AI-prompt engineering · leksjon

Hvorfor spesifisitet er viktig

Slik fører vage ledetekster til generiske resultater – og hvordan presisjon løser det.

Leksjon 1 av 413 trinn

Hvorfor spesifisitet er viktig er en gratis leksjon i AI-prompt engineering på CoddyKit. Dette er leksjon 1 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.

Problemet med vaghet

Når du sender en vag prompt, fyller KI-en inn alle manglende detaljer med sin beste gjetning. Disse gjetningene bygger på den mest statistisk gjennomsnittlige tolkningen – ikke på det du faktisk mener.

Resultatet er generisk og forglemmelig innhold som krever omfattende omskriving. Spesifisitet er det kraftigste virkemiddelet du har for å forbedre kvaliteten på KI-resultater.

Vag prompt: Skriv om hunder

Se på prompten: «Skriv noe om hunder.»

Modellen må gjette: Hvilket format? Hvor langt? Hvem er målgruppen? Hvilken vinkling? Den faller tilbake på et trygt og intetsigende avsnitt som kunne passet i et barneleksikon.

Sammenlign nå med: «Skriv en Instagram-tekst på 200 ord om den første dagen på stranden for en golden retriever-valp. Tone: leken og følelsesladet. Ta med 5 relevante emneknagger.»

Den andre prompten overlater ingenting til tilfeldighetene.

import anthropic

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

vague = 'Write something about dogs.'
specific = (
    'Write a 200-word Instagram caption for a golden retriever puppy\'s '
    'first day at the beach. Tone: playful and emotional. '
    'End with 5 relevant hashtags.'
)

for label, prompt in [('VAGUE', vague), ('SPECIFIC', specific)]:
    response = client.messages.create(
        model='claude-opus-4-5',
        max_tokens=300,
        messages=[{'role': 'user', 'content': prompt}]
    )
    print(f'--- {label} ---')
    print(response.content[0].text)
    print()

Hvorfor generiske resultater oppstår

Modellen ble trent på milliarder av teksteksempler. Når du sier «skriv om X», genererer den den vanligste typen tekst om X som den så under treningen.

Det innebærer gjerne at teksten er:

  • Enyklopedisk i tonen
  • Av middels lengde
  • Overflatisk og med dekning av alle de viktigste vinklingene
  • Uten en tydelig stemme eller hensikt

Dine spesifikke begrensninger overstyrer disse standardene og styrer modellen mot det du faktisk trenger.

import openai

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

# Default (vague) output
default_response = client.chat.completions.create(
    model='gpt-4o',
    messages=[{'role': 'user', 'content': 'Write about coffee.'}]
)
print('DEFAULT OUTPUT (first 200 chars):')
print(default_response.choices[0].message.content[:200])
print()

# Constrained output
constrained_response = client.chat.completions.create(
    model='gpt-4o',
    messages=[{
        'role': 'user',
        'content': (
            'Write a 100-word product description for a single-origin Ethiopian pour-over coffee. '
            'Target audience: specialty coffee enthusiasts. '
            'Tone: sophisticated, sensory. Mention flavor notes: jasmine, blueberry, dark chocolate.'
        )
    }]
)
print('CONSTRAINED OUTPUT:')
print(constrained_response.choices[0].message.content)

De fem dimensjonene for spesifisitet

Når du skriver en prompt, bør du spesifisere fem dimensjoner:

  1. Format – avsnitt, punktliste, tabell, JSON, e-post
  2. Lengde – ordantall, antall setninger eller antall elementer
  3. Målgruppe – hvem som skal lese eller bruke resultatet
  4. Stil – formell, uformell, teknisk, overbevisende eller empatisk
  5. Mål – hva resultatet skal oppnå

Du trenger ikke alltid alle fem – men hvis én av dem mangler, inviterer du modellen til å gjette feil.

import anthropic

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

# All 5 dimensions specified
response = client.messages.create(
    model='claude-opus-4-5',
    max_tokens=256,
    messages=[{
        'role': 'user',
        'content': (
            'Format: 3-bullet summary.\n'
            'Length: each bullet max 20 words.\n'
            'Audience: busy startup founders with no ML background.\n'
            'Tone: direct, no jargon.\n'
            'Goal: explain why fine-tuning an LLM is expensive.'
        )
    }]
)
print(response.content[0].text)

Vage kontra spesifikke e-postforespørsler

La oss se på e-postskriving – en av de vanligste KI-oppgavene.

Vag: «Skriv en e-post til kunden min.»
Modellen vet ikke hvem kunden er, hva emnet gjelder, hvordan forholdet er, hva målet er eller hvilken tone den skal bruke.

