---
title: "Meta Prompting (BN)"
source: "https://systems-analysis.info/int/Meta_Prompting_(BN)"
wiki: "systems-analysis.info/int"
article: "Meta_Prompting_(BN)"
language: "bn"
categories:
  - "Category:Bengali"
  - "Category:Large language models"
  - "Category:Machine learning"
  - "Category:Prompt engineering"
revision_id: 4244
wiki_created_at: 2026-09-06T23:32:33Z
wiki_modified_at: 2026-09-06T23:32:33Z
downloaded_at: 2026-09-07T23:01:37Z
---

# Meta Prompting (BN)

**মেটা-প্রম্পটিং** (ইংরেজি: *meta-prompting*) — এটি prompt engineering-এর একটি উন্নত পদ্ধতি, যেখানে বৃহৎ ভাষা মডেল (LLM) নিজস্ব নির্দেশনা (প্রম্পট) তৈরি, সংশোধন এবং অপ্টিমাইজ করতে ব্যবহৃত হয়<sup>[\[1\]](https://systems-analysis.info/int/Meta_Prompting_(BN)#cite_note-cookbook_openai-1)</sup>। প্রচলিত পদ্ধতিতে মানুষ নিজে হাতে বিস্তারিত নির্দেশনা লেখেন, কিন্তু মেটা-প্রম্পটিং মডেলটি যে ভূমিকা পালন করবে এবং কাজটি সমাধানের **কাঠামো** নির্ধারণের উপর মনোযোগ কেন্দ্রীভূত করে। অন্য কথায়, এটি বর্ণনা করে *কীভাবে* কাজটি সমাধান করতে হবে, প্রতিটি নির্দিষ্ট ক্ষেত্রে *কী* করতে হবে তা নয়<sup>[\[2\]](https://systems-analysis.info/int/Meta_Prompting_(BN)#cite_note-intuition_labs-2)</sup>।

এই পদ্ধতি LLM-কে স্বাধীনভাবে জটিল সমস্যা বিভাজন করতে, অনুরোধ পরিমার্জন করতে এবং ইটারেটিভভাবে নিজের উত্তর উন্নত করতে সক্ষম করে, যা আরও স্বায়ত্তশাসিত ও অভিযোজনযোগ্য কৃত্রিম বুদ্ধিমত্তা সিস্টেম তৈরির পথ খুলে দেয়।

## মূল পদ্ধতি ও প্রস্তাবনাসমূহ

«মেটা-প্রম্পটিং» পরিভাষাটি ২০২৩ সালের শেষ থেকে ২০২৪ সালের শুরুর দিকে বৈজ্ঞানিক সাহিত্যে ব্যাপক প্রসার লাভ করে, যখন বেশ কয়েকটি গবেষণা দল LLM পরিচালনার ক্ষেত্রে একই ধরনের পদ্ধতি উপস্থাপন করে।

### «কাঠামো নির্মাণ» পদ্ধতি (Scaffolding)

মূল প্রস্তাবনাগুলির একটি স্ট্যানফোর্ড বিশ্ববিদ্যালয় এবং OpenAI-এর গবেষকদের দ্বারা প্রস্তাবিত হয়েছিল<sup>[\[3\]](https://systems-analysis.info/int/Meta_Prompting_(BN)#cite_note-suzgun2024-3)</sup>। **scaffolding** নামক এই কাঠামোয়, একই ভাষা মডেল (পরীক্ষায় GPT-4) একই সাথে একাধিক ভূমিকা পালন করে:

- **পরিচালক (Conductor)**: উচ্চ-স্তরের মেটা-প্রম্পট গ্রহণ করে এবং জটিল কাজটিকে একাধিক সহজ উপকাজে বিভাজন করে।
- **বিশেষজ্ঞ (Experts)**: «পরিচালক» তার একাধিক «বিশেষজ্ঞ» উদাহরণ শুরু করে, প্রতিটি বিশেষভাবে নির্ধারিত নির্দেশনা অনুযায়ী আলাদা উপকাজ সমাধান করে।
- **সংহতকরণ**: «পরিচালক» «বিশেষজ্ঞদের» কাজ সমন্বয় করে এবং তাদের উত্তরগুলো চূড়ান্ত সমাধানে একত্রিত করে।

