AI-prompt engineering · leksjon

Typer forespørsler AI kan håndtere

Taksonomi over AI-oppgaver: skriving, oppsummering, svar, koding og idémyldring.

Leksjon 2 av 413 trinn

Typer forespørsler AI kan håndtere er en gratis leksjon i AI-prompt engineering på CoddyKit. Dette er leksjon 2 av 4. Du kan lese valgfritt 3 leksjoner fra denne læringsstien gratis i sin helhet – deretter låser CoddyKit PRO opp alle leksjoner, samt praktisk øving med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Den er en del av læringsløpet i AI-prompt engineering, og fremdriften din synkroniseres mellom nettet og CoddyKit-appen. Kurset i AI-prompt engineering inneholder totalt 4 leksjoner.

Taksonomien for AI-oppgaver

AI-språkmodeller er bemerkelsesverdig allsidige. De håndterer et bredt spekter av oppgavetyper — og når du vet hvilken kategori oppgaven din tilhører, kan du skrive bedre prompter.

Vi kan dele oppgavene inn i: skriving, oppsummering, spørsmål og svar, programmering, idémyldring, oversettelse, klassifisering og datauttrekking.

Skriveoppgaver

Skriving er en av de vanligste AI-oppgavene. Eksempler omfatter:

  • Utarbeide e-poster, søknadsbrev og blogginnlegg
  • Skrive noveller, manus eller kreativt innhold
  • Formulere bildetekster for sosiale medier
  • Redigere og skrive om eksisterende utkast

Det viktigste er å angi format, tone, lengde og målgruppe i prompten.

import anthropic

client = anthropic.Anthropic(api_key='sk-ant-your-key-here')

response = client.messages.create(
    model='claude-opus-4-5',
    max_tokens=256,
    messages=[{
        'role': 'user',
        'content': (
            'Write a 150-word professional email declining a meeting invitation. '
            'Tone: polite and regretful. Suggest rescheduling next week.'
        )
    }]
)
print(response.content[0].text)

Oppsummeringsoppgaver

Oppsummering komprimerer langt innhold til en kortere og mer lettfattelig form. Vanlige bruksområder er:

  • TL;DR av lange artikler eller rapporter
  • Møtereferater basert på en utskrift
  • Ledersammendrag av forskningsartikler
  • Hovedpunkter hentet ut fra et bokkapittel

Angi ønsket lengde og detaljnivå.

import openai

client = openai.OpenAI(api_key='sk-your-key-here')

long_text = (
    'Artificial intelligence has transformed industries from healthcare '
    'to finance over the past decade. Machine learning models now diagnose '
    'diseases, detect fraud, and power recommendation engines. However, '
    'concerns about bias, privacy, and job displacement remain significant...'
)

response = client.chat.completions.create(
    model='gpt-4o',
    messages=[{
        'role': 'user',
        'content': f'Summarize the following in exactly 2 sentences:\n\n{long_text}'
    }]
)
print(response.choices[0].message.content)

Oppgaver med spørsmål og svar

Spørsmål og svar-oppgaver utnytter modellens brede kunnskapsgrunnlag. Typer omfatter:

  • Faktaspørsmål («Hva er Krebs-syklusen?»)
  • Forklarende spørsmål («Hvordan fungerer HTTPS?»)
  • Sammenlignende spørsmål («Hva er forskjellen på RAM og lagring?»)
  • Spørsmål og svar om dokumenter — still spørsmål om et dokument du har limt inn

Når du stiller spørsmål om et dokument, må du alltid ta med kildematerialet i prompten.

import anthropic

client = anthropic.Anthropic(api_key='sk-ant-your-key-here')

document = 'Our refund policy allows returns within 30 days with receipt...'

response = client.messages.create(
    model='claude-opus-4-5',
    max_tokens=256,
    system='Answer only based on the document provided. If unsure, say so.',
    messages=[{
        'role': 'user',
        'content': f'Document:\n{document}\n\nQuestion: How many days do I have to return an item?'
    }]
)
print(response.content[0].text)

Programmeringsoppgaver

Programmeringsoppgaver er et område der AI-assistenter virkelig utmerker seg. Vanlige forespørsler er:

  • Generere kode ut fra en beskrivelse («Skriv en Python-funksjon som ...»)
  • Forklare hva eksisterende kode gjør
  • Feilsøke eller reparere kode som ikke fungerer
  • Konvertere kode fra ett språk til et annet
  • Skrive enhetstester for en gitt funksjon
import openai

client = openai.OpenAI(api_key='sk-your-key-here')

response = client.chat.completions.create(
    model='gpt-4o',
    messages=[
        {
            'role': 'system',
            'content': 'You are a Python expert. Include type hints and a brief docstring.'
        },
        {
            'role': 'user',
            'content': (
                'Write a function that takes a list of integers and returns '
                'the second largest unique value, or None if it does not exist.'
            )
        }
    ]
)
print(response.choices[0].message.content)

