Prompt

Prompt — generativ yoki instruction-following modelga vazifa, context, savol, misol va kerakli javob formatini bildiradigan kirish ma’lumoti. Prompt faqat matn bo‘lishi shart emas; multimodal modelda rasm, audio, video yoki structured data ham promptning bir qismi bo‘lishi mumkin.

Prompt model parametrlarini o‘zgartirmaydi. U inference vaqtida model xatti-harakatini context orqali yo‘naltiradi.

Instruction

Promptning asosiy qismi vazifani aniq aytadi:

Quyidagi matnni o‘zbek tilida uch jumlada umumlashtir.

Instruction:

• nima bajarish;
• qaysi tilda;
• qanday uzunlikda;
• qanday formatda;
• qaysi cheklov bilan

ekanini ko‘rsatadi.

Context

Model vazifani bajarish uchun kerakli ma’lumotni prompt ichida olishi mumkin.

Masalan:

• document;
• jadval;
• oldingi dialog;
• code;
• policy;
• product ma’lumoti.

Keraksiz va zid context modelni chalg‘itishi mumkin.

Input va delimiter

Instruction bilan data aniq ajratiladi:

Vazifa: matnni tahlil qil.

Matn:
---
...
---

Delimiter modelga qaysi qism ko‘rsatma, qaysi qism qayta ishlanadigan data ekanini tushunishga yordam beradi.

Delimiter security boundary emas.

Output format

Natija formatini aniq berish mumkin:

• JSON;
• Markdown;
• jadval;
• bullet list;
• faqat label;
• ma’lum schema.

Structured output uchun field nomi, type va allowed value ko‘rsatiladi.

Model outputi serverda schema validationdan o‘tadi.

Zero-shot

Modelga misolsiz faqat instruction beriladi.

Masalan:

Bu matn ijobiy yoki salbiy ekanini aniqlang.

Model pretraining va instruction tuningdagi umumiy qobiliyatga tayanadi.

Oddiy vazifada yetarli bo‘lishi mumkin.

One-shot

Bitta misol ko‘rsatiladi:

Matn: Juda yaxshi.
Label: ijobiy

Keyin yangi input beriladi.

Misol format va vazifa semantikasini tushuntiradi.

Noto‘g‘ri misol modelni noto‘g‘ri yo‘naltiradi.

Few-shot

Bir nechta input-output misollar prompt ichida beriladi.

Ular:

• turli holat;
• boundary case;
• kerakli uslub;
• output format

ni ko‘rsatadi.

Misollar context token sarfini oshiradi.

Role

Chat modelda role’lar bo‘lishi mumkin:

• system;
• developer;
• user;
• assistant;
• tool.

Yuqori darajadagi instructionlar platforma qoidalariga ko‘ra ustun bo‘lishi mumkin.

Oddiy text ichidagi “system” so‘zi haqiqiy role boundary emas.

System prompt

System prompt modelning umumiy vazifasi, uslubi va cheklovlarini belgilaydi.

Masalan:

• til;
• persona;
• xavfsizlik;
• output qoidasi;
• tool behavior.

System prompt userga ko‘rinmas bo‘lishi mumkin, ammo mutlaq secret saqlash joyi emas.

Prompt template

Takroriy vazifa uchun parametrli template yaratiladi:

Mavzu: {topic}
Til: {language}
Hajm: {length}

User data xavfsiz joylashtiriladi.

String concatenation bilan delimiter va instruction aralashishi prompt injectionni kuchaytirishi mumkin.

Prompt injection

Ishonchsiz document yoki user input modelga oldingi ko‘rsatmani e’tiborsiz qoldirishni buyurishi mumkin.

Masalan, RAG document ichida zararli instruction.

Himoya:

• data va instructionni ajratish;
• tool permission;
• output validation;
• source trust;
• allowlist;
• human approval.

Faqat “bu ko‘rsatmaga amal qilma” deb yozish yetarli emas.

Indirect prompt injection

Zararli ko‘rsatma user xabarida emas, model o‘qigan web page, email, file yoki tool natijasida bo‘ladi.

Agent external contentni ishonchsiz data deb qabul qiladi.

Unga secret va yuqori privilege tool accessini avtomatik bermaydi.

Context window

Prompt va model outputi umumiy token limitiga ta’sir qiladi.

Juda uzun promptda:

• instruction yo‘qolishi;
• muhim detail e’tibordan chetda qolishi;
• narx;
• latency;
• truncation

muammosi yuz beradi.

Relevant qismlar tanlab beriladi.

Temperature

Temperature promptning qismi emas, decoding parameteri.

Ammo prompt bilan birga natijaga ta’sir qiladi.

Past temperature aniq classification va structured output uchun, yuqoriroq qiymat kreativ variant uchun ishlatilishi mumkin.

Deterministik kafolat emas.

Chain-of-thoughtga oid promptlar

Modeldan masalani bosqichlarga bo‘lib ishlash so‘ralishi mumkin.

Bu ayrim reasoning vazifalarda sifatni oshiradi.

Production tizimi modelning ichki uzun izohini emas, tekshiriladigan qisqa dalil, calculation yoki tool natijasini talab qilishi mumkin.

Evaluation

Prompt versiyalari test datasetda solishtiriladi.

Metric:

• task accuracy;
• format compliance;
• hallucination;
• latency;
• token sarfi;
• safety;
• human preference.

Bitta chiroyli misol umumiy sifatni ko‘rsatmaydi.

Prompt versioning

Template code kabi versionlanadi.

O‘zgarish:

• kim;
• qachon;
• nima uchun;
• test natijasi;
• rollback

bilan saqlanadi.

Model versioni o‘zgarsa eski prompt natijasi ham o‘zgarishi mumkin.

Negative instruction

Prompt nimani qilmaslikni ko‘rsatishi mumkin, ammo faqat taqiqlar ro‘yxati yetarli emas. Modelga kerakli ijobiy behavior va format ham beriladi. “Uzun yozma” o‘rniga “uch jumlada yoz” aniqroq. Bir-biriga zid ko‘rsatmalar hierarchy bo‘yicha hal qilinadi.

Grounding

Prompt ichida source berilsa modeldan faqat shu manbaga tayanish talab qilinishi mumkin. Har claim uchun citation yoki “ma’lumot yetarli emas” javobi belgilanadi. Bu hallucinationni kamaytiradi, ammo source noto‘g‘ri bo‘lsa model ham xato qiladi.

Prompt caching

Katta va takroriy system context ayrim serving tizimlarda cache qilinishi mumkin. Bir xil prefix qayta hisoblanmaydi. Cache key model, prompt tokenlari va permission scope’iga mos bo‘ladi.

Localization

Prompt tarjima qilinganda faqat so‘zlar emas, format, tone va cultural context ham moslashtiriladi. Bir tilda yaxshi few-shot misol boshqasida aynan ishlamasligi mumkin.

User input

User matni template ichiga aniq data blok sifatida joylanadi. XML yoki Markdown delimiter ishlatilsa input delimiter’ni o‘zi saqlashi mumkinligi hisobga olinadi. Structured field va parser xavfsizroq.

Bog‘liq tushunchalar

Prompt, Prompt engineering, Instruction, Context, Few-shot learning, System prompt, Prompt template, Prompt injection, Context window, Structured output