এই অর্কেস্ট্রেশন পদ্ধতি জটিল কাজ সমাধানের কার্যকারিতা উল্লেখযোগ্যভাবে বৃদ্ধি করেছে। উদাহরণস্বরূপ, পরীক্ষায় মেটা-প্রম্পটিং সাধারণ একক-ধাপের অনুরোধের তুলনায় **১৭.১%** এবং বহু-উপাদান যুক্তি প্রয়োজনীয় কাজের সেটে (যেমন «২৪» খেলা, দাবার ধাঁধা) অন্যান্য উন্নত পদ্ধতির তুলনায় ১৫–১৭% বেশি কার্যকর ছিল<sup>[\[3\]](https://systems-analysis.info/int/Meta_Prompting_(BN)#cite_note-suzgun2024-3)</sup>। উল্লেখযোগ্যভাবে, এই পদ্ধতিটি কাজ-নিরপেক্ষ প্রকৃতির এবং *zero-shot* মোডে কাজ করে, প্রতিটি নতুন কাজের জন্য নির্দিষ্ট উদাহরণের প্রয়োজন হয় না।

### তাত্ত্বিক পদ্ধতি ও কাঠামোগত টেমপ্লেট

সমান্তরালভাবে, সিংহুয়া বিশ্ববিদ্যালয়ের গবেষকদের একটি দল মেটা-প্রম্পটিং-এর নিজস্ব ধারণা প্রস্তাব করে, কাজের বিষয়বস্তু থেকে মনোযোগ সরিয়ে তথ্য উপস্থাপনার **সিনট্যাক্স ও রূপের** উপর কেন্দ্রীভূত করে<sup>[\[4\]](https://systems-analysis.info/int/Meta_Prompting_(BN)#cite_note-zhang2024-4)</sup>। বিভাগীয় মডেলের উপর ভিত্তি করে, তারা প্রদর্শন করেছেন যে সমস্যার কাঠামোর বিমূর্ত বিবরণ মডেলকে মানবিক গভীরতার কাছাকাছি যুক্তি তৈরি করতে এবং জটিল প্রশ্নগুলোকে কার্যকরভাবে সহজ ধাপে বিভাজন করতে সক্ষম করে।

### সম্পর্কিত ধারণাসমূহ

মেটা-প্রম্পটিং-এর ধারণাগুলো অন্যান্য পদ্ধতিতেও প্রকাশ পায়:

- **Automatic Prompt Engineer (APE)**: এমন একটি পদ্ধতি যেখানে LLM স্বয়ংক্রিয়ভাবে নিজের জন্য কার্যকর নির্দেশনা তৈরি ও বাছাই করে, প্রাপ্ত ফলাফলের গুণমান অনুযায়ী সেগুলো মূল্যায়ন করে<sup>[\[5\]](https://systems-analysis.info/int/Meta_Prompting_(BN)#cite_note-ape2022-5)</sup>।
- **Self-Refine**: এমন একটি পদ্ধতি যেখানে মডেল পূর্ববর্তী সংস্করণ সমালোচনামূলকভাবে বিশ্লেষণ করে এবং সেই সমালোচনার ভিত্তিতে সংশোধন তৈরি করে নিজের উত্তর ইটারেটিভভাবে উন্নত করে<sup>[\[6\]](https://systems-analysis.info/int/Meta_Prompting_(BN)#cite_note-self_refine2023-6)</sup>।

## প্রয়োগ ও সুবিধাসমূহ

মেটা-প্রম্পটিং গণিতের প্রমাণ, প্রোগ্রামিং এবং ধাপে ধাপে ধাঁধার সমাধানের মতো জটিল বহু-উপাদান যুক্তি প্রয়োজনীয় কাজে উচ্চ কার্যকারিতা প্রদর্শন করেছে। পদ্ধতির মূল সুবিধাগুলো:

