--- title: "Prompt (language models) (BN)" source: "https://systems-analysis.info/int/Prompt_(language_models)_(BN)" wiki: "systems-analysis.info/int" article: "Prompt_(language_models)_(BN)" language: "bn" categories: - "Category:Bengali" - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" revision_id: 5960 wiki_created_at: 2026-09-06T23:56:26Z wiki_modified_at: 2026-09-06T23:56:26Z downloaded_at: 2026-09-07T23:11:16Z --- # Prompt (language models) (BN) **প্রম্পট** (ইংরেজি *prompt* — «ইঙ্গিত» বা «পাঠ্য অনুরোধ») বৃহৎ ভাষা মডেলের (LLM) প্রসঙ্গে হলো সেই ইনপুট পাঠ্য বা নির্দেশনা, যা ব্যবহারকারী মডেলকে প্রত্যাশিত উত্তর তৈরির জন্য সরবরাহ করেন[\[1\]](https://systems-analysis.info/int/Prompt_(language_models)_(BN)#cite_note-google_guide-1)। প্রম্পট মডেলের জন্য কাজটি নির্ধারণ করে, যার মধ্যে প্রয়োজনীয় শর্ত, প্রসঙ্গ এবং উদাহরণ অন্তর্ভুক্ত থাকে। মডেলের কার্যকারিতা অনেকাংশে নির্ভর করে প্রম্পটের মান এর উপর। পাঠ্য অনুরোধ তৈরি ও অপ্টিমাইজেশনের পদ্ধতি অধ্যয়নকারী শাখাটিকে বলা হয় prompt engineering। এর লক্ষ্য হলো AI মডেল থেকে সর্বাধিক প্রাসঙ্গিক, নির্ভুল এবং নিরাপদ উত্তর পাওয়া[\[2\]](https://systems-analysis.info/int/Prompt_(language_models)_(BN)#cite_note-wiki_prompt-2)। সুচিন্তিতভাবে তৈরি একটি প্রম্পট মডেলকে কাজ সম্পাদনের «পথ» নির্দেশ করে, প্রয়োজনীয় প্রসঙ্গ এবং কাঙ্ক্ষিত ফলাফল স্পষ্ট করতে সাহায্য করে[\[1\]](https://systems-analysis.info/int/Prompt_(language_models)_(BN)#cite_note-google_guide-1)। ## ইতিহাস ও বিকাশ LLM-এর আচরণ নিয়ন্ত্রণের জন্য পাঠ্য ইঙ্গিত ব্যবহারের ধারণাটি মডেলগুলোর সক্ষমতা বৃদ্ধির সাথে সাথে বিকশিত হয়েছে। ### প্রাথমিক পর্যায় (GPT-2) ২০১৯ সালেই OpenAI-এর গবেষকরা দেখিয়েছিলেন যে **GPT-2**-এর মতো বড় প্রাক-প্রশিক্ষিত ভাষা মডেলগুলো অতিরিক্ত প্রশিক্ষণ ছাড়াই নতুন কাজ সমাধান করতে সক্ষম, যদি সেগুলো পাঠ্য আকারে উপস্থাপন করা হয়। *«Language Models are Unsupervised Multitask Learners»* গবেষণাপত্রটি একটি মৌলিক পরিবর্তন চিহ্নিত করেছিল: প্রতিটি কাজের জন্য মডেলকে fine-tuning করার পরিবর্তে ইনপুটে একটি স্পষ্ট নির্দেশনা দেওয়াই যথেষ্ট হয়ে উঠল[\[3\]](https://systems-analysis.info/int/Prompt_(language_models)_(BN)#cite_note-gpt3_paper-3)। ### GPT-3 এবং In-Context Learning-এর