Idémyldringsoppgaver

Idémyldring bruker AI til å generere mange ideer raskt. Bruk det til:

  • Å finne på produktnavn
  • Å lage lister over bloggtemaer
  • Å utvikle funksjonsideer for en app
  • Å finne vinklinger til markedskampanjer
  • Å finne alternative løsninger på problemer

Be om et bestemt antall ideer, og be modellen prioritere variasjon fremfor gjentakelser.

import anthropic

client = anthropic.Anthropic(api_key='sk-ant-your-key-here')

response = client.messages.create(
    model='claude-opus-4-5',
    max_tokens=512,
    messages=[{
        'role': 'user',
        'content': (
            'Generate 10 unique app name ideas for a habit-tracking app targeting busy professionals. '
            'Each name should be one or two words. Prioritize variety — avoid similar-sounding names. '
            'After each name, add a 5-word tagline.'
        )
    }]
)
print(response.content[0].text)

Oversettelsesoppgaver

Oversettelse handler om mer enn ord-for-ord-konvertering. AI-modeller håndterer:

  • Språkoversettelse (engelsk → spansk, fransk → japansk)
  • Oversettelse av språklig register (teknisk sjargong → klarspråk)
  • Oversettelse av tone (formell → uformell)
  • Formatkonvertering (avsnitt → punktliste)

Angi om du ønsker en ordrett oversettelse eller en naturlig og idiomatisk oversettelse.

import openai

client = openai.OpenAI(api_key='sk-your-key-here')

text_en = 'Please ensure the deliverables are submitted prior to the agreed deadline.'

response = client.chat.completions.create(
    model='gpt-4o',
    messages=[{
        'role': 'user',
        'content': (
            f'Translate the following into natural, idiomatic Spanish '
            f'suitable for a casual work chat message:\n\n{text_en}'
        )
    }]
)
print(response.choices[0].message.content)

Klassifiseringsoppgaver

Klassifisering tilordner inndata til forhåndsdefinerte kategorier. Eksempler:

  • Sentimentanalyse (positiv / negativ / nøytral)
  • Temakategorisering (sport / politikk / teknologi)
  • Identifisering av hensikt (klage / forespørsel / kompliment)
  • Søppelpost kontra ikke-søppelpost

Oppgi alltid listen over gyldige kategorier i prompten, slik at modellen vet hva den kan velge mellom.

import anthropic

client = anthropic.Anthropic(api_key='sk-ant-your-key-here')

reviews = [
    'The product broke after one day. Terrible quality!',
    'Shipping was fast and the item is exactly as described.',
    'It is okay, nothing special but does the job.'
]

for review in reviews:
    response = client.messages.create(
        model='claude-opus-4-5',
        max_tokens=16,
        messages=[{
            'role': 'user',
            'content': (
                f'Classify this review as exactly one of: POSITIVE, NEGATIVE, NEUTRAL.\n'
                f'Reply with only the label.\n\nReview: {review}'
            )
        }]
    )
    label = response.content[0].text.strip()
    print(f'{label}: {review[:40]}...')

Datauttrekkingsoppgaver

Datauttrekking henter strukturert informasjon ut av ustrukturert tekst. Vanlige bruksområder er:

  • Hente ut navn, datoer og beløp fra fakturaer
  • Hente ut viktige fakta fra nyhetsartikler
  • Analysere kontaktopplysninger fra e-poster
  • Hente ut produktspesifikasjoner fra beskrivelser

Be om JSON-utdata for å gjøre de uthentede dataene enkle å bruke programmatisk.

import openai
import json

client = openai.OpenAI(api_key='sk-your-key-here')

email_text = (
    'Hi, I am Sarah Johnson from Acme Corp. '
    'Please send the invoice for $4,250 to billing@acmecorp.com by June 15th.'
)

response = client.chat.completions.create(
    model='gpt-4o',
    messages=[{
        'role': 'user',
        'content': (
            'Extract the following fields from the email below and output valid JSON:\n'
            'name, company, email, amount, deadline\n\nEmail:\n' + email_text
        )
    }]
)

raw = response.choices[0].message.content
data = json.loads(raw)
print(data)

Kombinere oppgavetyper

Prompter fra virkelige situasjoner kombinerer ofte flere oppgavetyper i én forespørsel. For eksempel:

  • Hent ut hovedpåstander fra en artikkel, og klassifiser deretter hver av dem som fakta eller mening
  • Oppsummer et dokument, og oversett deretter sammendraget til fransk
  • Finn ideer, og skriv deretter en kort presentasjon av den beste ideen

Det er kraftfullt å kjede oppgavetyper i én prompt — bare vær tydelig på hvert trinn.

import anthropic

client = anthropic.Anthropic(api_key='sk-ant-your-key-here')

response = client.messages.create(
    model='claude-opus-4-5',
    max_tokens=512,
    messages=[{
        'role': 'user',
        'content': (
            'Do the following in order:\n'
            '1. Brainstorm 5 blog post titles about remote work productivity.\n'
            '2. Pick the most compelling title.\n'
            '3. Write a 3-sentence intro paragraph for that post.\n'
            'Format your output with clear numbered sections.'
        )
    }]
)
print(response.content[0].text)

Velge riktig oppgaveramme

Den samme underliggende forespørselen kan formuleres som ulike oppgavetyper — og formuleringen endrer utdataene betydelig.