- **token-দক্ষতা**: অনেক উদাহরণের তালিকার পরিবর্তে কাজের সামগ্রিক কাঠামোর উপর মনোযোগ কেন্দ্রীভূত করা প্রম্পটের আয়তন কমায়। মেটা-প্রম্পট একটি সার্বজনীন টেমপ্লেট যা কম token প্রয়োজন করে<sup>[\[7\]](https://systems-analysis.info/int/Meta_Prompting_(BN)#cite_note-prompting_guide-7)</sup>।
- **স্থিতিশীলতা ও নিরপেক্ষতা**: পদ্ধতিটি নির্দিষ্ট উদাহরণের উপর নির্ভরতা এড়িয়ে চলে, যা মডেলকে প্রশিক্ষণ নমুনার বিশেষত্বের দিকে পক্ষপাতিত্ব থেকে কম সংবেদনশীল করে তোলে<sup>[\[7\]](https://systems-analysis.info/int/Meta_Prompting_(BN)#cite_note-prompting_guide-7)</sup>।
- **গতিশীল অভিযোজন**: স্থির প্রম্পটের বিপরীতে, মেটা-প্রম্পটিং ইটারেটিভ উন্নতির সুযোগ দেয়। মডেল সমাধানের প্রক্রিয়ায় নির্দেশনা পরিমার্জন করতে, অনুপস্থিত তথ্য অনুরোধ করতে এবং কৌশল সংশোধন করতে পারে<sup>[\[2\]](https://systems-analysis.info/int/Meta_Prompting_(BN)#cite_note-intuition_labs-2)</sup>।
- **নতুন কাজে সাধারণীকরণ**: উচ্চ-স্তরের নির্দেশনা নতুন, পূর্বে অদেখা কাজে আরও সহজে স্থানান্তরিত হয়, যা মেটা-প্রম্পটিংকে *zero-shot* পদ্ধতির একটি উন্নত রূপ করে তোলে।

## সীমাবদ্ধতা ও ঝুঁকি

- **ব্যয় ও গণনার জটিলতা**: পদ্ধতিটি একটি কাজের জন্য মডেলে বারবার অনুরোধ করে, যা সময় ও API-অনুরোধের খরচ বাড়ায়। বর্তমান বাস্তবায়নগুলো ক্রমানুসারে কাজ করে, যা সমান্তরালীকরণ কঠিন করে তোলে<sup>[\[8\]](https://systems-analysis.info/int/Meta_Prompting_(BN)#cite_note-decoder_article-8)</sup>।
- **মডেলের সক্ষমতার উপর নির্ভরশীলতা**: মেটা-প্রম্পটিং-এর কার্যকারিতা মূল LLM-এর গুণমানের উপর ব্যাপকভাবে নির্ভর করে। গবেষণায় দেখা গেছে যে GPT-3.5 এই পদ্ধতি থেকে প্রায় কোনো সুবিধা পায় না, যেখানে GPT-4 এবং পরবর্তী মডেলগুলির জন্য সুবিধা উল্লেখযোগ্যভাবে বৃদ্ধি পায়<sup>[\[8\]](https://systems-analysis.info/int/Meta_Prompting_(BN)#cite_note-decoder_article-8)</sup>।
- **LLM-এর মৌলিক সীমাবদ্ধতা**: মেটা-প্রম্পটিং কোনো রামবাণ নয়। যদি কোনো কাজ মূল মডেলের জ্ঞানের সীমার বাইরে হয়, তাহলে নিখুঁতভাবে তৈরি মেটা-প্রম্পটও সঠিক ফলাফলের নিশ্চয়তা দেয় না। এই ক্ষেত্রে হয় fine-tuning অথবা বাহ্যিক সরঞ্জামের সাথে একীভূতকরণ (যেমন ইন্টারনেট অনুসন্ধান বা কোড ইন্টারপ্রেটার) প্রয়োজন<sup>[\[3\]](https://systems-analysis.info/int/Meta_Prompting_(BN)#cite_note-suzgun2024-3)</sup>।

## রেফারেন্স

- OpenAI Cookbook-এ মেটা-প্রম্পটিং-এর উদাহরণ
- Prompt Engineering Guide-এ পদ্ধতির বিবরণ