অগ্রগতি ২০২০ সালে **GPT-3** মডেলের আবির্ভাবের সাথে সাথে প্রকৃত অগ্রগতি ঘটে। ১৭৫ বিলিয়ন parameter-বিশিষ্ট GPT-3 **প্রাসঙ্গিক শিক্ষণ** (*in-context learning*) ক্ষমতা প্রদর্শন করে — অনুরোধের পাঠ্যে সরাসরি প্রদত্ত কয়েকটি উদাহরণ থেকে «তাৎক্ষণিকভাবে» নতুন কাজ আয়ত্ত করা[\[3\]](https://systems-analysis.info/int/Prompt_(language_models)_(BN)#cite_note-gpt3_paper-3)। এই কার্যপ্রণালীর নাম হয় **few-shot learning** («কয়েকটি উদাহরণ দিয়ে শিক্ষণ»), এবং এটি দেখায় যে মডেলের আকার বৃদ্ধির ফলে কোনো weight সামঞ্জস্য ছাড়াই NLP কাজে উচ্চমানের ফলাফল পাওয়া যায়। ### Chain-of-Thought (CoT)-এর আবির্ভাব ২০২২ সালে আরও উন্নয়ন ঘটে জটিল যৌক্তিক বিশ্লেষণের ক্ষমতা উন্নত করার মাধ্যমে। বিশেষ পদক্ষেপ-ভিত্তিক রচনা-শৃঙ্খলের ফরম্যাটে (*chain-of-thought prompting*) প্রম্পট প্রস্তাবিত হয়। এই ধরনের প্রম্পটে মডেলকে শুধু প্রশ্ন নয়, বরং উত্তরের আগে ধাপে ধাপে যুক্তি প্রদর্শনের উদাহরণও দেওয়া হয়। এটি গাণিতিক ও যৌক্তিক সমস্যায় সমাধানের নির্ভুলতা উল্লেখযোগ্যভাবে বাড়িয়েছে[\[2\]](https://systems-analysis.info/int/Prompt_(language_models)_(BN)#cite_note-wiki_prompt-2)। Kojima ও সহকর্মীদের গবেষণায় দেখা গেছে, অনুরোধের শেষে «চলো ধাপে ধাপে ভাবি» বাক্যাংশটি যোগ করলে উদাহরণ ছাড়াই (*zero-shot*) মডেলকে যুক্তি করতে উদ্বুদ্ধ করা যায়[\[2\]](https://systems-analysis.info/int/Prompt_(language_models)_(BN)#cite_note-wiki_prompt-2)। ### মাল্টিমোডাল প্রম্পট প্রম্পটের ধারণা পাঠ্যের সীমা ছাড়িয়ে গেছে। ২০২২ সালে **DALL-E 2** এবং **Stable Diffusion** মডেলের আবির্ভাবের সাথে সাথে স্বাভাবিক ভাষায় ব্যবহারকারীর অনুরোধ ছবি তৈরির সার্বজনীন ইন্টারফেস হয়ে ওঠে, এবং পরবর্তীতে সংগীত ও ভিডিও তৈরিতেও প্রসারিত হয়। ## প্রম্পটের প্রকারভেদ ও প্রয়োগ কৌশল বেশ কয়েকটি প্রধান ধরনের ও প্রম্পট কৌশল রয়েছে, যেগুলো প্রায়ই একত্রিত করে ব্যবহার করা হয়। ### Zero-shot prompting (সরাসরি অনুরোধ) মডেলকে **কোনো উদাহরণ ছাড়াই** শুধু নির্দেশনা বা প্রশ্ন দেওয়া হয়। এই পদ্ধতিতে LLM প্রাক-প্রশিক্ষণে অর্জিত সাধারণ জ্ঞানের উপর নির্ভর করে। অনুবাদ বা পাঠ্য সারসংক্ষেপের মতো সহজ কাজে এটি উপযুক্ত[\[1\]](https://systems-analysis.info/int/Prompt_(language_models)_(BN)#cite_note-google_guide-1)। ### Few-shot prompting (উদাহরণভিত্তিক শিক্ষণ) নির্দেশনার পাশাপাশি প্রম্পটে