Feil på grunn av manglende kontekst

"Rett feilen" er en klassisk prompt med manglende kontekst. Modellen får ingen informasjon om:

• Hvilket språk eller rammeverk som brukes
• Hva koden skal gjøre
• Hva den faktisk gjør (symptomet)
• Hvilken feil eller hvilket uriktig resultat som oppstår
• Hva som er prøvd, men ikke fungerte

En fullstendig prompt for feilretting inneholder alle de fem delene: "Denne Python-funksjonen skal returnere summen av alle partallene i en liste, men den returnerer 0 for [2,4,6]. Her er koden: [lim inn kode]. Feilen er …"

"Fortsett der vi slapp." – En vanlig feil som avslører en grunnleggende misforståelse: Modellen har ikke hukommelse på tvers av økter.

Hver nye samtale starter helt på nytt. Modellen har ikke tilgang til tidligere samtaler, selv om du brukte samme konto eller verktøy. Hvis du trenger kontekst fra en tidligere økt, må du uttrykkelig lime den inn i den nåværende samtalen.

Noen verktøy, som Claude Projects eller egendefinerte minnesystemer, tilbyr kontekst på tvers av økter, men dette er en funksjon i verktøyet og ikke en innebygd egenskap ved modellen.

En vanlig kontekstfeil er å anta at modellen deler den underforståtte bakgrunnskunnskapen din:

• "Tilpass det til merkevaren vår" (hvilken merkevare? Hva er retningslinjene for merkevaren?)
• "Skriv det som sist" (modellen har ikke tilgang til det som ble gjort sist)
• "Bruk samme format som i de andre rapportene" (lim inn formatet eller et eksempel på en rapport)
• "Hold det i tråd med det vi diskuterte" (hvis dette er en ny samtale, har dere ikke diskutert noe)

Løsningen er alltid den samme: Gjør det underforståtte eksplisitt. Oppgi hva du antar at modellen vet.

Kontekstinjeksjon betyr at du uttrykkelig oppgir bakgrunnsinformasjonen modellen trenger for å svare riktig. Det finnes tre mønstre:

Lim inn det relevante innholdet: Inkluder koden, dokumentet, e-posten eller dataene direkte i prompten.

Beskriv situasjonen: Oppsummer den relevante bakgrunnen i 2–5 setninger før oppgaveinstruksjonen.

Oppgi begrensningene: Nevn miljøet, teknologistakken, målgruppen og eventuelle relevante tidligere beslutninger.

Kontekstinjeksjon gjør generell modellkunnskap om til situasjonsspesifikke svar.

For komplekse oppgaver bør du strukturere konteksten i merkede deler før oppgaveinstruksjonen:

All kontekst er ikke like verdifull. For lite kontekst gir generelle resultater; for mye kontekst begraver den relevante informasjonen i støy og kan skyve selve oppgaveinstruksjonen for langt ned i prompten.

Tilpass kontekstdybden ved å spørre: Hva trenger en grundig menneskelig ekspert å vite for å utføre denne oppgaven godt?

• Inkluder: målgruppe, formål, begrensninger, domenespesifikk terminologi og relevante tidligere beslutninger
• Utelat: bakgrunn som alle allerede kjenner, irrelevant historikk og detaljer på siden av saken

En nyttig regel er at konteksten bør være akkurat så spesifikk at en fremmed ikke kunne skrevet den for en annen bedrift eller situasjon.

Siden modellen ikke har hukommelse på tvers av økter, er løsningen en gjenbrukbar kontekstintroduksjon – en standardblokk med kontekst som du limer inn i starten av hver økt om et tilbakevendende tema:

En relatert feil med manglende kontekst er en ufullstendig spesifikasjon: Du oppgir noe kontekst, men ikke nok til at modellen kan håndtere spesialtilfeller.

Eksempel: "Skriv en funksjon som filtrerer brukere etter abonnementsstatusen deres."

Hva er datastrukturen? Hvilke statusverdier er gyldige? Hva skal skje med brukere som ikke har noen status? Skal det skilles mellom store og små bokstaver? Hva skal funksjonen returnere hvis listen er tom?

Modellen vil gjøre antakelser for alle disse spørsmålene. Antakelsene kan være feil. Fullstendige spesifikasjoner tar uttrykkelig høyde for spesialtilfeller.

For kodebaserte prompter gir et minimumssett med kontekst pålitelig nyttige resultater:

• Språk og versjon: Python 3.11, TypeScript 5.0
• Rammeverk: FastAPI, Next.js, React Native
• Hva koden skal gjøre: forventede inndata og utdata
• Hva den gjør feil nå: symptom og feilmelding
• Hva som er prøvd: hindrer at tilnærminger som allerede har mislyktes, gjentas
• Begrensninger: kan ikke bruke eksterne avhengigheter, må kjøre på under 50 ms

Dette minimumssettet eliminerer de vanligste årsakene til at AI-genererte kodeforslag er generelt riktige, men feil i din konkrete kontekst.

Feil på grunn av manglende kontekst oppstår når en prompt forutsetter kunnskap modellen ikke har – om koden din, merkevaren din, tidligere økter eller beslutningene i teamet ditt. Modellen fyller disse hullene med antakelser, noe som gir generelle eller feilaktige resultater.

Løsningen er kontekstinjeksjon: Lim inn relevant innhold, beskriv situasjonen og oppgi begrensningene eksplisitt. For tilbakevendende oppgaver løser en gjenbrukbar kontekstintroduksjon problemet med hukommelse på tvers av økter. For kodeoppgaver bør du alltid ta med språk, rammeverk, inndata/utdata, nåværende oppførsel og begrensninger.

I kursets siste leksjon skal du sette sammen alt dette i en systematisk sjekkliste for feilsøking av prompter.