Spesifikk: «Skriv en e-post på tre avsnitt til en B2B SaaS-kunde (TechFlow Inc) som har overskredet betalingsfristen med 14 dager. Tone: bestemt, men profesjonelt høflig. Mål: få inn betalingen uten å skade forholdet. Ta med en tydelig oppfordring til handling med en frist på 5 dager.»

import openai

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

specific_prompt = (
    'Write a 3-paragraph professional email to a B2B SaaS client (TechFlow Inc) '
    'who has a payment 14 days overdue. '
    'Tone: firm but courteous — preserve the business relationship. '
    'Include: acknowledgment of potential oversight, the overdue amount placeholder [AMOUNT], '
    'a payment link placeholder [LINK], and a 5-day deadline. '
    'Subject line included.'
)

response = client.chat.completions.create(
    model='gpt-4o',
    messages=[{'role': 'user', 'content': specific_prompt}]
)
print(response.choices[0].message.content)

Vagt kontra spesifikt: Oppsummering

Selv oppsummering – som virker enkelt – blir langt bedre når instruksjonene er spesifikke.

Vagt: «Oppsummer denne artikkelen.»

Spesifikt: «Oppsummer denne artikkelen i nøyaktig 3 setninger. Første setning: hovedfunn. Andre setning: brukt metode. Tredje setning: viktigste konsekvens for fagfolk.»

Versjonen med spesifisert struktur kan brukes med én gang; den vage versjonen må omformateres.

import anthropic

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

article = (
    'Researchers at MIT have developed a new neural network architecture that achieves '
    '94% accuracy on medical image diagnosis, outperforming human radiologists by 7%. '
    'The model was trained on 2.4 million anonymized X-ray images and uses a novel '
    'attention mechanism that highlights regions of interest for clinician review. '
    'The team expects FDA clearance by Q3 2025 for use as a diagnostic aid, not replacement.'
)

specific_prompt = (
    f'Summarize the following article in exactly 3 sentences:\n'
    f'Sentence 1: main finding.\n'
    f'Sentence 2: methodology.\n'
    f'Sentence 3: key implication for clinicians.\n\n'
    f'Article:\n{article}'
)

response = client.messages.create(
    model='claude-opus-4-5',
    max_tokens=200,
    messages=[{'role': 'user', 'content': specific_prompt}]
)
print(response.content[0].text)

Vagt kontra spesifikt: Idémyldring

Prompter for idémyldring er der vaghet koster mest – De får en liste med åpenbare ideer som overlapper.

Vagt: «Gi meg ideer til appen min.»

Spesifikt: «Gi meg 10 unike strategier for inntektsgenerering for en B2C-meditasjonsapp rettet mot 25–35 år gamle urbane yrkesaktive. Utelat abonnementsmodeller (vi har allerede en). Hver idé skal være på én setning, sortert fra mest til minst risikabel.»

import openai

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

specific_brainstorm = (
    'Generate 10 unique monetization strategies for a B2C meditation app '
    'targeting 25-35 year-old urban professionals. '
    'Exclude: subscription models (already implemented). '
    'Each strategy in one sentence. '
    'Order from most to least conventional. '
    'Label each with: CONVENTIONAL / EXPERIMENTAL / BOLD.'
)

response = client.chat.completions.create(
    model='gpt-4o',
    messages=[{'role': 'user', 'content': specific_brainstorm}]
)
print(response.choices[0].message.content)

Bruke eksempler i prompter

En av de kraftigste teknikkene for å gjøre en prompt spesifikk er å inkludere eksempler på resultatet De ønsker direkte i prompten (kalt few-shot prompting).

Vis formatet i stedet for å beskrive det. Modellen forstår umiddelbart struktur, lengde og tone ut fra et ekte eksempel – ofte tydeligere enn ut fra en skriftlig beskrivelse.

import anthropic

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

example_prompt = '''
Generate 3 product taglines in this style:

Example 1: Notion — 'The all-in-one workspace where better thinking happens.'
Example 2: Figma — 'Design together. Ship faster.'
Example 3: Linear — 'The issue tracker you'll actually enjoy using.'

Product: A CLI tool that automatically writes Git commit messages by analyzing your diff.
Taglines:
'''

response = client.messages.create(
    model='claude-opus-4-5',
    max_tokens=200,
    messages=[{'role': 'user', 'content': example_prompt}]
)
print(response.content[0].text)

Spesifisere hva som IKKE skal gjøres

Negative begrensninger er like kraftige som positive. Når De forteller modellen hva den skal unngå, bidrar det til å forhindre vanlige uønskede mønstre:

  • «Ikke bruk punktlister»
  • «Ikke begynn med ordet jeg»
  • «Ikke foreslå løsninger som krever kredittkort»
  • «Ikke bruk passiv form»

Kombiner positive instruksjoner med negative begrensninger for maksimal kontroll.

