---
title: "Prompt and context — প্রম্পট ও প্রসঙ্গ"
source: "https://systems-analysis.info/int/Prompt_and_context_%E2%80%94_%E0%A6%AA%E0%A7%8D%E0%A6%B0%E0%A6%AE%E0%A7%8D%E0%A6%AA%E0%A6%9F_%E0%A6%93_%E0%A6%AA%E0%A7%8D%E0%A6%B0%E0%A6%B8%E0%A6%99%E0%A7%8D%E0%A6%97"
wiki: "systems-analysis.info/int"
article: "Prompt_and_context_—_প্রম্পট_ও_প্রসঙ্গ"
language: "bn"
categories:
  - "Category:Bengali"
  - "Category:Large language models"
  - "Category:Machine learning"
  - "Category:Prompt engineering"
revision_id: 5993
wiki_created_at: 2026-09-06T23:56:53Z
wiki_modified_at: 2026-09-06T23:56:53Z
downloaded_at: 2026-09-07T23:11:27Z
---

# Prompt and context — প্রম্পট ও প্রসঙ্গ

**প্রম্পট** এবং **কনটেক্সট** হলো বৃহৎ ভাষা মডেলের (LLM) prompt engineering-এর মৌলিক ধারণা।

কনটেক্সট হলো প্রম্পটের একটি গুরুত্বপূর্ণ উপাদান, যা LLM-এর সুনির্দিষ্ট, প্রাসঙ্গিক এবং উপকারী উত্তর তৈরির সক্ষমতা নির্ধারণ করে। কার্যকর prompt engineering মূলত সঠিক মুহূর্তে মডেলের কাছে সঠিক কনটেক্সট সংগ্রহ, ফিল্টার, কাঠামোবদ্ধকরণ এবং উপস্থাপনের শিল্পে নিহিত, পাশাপাশি আধুনিক LLM-এর সীমাবদ্ধতা অতিক্রম করতে সক্ষম।

## প্রম্পটের সংজ্ঞা

**প্রম্পট** (ইং. *prompt*) — হলো LLM-কে উত্তর তৈরির জন্য প্রদত্ত সম্পূর্ণ ইনপুট ডেটার সমষ্টি। এটি কেবল একটি প্রশ্ন বা নির্দেশ নয়, বরং একটি কাঠামোবদ্ধ পাঠ্য যা অন্তর্ভুক্ত করতে পারে:

- **নির্দেশনা:** মডেলকে কী করতে হবে, কোন ফরম্যাট, শৈলী বা সুরে করতে হবে সে সম্পর্কে সরাসরি নির্দেশ।
- **মূল অনুরোধ (Query):** ব্যবহারকারীর সরাসরি প্রশ্ন বা মূল কাজের বিবরণ।
- **কনটেক্সট:** অনুরোধ সঠিকভাবে পূরণের জন্য প্রয়োজনীয় অতিরিক্ত তথ্য।
- **উদাহরণ (Few-shot examples):** অনুরূপ কাজে কাঙ্ক্ষিত ফরম্যাট বা শৈলীর প্রদর্শন।

প্রম্পটের মান ও সম্পূর্ণতা সরাসরি LLM-এর উত্তরের প্রাসঙ্গিকতা, সুনির্দিষ্টতা এবং উপযোগিতা নির্ধারণ করে।

## কনটেক্সটের সংজ্ঞা

Prompt engineering-এর পরিপ্রেক্ষিতে **কনটেক্সট** হলো **প্রম্পটের ভেতরে** থাকা যেকোনো তথ্য যা মডেলকে কাজ, পরিস্থিতির বিশেষত্ব বা ব্যবহারকারীর প্রত্যাশা আরও ভালোভাবে বুঝতে সাহায্য করে, কিন্তু মডেলের মূল প্রশিক্ষণ ডেটার **অংশ নয়**। কনটেক্সট পরিস্থিতিগত বিবরণ প্রদান করে যা উপযুক্ত উত্তর তৈরির জন্য প্রয়োজনীয়।

