---
title: "Prompt és kontextus"
source: "https://systems-analysis.info/int/Prompt_%C3%A9s_kontextus"
wiki: "systems-analysis.info/int"
article: "Prompt_és_kontextus"
language: "hu"
categories:
  - "Category:Hungarian"
  - "Category:Large language models"
  - "Category:Machine learning"
  - "Category:Prompt engineering"
revision_id: 6027
wiki_created_at: 2026-09-06T23:57:20Z
wiki_modified_at: 2026-09-06T23:57:20Z
downloaded_at: 2026-09-07T23:11:37Z
---

# Prompt és kontextus

**Prompt** és **kontextus** alapvető fogalmak a prompt-mérnökségben a nagy nyelvi modellek (LLM) esetében.

A kontextus a prompt kritikusan fontos összetevője, amely meghatározza az LLM azon képességét, hogy pontos, releváns és hasznos válaszokat generáljon. A hatékony prompt-mérnökség nagyrészt a helyes kontextus összegyűjtésének, szűrésének, strukturálásának és a modell számára megfelelő pillanatban való bemutatásának művészetéből áll, miközben leküzdi a modern LLM-ek korlátait.

## A Prompt meghatározása

**Prompt** (angol: *prompt*) — ez az LLM számára megadott teljes bemeneti adatkészlet, amelynek alapján a modell választ generál. Nem csupán kérdés vagy parancs, hanem strukturált szöveg, amely a következőket tartalmazhatja:

- **Utasítások:** Közvetlen iránymutatások a modell számára arról, mit kell tenni, milyen formátumban, stílusban vagy hangnemben.
- **Alapkérés (Query):** A felhasználó közvetlen kérdése vagy az alapfeladat leírása.
- **Kontextus:** A kérés helyes végrehajtásához szükséges kiegészítő információ.
- **Példák (Few-shot examples):** A kívánt formátum vagy válaszstílus bemutatása hasonló feladatokon.

A prompt minősége és teljessége közvetlenül meghatározza az LLM válaszának relevanciáját, pontosságát és hasznosságát.

## A kontextus meghatározása

**Kontextus** a prompt-mérnökség keretein belül minden olyan információ **a prompton belül**, amely segít a modellnek jobban megérteni a feladatot, a helyzet sajátosságait vagy a felhasználó elvárásait, de **nem része** az eredeti tanítási adatoknak. A kontextus olyan szituációs részleteket nyújt, amelyek szükségesek a megfelelő válasz generálásához.

A kontextus a következőket foglalhatja magában:

- A korábbi párbeszéd előzményeit (csevegőrobotokban).
- Külső forrásokból (dokumentumok, adatbázisok, weboldalak) kinyert adatokat — a RAG alapját.
- Felhasználói információkat (profil, preferenciák).
- Az aktuális feladat vagy helyzet specifikus részleteit.
- Hasonló feladatok végrehajtásának példáit (a few-shot prompting részeként).

Fontos megkülönböztetni a promptban megadott kontextust a modell előzetes tanítása során szerzett általános tudástól. A prompt-mérnökség a **szituációs** kontextus hatékony megadására összpontosít.

## Összefüggés és hatás

**Prompt és kontextus** — alapvető fogalmak a transformer-ek működésében, amelyek meghatározzák, hogyan érzékeli a modell a bemeneti adatokat, és mi alapján generálja az eredményt. Architektúrálisan a transformer nem tesz különbséget a „prompt" és a „kontextus" között — mindkettő a bemeneti tokensorozat részét képezi, amelyek embeddingekké alakulnak, pozicionális információval gazdagodnak, és az önfigyelmi rétegek együttesen dolgozzák fel őket.

A prompt és a kontextus elválaszthatatlanul összekapcsolódnak: **a kontextus a prompt alkotóeleme**.

- **A kontextus formálja a promptot:** A mérnök kiválasztja és strukturálja a releváns kontextust a promptba való beillesztéshez.
- **A kontextus irányítja a modellt:** A megadott információ lehetővé teszi az LLM számára, hogy szűkítse a lehetséges válaszok terét, a releváns szempontokra összpontosítson, és elkerülje a hallucinációkat.
- **A kontextus minősége meghatározza a válasz minőségét:** A hiányos, irreleváns vagy ellentmondásos kontextus pontatlan, általános vagy hibás válaszokhoz vezet. A pontos és teljes kontextus növeli a generálás specifikusságát és hasznosságát.
- **Hatás az utasítások értelmezésére:** A kontextus pontosíthatja vagy módosíthatja a promptban szereplő általános utasítások értelmezését.

A prompt hatékonysága nagymértékben attól függ, hogy a mérnök mennyire sikeresen gyűjtötte össze, szűrte és mutatta be a releváns kontextust a modell számára.

## A kontextus típusai

A kontextus különböző szempontok szerint osztályozható:

**Forrás szerint:**

- Felhasználó által megadott: A felhasználó explicit bevitele, kérdése vagy feladatleírása.
- Párbeszéd előzményeiből: A felhasználó és az asszisztens korábbi üzenetei (rövid távú memória).
- Kinyert (Retrieved): Külső forrásokból (dokumentumok, adatbázis, web) RAG segítségével származó adatok.
- Profilból/tudásbázisból: Hosszú távú információ a felhasználóról vagy a szakterületről.
- Statikus/Instruktív: A mérnök által a prompt sablonba beépített információ (utasítások, példák, szerepmeghatározások).

**Dinamikusság szerint:**

- Statikus kontextus: A prompt változatlan része (utasítások, meghatározások, példák). Meghatározza az általános feladatot.
- Dinamikus kontextus: Kérésenként változó információ (felhasználói adatok, RAG-eredmények, aktuális idő). Specifikus részleteket nyújt.