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 copywriter. Rules:\n'
                '- NEVER start a sentence with "Additionally" or "Furthermore"\n'
                '- NEVER use the phrase "In conclusion"\n'
                '- NEVER use passive voice\n'
                '- NEVER use bullet points or lists'
            )
        },
        {
            'role': 'user',
            'content': 'Write a 100-word about us section for a craft bakery called Morning Light.'
        }
    ]
)
print(response.choices[0].message.content)

Iterativ spesifisering

Det er ikke nødvendig å skrive den perfekte prompten på første forsøk. Iterativ forbedring er en god strategi:

  1. Start med en moderat spesifikk prompt
  2. Finn ut hva som er feil eller mangler i resultatet
  3. Legg til begrensninger for å dekke disse manglene
  4. Gjenta til resultatet oppfyller kravene De har satt

Hver iterasjon lærer Dem hvilke begrensninger modellen trenger. Lagre de beste promptene som maler for senere bruk.

import anthropic

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

# Iteration 1: first attempt
v1 = 'Write a LinkedIn post about my new job.'

# Iteration 2: add specifics based on what was missing
v2 = (
    'Write a LinkedIn post (max 150 words) announcing I just joined Stripe as a Senior Engineer. '
    'Tone: genuine excitement, not bragging. '
    'Include: what drew me to the role, one thing I plan to focus on. '
    'No cliches like "excited to announce" or "humbled to share". '
    'End with a genuine question for my network.'
)

response = client.messages.create(
    model='claude-opus-4-5',
    max_tokens=300,
    messages=[{'role': 'user', 'content': v2}]
)
print(response.content[0].text)

Bygge en sjekkliste for spesifisitet

Før De sender en prompt, gå gjennom denne mentale sjekklisten:

  • Har De spesifisert resultatformatet? (avsnitt / liste / JSON / tabell)
  • Har De spesifisert lengden? (antall ord / antall elementer)
  • Har De spesifisert målgruppen? (hvem som skal lese dette)
  • Har De spesifisert tonen? (formell / uformell / teknisk)
  • Har De spesifisert målet? (hva resultatet skal brukes til)
  • Har De tatt med begrensninger? (hva som skal unngås)
  • Kan De legge til et eksempel for å vise hva De mener?
# Prompt template with all specificity dimensions filled
prompt_template = '''
Task: {task_description}
Format: {format}
Length: {length}
Audience: {audience}
Tone: {tone}
Goal: {goal}
Do NOT: {constraints}
Example of good output: {example}
'''

filled = prompt_template.format(
    task_description='Explain what an API is',
    format='3 short paragraphs, plain prose — no bullet points',
    length='150 words maximum',
    audience='Non-technical business stakeholders',
    tone='Friendly, analogy-based, jargon-free',
    goal='Prepare them for a meeting with the engineering team',
    constraints='Do not use the words "endpoint", "REST", or "HTTP"',
    example='An API is like a waiter in a restaurant — it takes your order...'
)
print(filled)

Kunnskapstest

En markedssjef spør AI-en: «Skriv et innlegg i sosiale medier.» AI-en returnerer et generisk innlegg på to setninger om selskapet. Hvilken omskriving er BEST for å få et nyttig resultat?

Hvorfor spesifisitet er viktig – oppsummering

Spesifisitet er grunnlaget for effektiv prompting. Viktigste punkter:

  • Vage prompter gir statistisk sett gjennomsnittlige, generiske resultater
  • Spesifiser format, lengde, målgruppe, tone og mål i hver prompt
  • Bruk negative begrensninger for å forhindre uønskede mønstre
  • Ta med eksempler på resultatstilen De ønsker
  • Bruk iterativ forbedring – ingen prompt trenger å være perfekt på første forsøk
  • Lagre velfungerende prompter som maler for gjenbruk

Jo mer spesifikk De er, desto mindre tid bruker De på å skrive om resultatet.

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 «Hvorfor spesifisitet er viktig» gratis?

Ja – du kan lese valgfritt 3 av leksjonene i læringsstien AI-prompt engineering, inkludert «Hvorfor spesifisitet er viktig», 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 «Hvorfor spesifisitet er viktig»?

Slik fører vage ledetekster til generiske resultater – og hvordan presisjon løser det. 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 1 av 4.

Hvor lang tid tar leksjonen «Hvorfor spesifisitet er viktig»?

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. Hvorfor spesifisitet er viktig
  2. Fjerne tvetydighet fra ledetekster
  3. Legge til konkrete detaljer
  4. Vage og spesifikke ledetekster sammenlignet
← Tilbake til AI-prompt engineering