কনটেক্সট অন্তর্ভুক্ত করতে পারে:

- পূর্ববর্তী কথোপকথনের ইতিহাস (চ্যাটবটে)।
- বাহ্যিক উৎস থেকে সংগৃহীত ডেটা (দলিলপত্র, ডেটাবেস, ওয়েবপেজ) — RAG-এর ভিত্তি।
- ব্যবহারকারী সম্পর্কিত তথ্য (প্রোফাইল, পছন্দ)।
- বর্তমান কাজ বা পরিস্থিতির নির্দিষ্ট বিবরণ।
- অনুরূপ কাজ সম্পাদনের উদাহরণ (few-shot prompting-এর অংশ হিসেবে)।

প্রম্পটে প্রদত্ত কনটেক্সট এবং মডেলের পূর্ব প্রশিক্ষণে অর্জিত সাধারণ জ্ঞানের মধ্যে পার্থক্য করা গুরুত্বপূর্ণ। Prompt engineering মূলত **পরিস্থিতিগত** কনটেক্সট কার্যকরভাবে সরবরাহ করার উপর দৃষ্টি নিবদ্ধ করে।

## পারস্পরিক সম্পর্ক ও প্রভাব

**প্রম্পট এবং কনটেক্সট** — transformer-এর কার্যপ্রণালীতে মৌলিক ধারণা, যা নির্ধারণ করে মডেল কীভাবে ইনপুট ডেটা উপলব্ধি করে এবং কীসের ভিত্তিতে ফলাফল তৈরি করে। আর্কিটেকচারালভাবে transformer বিশেষভাবে 'প্রম্পট' এবং 'কনটেক্সট'-এর মধ্যে পার্থক্য করে না — উভয়ই ইনপুট token সিকোয়েন্সের অংশ, যা embedding-এ রূপান্তরিত হয়, অবস্থানগত তথ্যে সমৃদ্ধ হয় এবং self-attention স্তর দ্বারা সামগ্রিকভাবে প্রক্রিয়া করা হয়।

প্রম্পট এবং কনটেক্সট অবিচ্ছেদ্যভাবে সংযুক্ত: **কনটেক্সট হলো প্রম্পটের একটি অবিচ্ছেদ্য অংশ**।

- **কনটেক্সট প্রম্পট গঠন করে:** ইঞ্জিনিয়ার প্রম্পটে অন্তর্ভুক্তির জন্য প্রাসঙ্গিক কনটেক্সট বাছাই ও কাঠামোবদ্ধ করেন।
- **কনটেক্সট মডেলকে নির্দেশ করে:** প্রদত্ত তথ্য LLM-কে সম্ভাব্য উত্তরের পরিসর সংকুচিত করতে, প্রাসঙ্গিক দিকগুলোতে মনোযোগ দিতে এবং hallucination এড়াতে সাহায্য করে।
- **কনটেক্সটের মান উত্তরের মান নির্ধারণ করে:** অপর্যাপ্ত, অপ্রাসঙ্গিক বা পরস্পরবিরোধী কনটেক্সট অসুনির্দিষ্ট, সাধারণ বা ভুল উত্তরের দিকে নিয়ে যায়। সুনির্দিষ্ট ও সম্পূর্ণ কনটেক্সট উৎপাদনের নির্দিষ্টতা ও উপযোগিতা বাড়ায়।
- **নির্দেশনার ব্যাখ্যায় প্রভাব:** কনটেক্সট প্রম্পটে সাধারণ নির্দেশনার ব্যাখ্যা স্পষ্ট বা পরিবর্তন করতে পারে।

প্রম্পটের কার্যকারিতা মূলত নির্ভর করে ইঞ্জিনিয়ার কতটা সফলভাবে প্রাসঙ্গিক কনটেক্সট সংগ্রহ, ফিল্টার ও মডেলের সামনে উপস্থাপন করতে পেরেছেন তার উপর।