Eksempel på mål: forstå et selskaps prisside.

  • Spørsmål og svar-ramme: «Hva er prisnivåene?»
  • Oppsummeringsramme: «Oppsummer prissiden i tre punkter.»
  • Uttrekksramme: «Hent ut navn og priser for planene som JSON.»
  • Sammenligningsramme: «Lag en tabell som sammenligner alle planene.»

Velg rammen som passer med hvordan du skal bruke resultatet.

import openai

client = openai.OpenAI(api_key='sk-your-key-here')

pricing_text = (
    'Starter: $9/month - 1 user, 5GB storage. '
    'Pro: $29/month - 10 users, 50GB storage. '
    'Enterprise: custom pricing - unlimited users.'
)

# Extraction frame
response = client.chat.completions.create(
    model='gpt-4o',
    messages=[{
        'role': 'user',
        'content': (
            'Extract plan names and monthly prices as a JSON array. '
            'Use null for custom pricing.\n\n' + pricing_text
        )
    }]
)
print(response.choices[0].message.content)

Kunnskapstest

Du har lært de viktigste kategoriene av AI-oppgaver. La oss se om du kan identifisere den riktige.

En utvikler limer inn en kundestøtte-e-post på 500 ord i en prompt og ber AI-en: «Hent ut kundenavnet, ordrenummeret og problemtypen — skriv resultatet som JSON.»

Hvilken oppgavetype er dette?

Oppsummering av oppgavetaksonomien

Du kan nå identifisere og formulere enhver AI-forespørsel som én av de grunnleggende oppgavetypene:

  • Skriving — generere originalt tekstinnhold
  • Oppsummering — komprimere langt innhold
  • Spørsmål og svar — svare på spørsmål basert på kunnskap eller dokumenter
  • Programmering — generere, forklare eller feilsøke kode
  • Idémyldring — generere mange varierte ideer
  • Oversettelse — konvertere mellom språk eller språklige registre
  • Klassifisering — tilordne inndata til forhåndsdefinerte kategorier
  • Datauttrekking — hente strukturert data ut av ustrukturert tekst

Identifiser oppgavetypen først — og skriv deretter prompten rundt den.

Gratis å komme i gang

Lær deg AI-prompt engineering med en AI-veileder – gratis

Skriv og kjør ekte kode i nettleseren, få umiddelbar hjelp fra en AI-veileder som er tilgjengelig døgnet rundt, og fortsett der du slapp – på nettet eller i appen.

Kurs
53
Leksjoner
199

Ofte stilte spørsmål

Er leksjonen «Typer forespørsler AI kan håndtere» gratis?

Ja – du kan lese valgfritt 3 av leksjonene i læringsstien AI-prompt engineering, inkludert «Typer forespørsler AI kan håndtere», gratis i sin helhet her på nettet. Deretter låser CoddyKit PRO opp alle leksjoner, samt interaktiv øving med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Kurset i AI-prompt engineering inneholder totalt 4 leksjoner.

Hva lærer jeg i «Typer forespørsler AI kan håndtere»?

Taksonomi over AI-oppgaver: skriving, oppsummering, svar, koding og idémyldring. Du øver på AI-prompt engineering med praktisk kode som du kjører direkte i nettleseren, mens en AI-veileder som er tilgjengelig døgnet rundt, svarer på spørsmålene dine mens du jobber deg gjennom leksjonen.

Trenger jeg erfaring for å begynne med AI-prompt engineering?

Ingen tidligere erfaring er nødvendig. AI-prompt engineering på CoddyKit er lagt opp for både nybegynnere og viderekomne, så De kan begynne her eller helt fra start og lære i Deres eget tempo. Dette er leksjon 2 av 4.

Hvor lang tid tar leksjonen «Typer forespørsler AI kan håndtere»?

De fleste CoddyKit-leksjoner tar omtrent 5–10 minutter. Hver leksjon er kort og interaktiv, slik at De gjør jevne fremskritt og kan fortsette akkurat der De slapp – både på nettet og i appen.

Kan jeg skrive og kjøre kode i denne AI-prompt engineering-leksjonen?

Ja. Alle AI-prompt engineering-leksjoner har en innebygd kodeeditor, slik at De kan skrive og kjøre ekte kode direkte i nettleseren og få umiddelbar tilbakemelding fra AI – uten lokal konfigurering.

Alle leksjonene i dette kurset

  1. Forstå chatgrensesnittet
  2. Typer forespørsler AI kan håndtere
  3. Slik genererer AI svar
  4. Hva AI ikke kan gjøre
← Tilbake til AI-prompt engineering