ইনপুট ও প্রত্যাশিত আউটপুটসহ **এক বা একাধিক উদাহরণ** অন্তর্ভুক্ত করা হয়। মডেল এই নমুনাগুলো থেকে «তাৎক্ষণিকভাবে শিখে» নতুন অনুরোধে অর্জিত যুক্তি প্রয়োগ করে। *in-context learning* বাস্তবায়নকারী এই পদ্ধতি এমন কাজে নির্ভুলতা উল্লেখযোগ্যভাবে বাড়ায় যেখানে নির্দিষ্ট ফরম্যাট বা শৈলী গুরুত্বপূর্ণ[\[1\]](https://systems-analysis.info/int/Prompt_(language_models)_(BN)#cite_note-google_guide-1)। ### যুক্তি-শৃঙ্খল (Chain-of-Thought, CoT) জটিল যুক্তিতর্ক প্রয়োজন এমন কাজের (গণিত, যুক্তি) জন্য বিশেষ ধরনের প্রম্পট। চূড়ান্ত উত্তরের আগে ইঙ্গিতে ধাপে ধাপে বিশ্লেষণ বা সমাধানের পরিকল্পনা অন্তর্ভুক্ত করা হয়। এটি মডেলকে যুক্তির প্রক্রিয়া স্পষ্টভাবে কাঠামোবদ্ধ করতে বাধ্য করে, যা ফলাফলের মান উল্লেখযোগ্যভাবে উন্নত করে[\[2\]](https://systems-analysis.info/int/Prompt_(language_models)_(BN)#cite_note-wiki_prompt-2)। ### Prompt Tuning (নির্দেশনা সামঞ্জস্য) একটি কৌশল যেখানে হাতে লেখা প্রম্পটের পরিবর্তে **স্বয়ংক্রিয়ভাবে অপ্টিমাইজড** ইঙ্গিত ব্যবহার করা হয়। প্রম্পটকে বিশেষ প্রশিক্ষণযোগ্য token-এর (ক্রমাগত ভেক্টর) সমষ্টি হিসেবে উপস্থাপন করা হয়, যা ব্যবহারকারীর অনুরোধের সাথে যুক্ত হয়। এই ছোট ভেক্টর-প্রম্পটটি প্রশিক্ষণ দিলেই ন্যূনতম গণনামূলক ব্যয়ে বড় «হিমায়িত» মডেলকে নতুন কাজে অভিযোজিত করা সম্ভব[\[2\]](https://systems-analysis.info/int/Prompt_(language_models)_(BN)#cite_note-wiki_prompt-2)। ## একটি শাখা হিসেবে Prompt Engineering ### পেশার উদ্ভব LLM-এর ক্রমবর্ধমান সক্ষমতা একটি নতুন বিশেষজ্ঞতার জন্ম দিয়েছে — **prompt engineer**। এই বিশেষজ্ঞরা AI থেকে প্রত্যাশিত আচরণ পাওয়ার জন্য পাঠ্য ইঙ্গিত তৈরি ও পরিমার্জন করেন। Prompt engineer-রা ইনপুট ডেটা সবচেয়ে কার্যকরভাবে কাঠামোবদ্ধ করতে ভাষাবিজ্ঞান, যুক্তি ও মনোবিজ্ঞানের জ্ঞান ব্যবহার করেন[\[2\]](https://systems-analysis.info/int/Prompt_(language_models)_(BN)#cite_note-wiki_prompt-2)। ২০২২-২০২৩ সালে এই পদের জন্য প্রথম চাকরির বিজ্ঞপ্তি প্রকাশিত হয়, যা AI সিস্টেমের সাথে কার্যকর যোগাযোগের দক্ষতার উচ্চ চাহিদা প্রতিফলিত করে। ### পেশার ভবিষ্যৎ ও স্বয়ংক্রিয়করণ এই ক্ষেত্রটি দ্রুত বিকশিত হচ্ছে এবং এর ভবিষ্যৎ বিতর্কের বিষয়। ২০২৪ সালের গবেষণা, যেমন VMware-এর গবেষণা, দেখিয়েছে যে AI নিজেই পরীক্ষা-নিরীক্ষা ও অপ্টিমাইজেশনের মাধ্যমে কার্যকর অনুরোধের প্রণয়ন খুঁজে বের