--- title: "Core prompt engineering techniques (HU)" source: "https://systems-analysis.info/int/Core_prompt_engineering_techniques_(HU)" wiki: "systems-analysis.info/int" article: "Core_prompt_engineering_techniques_(HU)" language: "hu" categories: - "Category:Hungarian" - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" revision_id: 1253 wiki_created_at: 2026-09-06T22:45:50Z wiki_modified_at: 2026-09-06T22:45:50Z downloaded_at: 2026-09-07T22:44:58Z --- # Core prompt engineering techniques (HU) **A prompt engineering** számos technikát és módszertant foglal magában, amelyek célja a nagy nyelvi modellekkel (LLM) való interakció optimalizálása a kívánt eredmények elérése érdekében. Ezek a technikák a kérések strukturálására, a kontextus megadására, a kimenet stílusának irányítására és a modell következtetési képességének javítására vonatkoznak. Mivel az LLM-ek a választ a bemeneti prompt alapján a következő tokenek előrejelzésével generálják, a prompt minősége és szerkezete közvetlenül befolyásolja az eredményt. A prompt engineering főbb technikái lehetővé teszik a fejlesztők és felhasználók számára, hogy hatékonyan irányítsák a modell viselkedését, csökkentsék a hibákat, és a modellt konkrét feladatokhoz igazítsák anélkül, hogy a modell belső paramétereit módosítanák. ## A prompt alapelvei és szerkezete Bár a konkrét megvalósítások eltérnek, a hatékony promptok gyakran általános elvek és szerkezet figyelembevételével készülnek: - **Empirikus iránymutatások:** Az egyik gyakorlati szerkezetként (de nem iparági szabványként) a következő elveket javasolják: Irány megadása, Formátum meghatározása, Példák megadása, Minőség értékelése és Feladat felosztása. - A hatékony prompt általában a következő összetevőket tartalmazza: - **Bevezető/Szerep:** Meghatározza a feladat kontextusát vagy a modell szerepét/személyiségét. - **Utasítások:** Egyértelmű iránymutatás arról, mit kell tenni. - **Kontextus:** A szükséges információ (statikus vagy dinamikusan lekért RAG segítségével). - **Példák (Few-shot):** A kívánt formátum/stílus bemutatása. - **Válaszkérés:** Explicit utasítás arra, hogy a modellnek mit kell generálnia. - **Rendszerüzenet (System Prompt):** Az API csevegő felületein (pl. OpenAI, Anthropic modelleinél) lehetővé teszi globális utasítások és szerep megadását az egész munkamenetre. - **Formázás:** A Markdown, JSON, XML vagy YAML használata segít strukturálni a promptot és megkönnyíti a válasz feldolgozását. Az elválasztók (\`\`\`, \`\\\\\\\`, XML-tagek) fontosak az utasítások és az adatok elkülönítéséhez. ## Az utasítások és példák főbb technikái - **Egyértelmű és konkrét utasítások:** A feladatot, a kívánt eredményt és a korlátokat a lehető legpontosabban kell leírni. Kerülni kell a kétértelműséget. - **Szerepjátszás (Role Prompting):** A modellnek szerep kiosztása („Te egy szakértő vagy a... területén") a hangnem, a stílus és a tudásbázis irányítása érdekében. - **Zero-shot Prompting:** Kérés példák nélkül. Egyszerű vagy a modell által jól ismert feladatoknál hatékony. - **Few-Shot Prompting:** Néhány (általában 2–5) „kérdés-válasz" példa megadása a feladat bemutatásához. Különleges esete az egyetlen példát tartalmazó **One-shot Prompting**. Különösen hasznos összetett formátumoknál vagy stílusoknál. Óvatosságot igényel, hogy elkerüljük az eltolódást (anchoring) vagy a hamis minták felismerését a példákból. ## Kontextuskezelési technikák - **Retrieval-Augmented Generation (RAG):** Releváns információk dinamikus hozzáadása külső tudásbázisokból a prompthoz az LLM-nek való elküldés előtt. A Meta AI által 2020-ban először bevezetett módszer kulcsfontosságú a hallucinációk elleni küzdelemben és az adatok naprakészségének biztosításában. - **Darabolás (Chunking):** Nagy szövegek kisebb részekre (darabokra) osztása, hogy beleférjenek a modell kontextusablakába. A stratégiák közé tartozik a mondatok, bekezdések, tokenek szerinti felosztás (átfedéssel). - **Összefoglalás (Sumarizáció):** Hosszú szövegek vagy párbeszéd-előzmények tömörítése az alapvető értelem átadásához korlátozott kontextusban. ## A következtetés (Reasoning) javításának technikái Ezek a technikák arra irányulnak, hogy a modellt alaposabb és strukturáltabb „gondolkodásra" késztessék. Sok közülük, különösen a CoT, nagy méretű modelleken (általában 100 milliárd paraméternél