Fejl på grund af manglende kontekst

"Ret fejlen" er en klassisk prompt med manglende kontekst. Modellen får ingen oplysninger om:

• Hvilket sprog eller rammeværk der bruges
• Hvad koden skal gøre
• Hvad den faktisk gør (symptomet)
• Hvilken fejl eller hvilket forkert resultat der vises
• Hvad der blev forsøgt, og hvad der ikke virkede

En komplet prompt til fejlfinding indeholder alle fem dele: "Denne Python-funktion skal returnere summen af alle lige tal i en liste, men den returnerer 0 for [2,4,6]. Her er koden: [indsæt kode]. Fejlen er..."

"Fortsæt fra, hvor vi slap." — En almindelig fejl, der afslører en grundlæggende misforståelse: modellen har ikke hukommelse på tværs af samtaler.

Hver ny samtale starter helt på en frisk. Modellen har ikke adgang til tidligere samtaler, selv hvis du brugte den samme konto eller det samme værktøj. Hvis der er brug for kontekst fra en tidligere session, skal du indsætte den direkte i den aktuelle samtale.

Nogle værktøjer (såsom Claude Projects eller brugerdefinerede hukommelsessystemer) tilbyder kontekst på tværs af samtaler, men det er en funktion i værktøjet, ikke en medfødt egenskab ved modellen.

En almindelig kontekstfejl er at antage, at modellen deler din underforståede baggrundsviden:

• "Få det til at passe til vores brand" (hvilket brand? hvad er retningslinjerne for brandet?)
• "Skriv det som sidst" (modellen har ingen adgang til det, der blev skrevet sidst)
• "Brug samme format som de andre rapporter" (indsæt formatet eller et eksempel på en rapport)
• "Sørg for, at det stemmer overens med det, vi talte om" (hvis dette er en ny samtale, blev der ikke talt om noget)

Løsningen er altid den samme: gør det underforståede eksplicit. Angiv, hvad du antager, at modellen ved.

Kontekstindsættelse vil sige, at du udtrykkeligt giver de baggrundsoplysninger, modellen skal bruge for at svare korrekt. Tre mønstre:

Indsæt det relevante indhold: Medtag koden, dokumentet, e-mailen eller dataene direkte i prompten.

Beskriv situationen: Opsummér den relevante baggrund i 2-5 sætninger før opgaveinstruktionen.

Angiv begrænsningerne: Nævn miljøet, teknologistakken, målgruppen og eventuelle relevante tidligere beslutninger.

Kontekstindsættelse omdanner generel modelviden til svar, der er specifikke for situationen.

For komplekse opgaver skal du strukturere konteksten med afsnit med overskrifter før opgaveinstruktionen:

Ikke al kontekst er lige værdifuld. For lidt kontekst giver generiske resultater; for meget kontekst begraver de relevante oplysninger i støj og kan skubbe den egentlige opgaveinstruktion for langt ned i prompten.

Tilpas kontekstdybden ved at spørge: Hvad har en omhyggelig menneskelig ekspert brug for at vide for at udføre denne opgave godt?

• Medtag: målgruppe, formål, begrænsninger, domænespecifik terminologi, relevante tidligere beslutninger
• Udelad: baggrund, som alle allerede vil kende, irrelevant historik, perifere detaljer

En nyttig tommelfingerregel: Konteksten bør være lige præcis så specifik, at en udenforstående ikke kunne skrive den til en anden virksomhed eller situation.

Da modellen ikke har hukommelse på tværs af samtaler, er løsningen en genanvendelig kontekstintroduktion — en standardblok med kontekst, som du indsætter i starten af hver samtale om et tilbagevendende emne:

En beslægtet fejl med manglende kontekst er en ufuldstændig specifikation: du giver noget kontekst, men ikke nok til, at modellen kan håndtere kanttilfælde.

Eksempel: "Skriv en funktion, der filtrerer brugere efter deres abonnementsstatus."

Hvilken datastruktur er der tale om? Hvilke statusværdier er gyldige? Hvad skal der ske med brugere uden status? Skal der skelnes mellem store og små bogstaver? Hvad skal den returnere, hvis listen er tom?

Modellen vil antage noget for alle disse punkter. Antagelserne kan være forkerte. Komplette specifikationer tager højde for kanttilfælde eksplicit.

For prompter om kode giver et minimalt sæt kontekst et pålideligt nyttigt resultat:

• Sprog og version: Python 3.11, TypeScript 5.0
• Rammeværk: FastAPI, Next.js, React Native
• Hvad koden skal gøre: forventede inddata og uddata
• Hvad den gør forkert i øjeblikket: symptom og fejlmeddelelse
• Hvad der er blevet prøvet: undgår, at tilgange, der allerede har fejlet, gentages
• Begrænsninger: må ikke bruge eksterne afhængigheder, skal køre på under 50 ms

Dette minimale sæt eliminerer de mest almindelige årsager til, at AI-genererede kodeforslag er generelt korrekte, men forkerte i din konkrete kontekst.

Fejl på grund af manglende kontekst opstår, når en prompt forudsætter viden, modellen ikke har — din kode, dit brand, tidligere samtaler, dit teams beslutninger. Modellen udfylder disse huller med antagelser, hvilket giver et generisk eller forkert resultat.

Løsningen er kontekstindsættelse: indsæt relevant indhold, beskriv situationen, og angiv begrænsninger eksplicit. For tilbagevendende opgaver løser en genanvendelig kontekstintroduktion problemet med hukommelse på tværs af samtaler. For kodeopgaver skal du altid medtage sprog, rammeværk, inddata og uddata, nuværende adfærd og begrænsninger.

I kursets sidste lektion samler du alle disse lektioner i en systematisk tjekliste til fejlfinding af prompter.