## সাহিত্য

- Suzgun, M.; Kalai, A. T. (2024). *Meta-Prompting: Enhancing Language Models with Task-Agnostic Scaffolding*. arXiv:2401.12954.
- Zhang, Y.; Yuan, Y.; Yao, A. C.-C. (2023). *Meta Prompting for AGI Systems*. arXiv:2311.11482.
- Zhou, Y. et al. (2022). *Large Language Models Are Human-Level Prompt Engineers*. arXiv:2211.01910.
- Madaan, A. et al. (2023). *Self-Refine: Iterative Refinement with Self-Feedback*. arXiv:2303.17651.
- Ning, X. et al. (2023). *Skeleton-of-Thought: Prompting LLMs for Efficient Parallel Generation*. arXiv:2307.15337.
- Chen, X. et al. (2023). *Universal Self-Consistency for Large Language Model Generation*. arXiv:2311.17311.
- Wang, X. et al. (2022). *Self-Consistency Improves Chain-of-Thought Reasoning in Language Models*. arXiv:2203.11171.
- Fernando, C. et al. (2023). *PromptBreeder: Self-Referential Self-Improvement via Prompt Evolution*. arXiv:2309.16797.
- Zhou, P. et al. (2024). *Self-DISCOVER: Large Language Models Self-Compose Reasoning Structures*. arXiv:2402.03620.
- Chen, J. et al. (2024). *Thought-Augmented Reasoning with Large Language Models*. arXiv:2406.04271.

## টীকা

1.  <span id="cite_note-cookbook_openai-1">[↑](https://systems-analysis.info/int/Meta_Prompting_(BN)#cite_ref-cookbook_openai_1-0) «Enhance your prompts with meta prompting». *OpenAI Cookbook*. <a href="https://cookbook.openai.com/examples/enhance_your_prompts_with_meta_prompting" class="external autonumber" rel="nofollow">[১]</a></span>
2.  <span id="cite_note-intuition_labs-2">↑ <sup>[2.0](https://systems-analysis.info/int/Meta_Prompting_(BN)#cite_ref-intuition_labs_2-0)</sup> <sup>[2.1](https://systems-analysis.info/int/Meta_Prompting_(BN)#cite_ref-intuition_labs_2-1)</sup> «Meta-Prompting: LLMs Crafting & Enhancing Their Own Prompts». *Intuition Labs*. <a href="https://intuitionlabs.ai/articles/meta-prompting-llm-self-optimization" class="external autonumber" rel="nofollow">[২]</a></span>
3.  <span id="cite_note-suzgun2024-3">↑ <sup>[3.0](https://systems-analysis.info/int/Meta_Prompting_(BN)#cite_ref-suzgun2024_3-0)</sup> <sup>[3.1](https://systems-analysis.info/int/Meta_Prompting_(BN)#cite_ref-suzgun2024_3-1)</sup> <sup>[3.2](https://systems-analysis.info/int/Meta_Prompting_(BN)#cite_ref-suzgun2024_3-2)</sup> Suzgun, Mirac; Kalai, Adam T. (2024). «Meta-Prompting: Enhancing Language Models with Task-Agnostic Scaffolding». *arXiv:2401.12954*.</span>
4.  <span id="cite_note-zhang2024-4">[↑](https://systems-analysis.info/int/Meta_Prompting_(BN)#cite_ref-zhang2024_4-0) Zhang, Yifan, et al. (2023). «Meta Prompting for AGI Systems». *arXiv:2311.11482*.</span>
5.  <span id="cite_note-ape2022-5">[↑](https://systems-analysis.info/int/Meta_Prompting_(BN)#cite_ref-ape2022_5-0) Zhou, Y., et al. (2022). «Large Language Models Are Human-Level Prompt Engineers». *arXiv:2211.01910*.</span>
6.  <span id="cite_note-self_refine2023-6">[↑](https://systems-analysis.info/int/Meta_Prompting_(BN)#cite_ref-self_refine2023_6-0) Madaan, A., et al. (2023). «Self-Refine: Iterative Refinement with Self-Feedback». *arXiv:2303.17651*.</span>
7.  <span id="cite_note-prompting_guide-7">↑ <sup>[7.0](https://systems-analysis.info/int/Meta_Prompting_(BN)#cite_ref-prompting_guide_7-0)</sup> <sup>[7.1](https://systems-analysis.info/int/Meta_Prompting_(BN)#cite_ref-prompting_guide_7-1)</sup> «Meta Prompting». *Prompt Engineering Guide*. <a href="https://www.promptingguide.ai/techniques/meta-prompting" class="external autonumber" rel="nofollow">[৩]</a></span>
8.  <span id="cite_note-decoder_article-8">↑ <sup>[8.0](https://systems-analysis.info/int/Meta_Prompting_(BN)#cite_ref-decoder_article_8-0)</sup> <sup>[8.1](https://systems-analysis.info/int/Meta_Prompting_(BN)#cite_ref-decoder_article_8-1)</sup> «AI within an AI: Meta-prompting can improve the reasoning capabilities of large language models». *The Decoder*.</span>