** דחיסת טקסטים ארוכים או היסטוריית דיאלוג להעברת המשמעות המרכזית בהקשר מוגבל. ## טכניקות לשיפור ההיסק (Reasoning) טכניקות אלו מכוונות לגרום למודל \\לחשוב\\ בצורה מדוקדקת ומובנית יותר. היעילות של רבות מהן, ובמיוחד CoT, באה לידי ביטוי במודלים בקנה מידה גדול (בדרך כלל מעל 100 מיליארד פרמטרים). - **Chain-of-Thought (CoT):** הנחיה למודל לייצר היסק שלב-אחר-שלב לפני התשובה הסופית. משפר משמעותית תוצאות במתמטיקה, לוגיקה ומשימות רב-שלביות. - **Zero-shot CoT:** הצורה הפשוטה ביותר, שאינה מצריכה דוגמאות. הוספת ביטוי כגון «בואו נחשוב שלב אחר שלב» (Let's think step by step) ל-prompt עשויה כבר להפעיל שרשרת היסק. - **וריאציות של CoT:** - **Auto-CoT:** יצירה אוטומטית של דוגמאות היסק ל-few-shot prompting. - **Self-Consistency:** יצירת מספר שרשראות היסק ובחירת התשובה השכיחה ביותר באמצעות \\הצבעה\\, דבר המגביר את האמינות. - **Tree-of-Thoughts (ToT):** חקירת מספר נתיבי היסק בצורת עץ, עם אפשרות חזרה ובחינת שלבי ביניים. טכניקה זו מדגימה יעילות גבוהה במשימות מורכבות, למשל מעלה את שיעור ההצלחה ב-\\Game of 24\\ מ-~4% ל-~74%. - **Graph-of-Thought (GoT), LogiCoT** ואחרות, המכוונות להיסק מורכב יותר או מבוסס לוגיקה מאומתת. - **ReAct (Reason and Act):** טכניקה המרחיבה את CoT. מהווה מחזור איטרטיבי שבו המודל מחליף צעדי היסק (Thought) ופעולה עם שימוש בכלים (Act), ומעדכן את הבנתו על בסיס תצפיות (Observation). - **Self-Refine:** תהליך איטרטיבי שבו המודל מייצר תחילה תגובה, לאחר מכן מבקר אותה, ולבסוף משפר אותה על בסיס הביקורת העצמית. מחזור \\יצירה-ביקורת-שיפור\\ זה עשוי לחזור מספר פעמים. - **Take a Step Back Prompting:** המודל מנסח תחילה עקרונות כלליים או הפשטות, ולאחר מכן מיישם אותם על המשימה הספציפית. ## טכניקות מתקדמות: סוכנים וכלים - **שימוש בכלים (Tool Usage) / קריאת פונקציות (Function Calling):** מתן אפשרות ל-LLM לקרוא ל-API חיצוניים (חיפוש, מחשבון, מסד נתונים). המודל מייצר בקשה מובנית לקריאת כלי, המבוצעת על ידי האפליקציה, והתוצאה מוחזרת למודל. LLM מודרניים (GPT-4, Claude 3) כוללים תמיכה מובנית בפונקציה זו. - **סוכנים (Agents):** מערכות מבוססות LLM שיכולות לתכנן באופן עצמאי, להשתמש בכלים ולפעול להשגת מטרה. משתמשות לרוב במחזורים דמויי ReAct. מסגרות עבודה (LangChain, AutoGen, CrewAI) מפשטות את יצירתן. - **מערכות רב-סוכניות:** אינטראקציה של מספר סוכנים מתמחים לפתרון משימות מורכבות. ## טכניקות להפחתת שגיאות והזיות - **RAG:** עיגון תגובות בנתונים עובדתיים שנשלפו. - **הוראות להגבלת תגובה:** דרישה לענות רק על בסיס ההקשר שסופק או לציין אי-ודאות (\\אם התשובה אינה ידועה, אמור 'אני לא יודע'\\). - **בקשת ציטוטים:** דרישה מהמודל לציין מקורות או לצטט חלקים מההקשר עליהם מתבססת התשובה. - **אימות וביקורת עצמית:** שימוש בטכניקות כגון **Chain-of-Verification (CoVe)** (יצירת תגובה ולאחריה בדיקתה ותיקונה), Self-Refine, או בקשה ישירה מהמודל לבדוק את תשובתו לאיתור שגיאות. - **CoT:** היסק שלב-אחר-שלב כשלעצמו עשוי להפחית שגיאות לוגיות. ## טכניקות הערכה ואיטרציה אמנם הערכה היא תהליך נפרד, אך כמה מהיבטיה הם חלק מהנדסת פרומפטים: - **בדיקות A/B של prompts:** השוואת יעילות