nagyobb) mutatja hatékonyságát. - **Chain-of-Thought (CoT):** Utasítás a modellnek, hogy a végső válasz előtt lépésről lépésre haladó érvelést generáljon. Jelentősen javítja az eredményeket matematikai, logikai és többlépéses feladatoknál. - **Zero-shot CoT:** A legegyszerűbb forma, amely nem igényel példákat. A prompthoz hozzáadott „Gondolkozzunk lépésről lépésre" (Let's think step by step) jellegű kifejezés már képes elindítani a gondolatmenetet. - **A CoT változatai:** - **Auto-CoT:** Érvelési példák automatikus generálása few-shot promptinghoz. - **Self-Consistency:** Több gondolatmenet generálása és a leggyakoribb válasz kiválasztása „szavazással", ami növeli a megbízhatóságot. - **Tree-of-Thoughts (ToT):** Több érvelési út feltárása fa formájában, visszalépés és a közbenső lépések értékelésének lehetőségével. Ez a technika magas hatékonyságot mutat összetett feladatoknál, például a „Game of 24" megoldásának sikerességét ~4%-ról ~74%-ra növeli. - **Graph-of-Thought (GoT), LogiCoT** és mások, amelyek összetettebb vagy logikailag ellenőrzött érvelésre irányulnak. - **ReAct (Reason and Act):** A CoT-ot továbbfejlesztő technika. Egy iteratív ciklust képvisel, amelyben a modell felváltva végez Érvelési (Thought) és Eszközhasználati (Act) lépéseket, frissítve megértését a Megfigyelések (Observation) alapján. - **Self-Refine:** Iteratív folyamat, amelyben a modell először választ generál, majd kritikát fogalmaz meg róla, végül saját kritikája alapján javítja azt. Ez a „generálás–kritika–javítás" ciklus többször is megismételhető. - **Take a Step Back Prompting:** A modell először általános elveket vagy absztrakciókat fogalmaz meg, majd alkalmazza azokat a konkrét feladatra. ## Haladó technikák: ágensek és eszközök - **Eszközhasználat (Tool Usage) / Függvényhívás (Function Calling):** Az LLM-nek lehetőséget biztosít külső API-k (keresés, számológép, adatbázis) hívására. A modell strukturált eszközhívási kérést generál, amelyet az alkalmazás hajt végre, az eredményt pedig visszaadja a modellnek. A modern LLM-ek (GPT-4, Claude 3) beépített támogatással rendelkeznek ehhez a funkcióhoz. - **Ágensek (Agents):** LLM-alapú rendszerek, amelyek autonóm módon képesek tervezni, eszközöket használni és cselekedni egy cél elérése érdekében. Gyakran ReAct-szerű ciklusokat alkalmaznak. A keretrendszerek (LangChain, AutoGen, CrewAI) egyszerűsítik létrehozásukat. - **Többágenses rendszerek:** Több specializált ágens együttműködése összetett feladatok megoldásához. ## A hibák és hallucinációk csökkentésének technikái - **RAG:** A válaszok lekért tényszerű adatokhoz való kötése. - **Válaszkorlátozási utasítások:** Annak megkövetelése, hogy a modell csak a megadott kontextus alapján válaszoljon, vagy jelezze bizonytalanságát („Ha a válasz ismeretlen, mondd azt: 'Nem tudom'"). - **Hivatkozás kérése:** A modelltől források megjelölésének vagy a válasz alapját képező kontextusbeli részek idézésének megkövetelése. - **Ellenőrzés és önkritika:** Olyan technikák alkalmazása, mint a **Chain-of-Verification (CoVe)** (válasz generálása, majd annak ellenőrzése és korrekciója), Self-Refine, vagy közvetlen felkérés a modellnek, hogy ellenőrizze saját válaszát hibák szempontjából. - **CoT:** A lépésről lépésre haladó érvelés önmagában is csökkentheti a logikai hibákat. ## Értékelési és iterációs technikák Bár az értékelés önálló folyamat, egyes aspektusai a prompt engineering részét képezik: - **Promptok A/B tesztelése:** A promptok különböző verzióinak hatékonyságát ugyanazokon a feladatokon hasonlítják össze. - **LLM alkalmazása értékelésre:** Egy erős modell (pl. GPT-4) alkalmazása a másik prompt vagy modell által generált válaszok minőségének értékelésére (LLM-as-a-Judge). ## Prompt minták Gyakori, újrafelhasználható szerkezetek: - **Személyiségminta (Persona Pattern).** - **Kimeneti testreszabási minta (Output Customization Pattern).** - **Pontosítási kérési minta (Question Refinement Pattern).** - **Kognitív ellenőrzési / önkritikai minta (Cognitive Verifier / Self-Critique Pattern).** - **Lépésről lépésre haladó érvelési minta (Step-by-Step / Chain-of-Thought Pattern).** - **Sablonminta (Template Pattern).** ## Irodalom - 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. ## Lásd még - Nagy nyelvi modellek - Chain-of-Thought Prompting - LLM-hallucinációk és helytelen válaszok