## কনটেক্সটের ধরনসমূহ

কনটেক্সটকে বিভিন্ন মানদণ্ড অনুযায়ী শ্রেণিবদ্ধ করা যায়:

**উৎস অনুযায়ী:**

- ব্যবহারকারী কর্তৃক প্রদত্ত: ব্যবহারকারীর স্পষ্ট ইনপুট, তার প্রশ্ন বা কাজের বিবরণ।
- কথোপকথনের ইতিহাস থেকে: ব্যবহারকারী ও সহকারীর পূর্ববর্তী বার্তাসমূহ (স্বল্পমেয়াদী স্মৃতি)।
- সংগৃহীত (Retrieved): RAG-এর মাধ্যমে বাহ্যিক উৎস (দলিলপত্র, ডেটাবেস, ওয়েব) থেকে ডেটা।
- প্রোফাইল/জ্ঞানভান্ডার থেকে: ব্যবহারকারী বা নির্দিষ্ট ক্ষেত্র সম্পর্কে দীর্ঘমেয়াদী তথ্য।
- স্থির/নির্দেশমূলক: ইঞ্জিনিয়ার কর্তৃক প্রম্পট টেমপ্লেটে নির্ধারিত তথ্য (নির্দেশনা, উদাহরণ, ভূমিকার সংজ্ঞা)।

**গতিশীলতা অনুযায়ী:**

- স্থির কনটেক্সট: প্রম্পটের অপরিবর্তনীয় অংশ (নির্দেশনা, সংজ্ঞা, উদাহরণ)। সামগ্রিক কাজ নির্ধারণ করে।
- গতিশীল কনটেক্সট: অনুরোধভেদে পরিবর্তিত তথ্য (ব্যবহারকারীর ডেটা, RAG-এর ফলাফল, বর্তমান সময়)। নির্দিষ্ট বিবরণ সরবরাহ করে।

**সংরক্ষণকাল অনুযায়ী (স্মৃতি):**

- স্বল্পমেয়াদী কনটেক্সট: বর্তমান কথোপকথন সেশনের ইতিহাস।
- দীর্ঘমেয়াদী কনটেক্সট: ব্যবহারকারী বা পূর্ববর্তী মিথস্ক্রিয়া সম্পর্কে সংরক্ষিত ডেটা, যার জন্য সংরক্ষণ ও পুনরুদ্ধারের প্রক্রিয়া প্রয়োজন।

## কনটেক্সট ব্যবস্থাপনা

কার্যকর কনটেক্সট ব্যবস্থাপনা prompt engineering-এর একটি মূল কাজ, বিশেষত LLM-এর context window-এর সীমাবদ্ধতার আলোকে। প্রধান পদ্ধতিসমূহ:

- **RAG:** বৃহৎ তথ্য পরিমাণের সাথে কাজ করার সর্বাধিক প্রচলিত পদ্ধতি। বিশাল জ্ঞানভান্ডার থেকে কেবল সবচেয়ে প্রাসঙ্গিক অংশগুলো গতিশীলভাবে খুঁজে বের করে প্রম্পটে অন্তর্ভুক্ত করার সুযোগ দেয়। ভেক্টর ডেটাবেস ও কার্যকর অনুসন্ধান প্রক্রিয়া (লেক্সিক্যাল বা সিমান্টিক) প্রয়োজন।
- **Chunking (চাঙ্কিং):** RAG-এর মাধ্যমে ইন্ডেক্সিং ও পরবর্তী পুনরুদ্ধারের জন্য বড় দলিলপত্রকে শব্দার্থগতভাবে সংযুক্ত বা নির্দিষ্ট আকারের অংশে বিভক্ত করা।
- **সংক্ষেপণ (Sumarization):** সীমিত context window-এ মূল অর্থ প্রেরণের জন্য দীর্ঘ কথোপকথনের ইতিহাস বা বৃহৎ দলিলপত্র সংকুচিত করা।
- **Memory Management (স্মৃতি ব্যবস্থাপনা):** চ্যাটবট ও এজেন্টে কথোপকথনের ইতিহাস সংরক্ষণ ও পুনরুদ্ধারের জন্য বিভিন্ন কৌশল ব্যবহার (যেমন LangChain-এ ConversationBufferMemory, ConversationSummaryBufferMemory)।
- **Sliding Window (স্লাইডিং উইন্ডো):** কনটেক্সটে কেবল সর্বশেষ N-টি কথোপকথনের বার্তা ধরে রাখা।
- **ফিল্টারিং ও অগ্রাধিকার নির্ধারণ:** চূড়ান্ত প্রম্পট তৈরির আগে তাদের গুরুত্বের ভিত্তিতে (যেমন অনুসন্ধানে প্রাপ্ত প্রাসঙ্গিকতা স্কোর ব্যবহার করে) সবচেয়ে প্রাসঙ্গিক কনটেক্সট অংশ বাছাই করা।