করতে সক্ষম, যা প্রায়ই মানব-রচিত প্রণয়নকে ছাড়িয়ে যায়[\[4\]](https://systems-analysis.info/int/Prompt_(language_models)_(BN)#cite_note-ieee_dead-4)। এটি এই মতামতের জন্ম দিয়েছে যে হাতে তৈরি prompt engineering একটি ক্ষণস্থায়ী ঘটনা হতে পারে, এবং সময়ের সাথে সাথে স্বয়ংক্রিয় ইঙ্গিত নির্বাচনের সরঞ্জামগুলো আদর্শ হয়ে উঠবে। তবুও, ২০২৫ সালের বর্তমান অবস্থা অনুযায়ী, prompt engineering-এর দক্ষতা এখনও চাহিদাসম্পন্ন। ## প্রয়োগক্ষেত্র - **স্বাভাবিক ভাষা প্রক্রিয়াকরণ**: ক্লাসিক NLP কাজ, যেমন স্বয়ংক্রিয় নথি সারসংক্ষেপ, মেশিন ট্রান্সলেশন, প্রশ্নোত্তর এবং তথ্য নিষ্কাশন। - **চ্যাটবট ও ভার্চুয়াল সহকারী**: প্রম্পট ভূমিকা, যোগাযোগের শৈলী এবং উত্তরের ফরম্যাট নির্ধারণ করতে সাহায্য করে, যা কথোপকথন সিস্টেমকে আরও সামঞ্জস্যপূর্ণ ও উপকারী করে তোলে। - **কোড জেনারেশন**: OpenAI Codex-এর মতো মডেলগুলো স্বাভাবিক ভাষার বিবরণ থেকে প্রোগ্রাম কোড লিখতে সক্ষম, যা উন্নয়নকে ত্বরান্বিত করে। - **ডেটা বিশ্লেষণ**: প্রম্পটের সাহায্যে মডেলকে অসংগঠিত পাঠ্য প্রতিবেদন থেকে অন্তর্দৃষ্টি নিষ্কাশন বা অনুমান তৈরির জন্য সামঞ্জস্য করা যায়। - **শিক্ষা**: বুদ্ধিমান টিউটর তৈরি, যা শিক্ষার্থীর প্রস্তুতির স্তর অনুযায়ী অ্যাসাইনমেন্ট তৈরি করে, জটিল ধারণা ব্যাখ্যা করে এবং উত্তর যাচাই করে। - **সৃজনশীল শিল্পকলা**: বিস্তারিত বিবরণ অনুযায়ী পাঠ্য, শৈল্পিক চিত্র, সংগীত এবং চিত্রনাট্য তৈরি। ## ক্ষতিকর ব্যবহার ও দুর্বলতা (Prompt Injection) LLM ইন্টারফেসের উন্মুক্ততা এক নতুন শ্রেণির আক্রমণের জন্ম দিয়েছে — **নির্দেশনা অনুপ্রবেশ** (*prompt injection*)। আক্রমণকারী একটি বিশেষ ক্ষতিকর অনুরোধ তৈরি করে যা মডেলকে তার প্রাথমিক নির্দেশনা লঙ্ঘন করতে বা গোপন তথ্য প্রকাশ করতে বাধ্য করে[\[2\]](https://systems-analysis.info/int/Prompt_(language_models)_(BN)#cite_note-wiki_prompt-2)। বিশেষজ্ঞরা এটিকে «কোড ইনজেকশন» ধরনের আক্রমণের একটি রূপ হিসেবে বিবেচনা করেন, যেখানে কোডের পরিবর্তে সিস্টেমে বিপজ্জনক পাঠ্য নির্দেশনা «প্রবেশ করানো» হয়। ### আক্রমণের ধরন - **Jailbreak**: এমন একটি আক্রমণ যা মডেলকে আরোপিত সীমাবদ্ধতা (যেমন পরিমার্জনা নীতি) থেকে «বেরিয়ে আসতে» এবং নিষিদ্ধ বিষয়বস্তু তৈরি করতে দেয়। একটি সুপরিচিত উদাহরণ হলো **DAN-প্রম্পট** (Do Anything Now), যা ChatGPT-কে সেন্সরশিপ ছাড়াই উত্তর দিতে বাধ্য করেছিল। - **Prompt Leaking**: একটি বিশেষ অনুরোধ মডেলকে তার গোপন সিস্টেম প্রম্পটের অংশ প্রকাশ করতে বাধ্য করে। - **Token Smuggling**: ক্ষতিকর নির্দেশনা অনুরোধের একটি নিরীহ অংশ (যেমন কোডের অংশ) হিসেবে আড়াল করা হয়, ফিল্টার এড়িয়ে অবাঞ্ছিত আচরণ উস্কে দিতে। এই আক্রমণগুলো একটি গুরুতর সমস্যা তৈরি করে, কারণ প্রচলিত সাইবার নিরাপত্তা পদ্ধতিগুলো স্বাভাবিক ভাষার ব্যাখ্যা-সংক্রান্ত হুমকির বিরুদ্ধে দুর্বল। ## সাহিত্য - 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*. [৫]. - 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. ## তথ্যসূত্র 1. ↑ [1.0](https://systems-analysis.info/int/Prompt_(language_models)_(BN)#cite_ref-google_guide_1-0) [1.1](https://systems-analysis.info/int/Prompt_(language_models)_(BN)#cite_ref-google_guide_1-1) [1.2](https://systems-analysis.info/int/Prompt_(language_models)_(BN)#cite_ref-google_guide_1-2) [1.3](https://systems-analysis.info/int/Prompt_(language_models)_(BN)#cite_ref-google_guide_1-3) «Prompt Engineering for AI Guide». *Google Cloud*. [১] 2. ↑ [2.0](https://systems-analysis.info/int/Prompt_(language_models)_(BN)#cite_ref-wiki_prompt_2-0) [2.1](https://systems-analysis.info/int/Prompt_(language_models)_(BN)#cite_ref-wiki_prompt_2-1) [2.2](https://systems-analysis.info/int/Prompt_(language_models)_(BN)#cite_ref-wiki_prompt_2-2) [2.3](https://systems-analysis.info/int/Prompt_(language_models)_(BN)#cite_ref-wiki_prompt_2-3) [2.4](https://systems-analysis.info/int/Prompt_(language_models)_(BN)#cite_ref-wiki_prompt_2-4) [2.5](https://systems-analysis.info/int/Prompt_(language_models)_(BN)#cite_ref-wiki_prompt_2-5) [2.6](https://systems-analysis.info/int/Prompt_(language_models)_(BN)#cite_ref-wiki_prompt_2-6) «Техника подсказок». *Википедия*. [২] 3. ↑ [3.0](https://systems-analysis.info/int/Prompt_(language_models)_(BN)#cite_ref-gpt3_paper_3-0) [3.1](https://systems-analysis.info/int/Prompt_(language_models)_(BN)#cite_ref-gpt3_paper_3-1) Brown, Tom B., et al. «Language Models are Few-Shot Learners». *arXiv:2005.14165* \[cs.CL\], 28 мая 2020 г. [৩] 4. [↑](https://systems-analysis.info/int/Prompt_(language_models)_(BN)#cite_ref-ieee_dead_4-0) «AI Prompt Engineering Is Dead». *IEEE Spectrum*. [৪]