גרסאות שונות של prompts על אותן משימות. - **שימוש ב-LLM להערכה:** שימוש במודל חזק (כגון GPT-4) להערכת איכות התגובות שייצר prompt או מודל אחר (LLM-as-a-Judge). ## תבניות Prompts מבנים נפוצים לשימוש חוזר: - **תבנית הפרסונה (Persona Pattern)** - **תבנית התאמת הפלט (Output Customization Pattern)** - **תבנית בקשת הבהרות (Question Refinement Pattern)** - **תבנית אימות קוגניטיבי / ביקורת עצמית (Cognitive Verifier / Self-Critique Pattern)** - **תבנית היסק שלב-אחר-שלב (Step-by-Step / Chain-of-Thought Pattern)** - **תבנית תבנית (Template Pattern)** ## ספרות - 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. - Lewis, P. et al. (2020). *Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks*. arXiv:2005.11401. - 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. - Bai, Y. et al. (2022). *Constitutional AI: Harmlessness from AI Feedback*. arXiv:2212.08073. - 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. - Zhang, Z. et al. (2022). *Automatic Chain of Thought Prompting in Large Language Models*. arXiv:2210.03493. - Zhou, D. et al. (2022). *Least-to-Most Prompting Enables Complex Reasoning in Large Language Models*. arXiv:2205.10625. - Yao, S. et al. (2022). *ReAct: Synergizing Reasoning and Acting in Language Models*. arXiv:2210.03629. - Besta, M. et al. (2023). *Graph of Thoughts: Solving Elaborate Problems with Large Language Models*. arXiv:2308.09687. - Madaan, A. et al. (2023). *Self-Refine: Iterative Refinement with Self-Feedback*. arXiv:2303.17651. - Schick, T. et al. (2023). *Toolformer: Language Models Can Teach Themselves to Use Tools*. arXiv:2302.04761. - Rafailov, R. et al. (2023). *Direct Preference Optimization: Your Language Model is Secretly a Reward Model*. arXiv:2305.18290. - Wang, Y. et al. (2023). *Self-Instruct: Aligning Language Models with Self-Generated Instructions*. arXiv:2212.10560. - Yao, S. et al. (2023). *Tree of Thoughts: Deliberate Problem Solving with Large Language Models*. arXiv:2305.10601. - Chen, S. Y. et al. (2023). *Extending Context Window of Large Language Models via Positional Interpolation*. arXiv:2306.15595. - Chang, K. et al. (2024). *Efficient Prompting Methods for Large Language Models: A Survey*. arXiv:2404.01077. - Genkina, D. (2024). *AI Prompt Engineering Is Dead*. *IEEE Spectrum*. [1]. - Li, Z. et al. (2024). *Prompt Compression for Large Language Models: A Survey*. arXiv:2410.12388. - Liang, X. et al. (2024). *Internal Consistency and Self-Feedback in Large Language Models: A Survey*. arXiv:2407.14507. - Han, H. et al. (2025). *Retrieval-Augmented Generation with Graphs (GraphRAG)*. arXiv:2501.00309. - 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. - Yang, B. et al. (2025). *Hallucination Detection in Large Language Models with Metamorphic Relations*. arXiv:2502.15844. ## ראו גם - מודלי שפה גדולים - Chain-of-Thought Prompting - הזיות ותגובות שגויות של LLM