## Prompt Engineering-এ কনটেক্সটের ভূমিকা

- **প্রাসঙ্গিকতা বৃদ্ধি:** কনটেক্সট মডেলকে ব্যবহারকারীর অনুরোধ ও পরিস্থিতির সাথে সঠিকভাবে সামঞ্জস্যপূর্ণ উত্তর তৈরি করতে সক্ষম করে।
- **Hallucination হ্রাস:** RAG-এর মাধ্যমে বাস্তব তথ্য সরবরাহ মডেলকে তথ্য উদ্ভাবন না করে সেটির উপর নির্ভর করতে বাধ্য করে।
- **ব্যক্তিগতকরণ:** ব্যবহারকারী সম্পর্কিত কনটেক্সট (পছন্দ, ইতিহাস) উত্তর অভিযোজিত করার সুযোগ দেয়।
- **অবস্থা ব্যবস্থাপনা:** কথোপকথন ও বহু-ধাপের প্রক্রিয়ায় কনটেক্সট (ইতিহাস) পূর্ববর্তী ধাপ সম্পর্কে মডেলের ধারাবাহিকতা ও সচেতনতা নিশ্চিত করে।
- **মডেলের জ্ঞান সীমাবদ্ধতা অতিক্রম:** RAG মডেলকে তার প্রশিক্ষণের পরে ঘটা ঘটনা বা নির্দিষ্ট/ব্যক্তিগত ডেটা সম্পর্কে প্রশ্নের উত্তর দিতে সক্ষম করে।

## সীমাবদ্ধতা

- Context Window-এর সীমা: আধুনিক মডেলে ১-২ মিলিয়ন token পর্যন্ত বৃদ্ধি পেলেও এত বড় পরিমাণ প্রক্রিয়াকরণ ব্যয়বহুল ও ধীর হতে পারে। কার্যকর সংকোচন ও বাছাই কৌশল (RAG, সংক্ষেপণ) প্রয়োজন।
- প্রাসঙ্গিক কনটেক্সট অনুসন্ধান: RAG-এর কার্যকারিতা অনুসন্ধানের মানের উপর নির্ভর করে। ভুলভাবে সংগৃহীত কনটেক্সট মডেলকে বিভ্রান্ত করতে পারে ("আবর্জনা ইনপুটে — আবর্জনা আউটপুটে")।
- "উদাসীনতার উপত্যকা" (Valley of Meh): অত্যন্ত দীর্ঘ প্রম্পটের মাঝখানে অবস্থিত তথ্য মডেল উপেক্ষা করতে পারে। প্রম্পট কাঠামোবদ্ধ করা প্রয়োজন (যেমন "স্যান্ডউইচ কৌশল")।
- Context Injection-এর ঝুঁকি: কনটেক্সট অবিশ্বস্ত উৎস (যেমন ওয়েবপেজ) থেকে সংগৃহীত হলে তাতে ক্ষতিকর নির্দেশনা থাকতে পারে (prompt injection)।

## সাহিত্য

- 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.

## আরও দেখুন

- বৃহৎ ভাষা মডেল
- Context Window
- ভেক্টর ডেটাবেস
- LangChain