**Tárolási idő szerint (Memória):**

- Rövid távú kontextus: Az aktuális párbeszéd-munkamenet előzményei.
- Hosszú távú kontextus: A felhasználóra vagy korábbi interakciókra vonatkozó tárolt adatok, amelyek tárolási és visszakeresési mechanizmusokat igényelnek.

## Kontextuskezelés

A hatékony kontextuskezelés a prompt-mérnökség kulcsfeladata, különösen az LLM kontextusablakának korlátaira tekintettel. Főbb módszerek:

- **RAG:** A legelterjedtebb módszer nagy információmennyiséggel való munkához. Lehetővé teszi, hogy a promptba csak a kiterjedt tudásbázis legrelevánsabb részletei kerüljenek be dinamikusan. Vektoros adatbázist és hatékony keresési mechanizmusokat (lexikális vagy szemantikai) igényel.
- **Darabolás (Chunking):** A nagy dokumentumok szemantikailag összefüggő vagy rögzített méretű részekre való bontása indexelés és RAG-on keresztüli visszakeresés céljából.
- **Összefoglalás (Sumarizáció):** A hosszú párbeszéd-előzmények vagy terjedelmes dokumentumok tömörítése a lényeg átadása érdekében a korlátozott kontextusablakban.
- **Memóriakezelés (Memory Management):** Különböző stratégiák alkalmazása a párbeszéd-előzmények tárolására és visszakeresésére csevegőrobotokban és ágensekben (pl. ConversationBufferMemory, ConversationSummaryBufferMemory a LangChain-ben).
- **Csúszóablak (Sliding Window):** Csak az N legutóbbi párbeszédüzenet megtartása a kontextusban.
- **Szűrés és prioritizálás:** A legrelevánsabb kontextusrészletek kiválasztása fontosságuk alapján (pl. a keresés során kapott relevanciapont-számok segítségével) a végső prompt összeállítása előtt.

## A kontextus szerepe a prompt-mérnökségben

- **Relevancia növelése:** A kontextus lehetővé teszi a modell számára, hogy a felhasználó kérésének és helyzetének pontosan megfelelő válaszokat generáljon.
- **Hallucinációk csökkentése:** A tényszerű információk megadása (RAG-on keresztül) arra kényszeríti a modellt, hogy azokra támaszkodjon, ne pedig tényeket találjon ki.
- **Személyre szabás:** A felhasználóra vonatkozó kontextus (preferenciák, előzmények) lehetővé teszi a válaszok testreszabását.
- **Állapotkezelés:** Párbeszédekben és többlépéses folyamatokban a kontextus (előzmények) biztosítja a folytonosságot és a modell tájékozottságát az előző lépésekről.
- **A modell tudáskorlátainak leküzdése:** A RAG lehetővé teszi a modell számára, hogy válaszoljon a tanítása után bekövetkezett eseményekre, vagy specifikus/privát adatokra vonatkozó kérdésekre.

## Korlátok

- A kontextusablak korlátja: Annak ellenére, hogy a modern modelleknél 1-2 millió tokenre nőtt, az ilyen mennyiségek feldolgozása drága és lassú lehet. Hatékony tömörítési és kiválasztási stratégiákat igényel (RAG, összefoglalás).
- Releváns kontextus keresése: A RAG hatékonysága a keresés minőségétől függ. A helytelenül kinyert kontextus összezavarhatja a modellt („szemét be – szemét ki").
- „A közömbösség völgye" (Valley of Meh): A nagyon hosszú prompt közepén elhelyezett információt a modell figyelmen kívül hagyhatja. A prompt strukturálását igényli (pl. „szendvics-technika").
- Kontextus-injektálás kockázata: Ha a kontextus nem megbízható forrásokból (pl. weboldalakról) kerül kinyerésre, rosszindulatú utasításokat tartalmazhat (prompt-injektálás).

## Irodalom

- Lewis, P. et al. (2020). *Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks*. arXiv:2005.11401.
- 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.
- Chen, S. et al. (2023). *Extending Context Window of Large Language Models via Positional Interpolation*. arXiv:2306.15595.
- Schick, T. et al. (2023). *Toolformer: Language Models Can Teach Themselves to Use Tools*. arXiv:2302.04761.
- Besta, M. et al. (2023). *Graph of Thoughts: Solving Elaborate Problems with Large Language Models*. arXiv:2308.09687.
- Packer, C. et al. (2023). *MemGPT: Towards LLMs as Operating Systems*. arXiv:2310.08560.
- Wang, Y. et al. (2023). *Self-Instruct: Aligning Language Models with Self-Generated Instructions*. arXiv:2212.10560.
- Sahoo, P. et al. (2024). *A Systematic Survey of Prompt Engineering in Large Language Models: Techniques and Applications*. arXiv:2402.07927.
- Kim, S. H. et al. (2024). *Theanine: Revisiting Memory Management in Long-term Conversations with Timeline-augmented Response Generation*. arXiv:2406.10996.
- Chen, S. et al. (2024). *StruQ: Defending Against Prompt Injection with Structured Queries*. arXiv:2402.06363.
- Zhong, M. et al. (2024). *Understanding the RoPE Extensions of Long-Context LLMs: An Attention Perspective*. arXiv:2406.13282.
- Han, H. et al. (2025). *Retrieval-Augmented Generation with Graphs (GraphRAG)*. arXiv:2501.00309.
- Self-Instruct (2025). *Aligning Language Models with Self-Generated Instructions*. arXiv:2212.10560.

## Lásd még

- Nagy nyelvi modellek
- Kontextusablak
- Vektoros adatbázisok
- LangChain