טכניקות הנדסת פרומפטים: מדריך מעשי ל-zero-shot, few-shot, chain-of-thought ועוד

הנדסת פרומפטים היא הדרך הזולה והמהירה ביותר לשנות את מה שמודל שפה גדול עושה: אתם משנים את הקלט, לא את המודל. בלי אימון, בלי צינור נתונים, בלי חשבון GPU - רק הנחיות ברורות יותר. זהו השלב הראשון בסולם ההתאמה האישית (ראו כיצד מאמנים מודלי AI לסולם המלא), והוא נבחן באופן נרחב בכל בחינת AI יסודית ובחינת AI גנרטיבי, מ-AWS AI Practitioner (AIF-C01) ועד המקבילות של Azure ו-Google Cloud.

מדריך זה ניטרלי מבחינת ספק - הטכניקות פועלות באותו אופן על כל LLM מודרני. הוא מכסה את האנטומיה של פרומפט טוב, את הטכניקות המרכזיות עם מתי להשתמש בכל אחת, את הגדרות ההסקה שמעצבות את הפלט, ואת סיכוני האבטחה שחובה להכיר. במקומות שבהם בחינה נשענת על נושא מסוים, יש הערת "בבחינה". התייחסו אליו כאל מקור שאתם סורקים לפי סעיף.

מהי הנדסת פרומפטים (ומה היא איננה)

מה זה. ניסוח וזיקוק של הטקסט שאתם נותנים למודל כך שהוא יחזיר את הפלט שאתם רוצים. זה מנצל את מה שהמודל כבר למד במהלך הקדם-אימון; אתם מכוונים, לא מלמדים.

למה זה חשוב. זה כמעט חינם ומיידי. לפני שאתם פונים ל-RAG או לכיוונון עדין - שעולים נתונים, כסף וזמן - כדאי שתמצו את הפרומפטינג. לעיתים קרובות פרומפט טוב יותר סוגר את כל הפער.

מה זה לא. זה לא משנה את המשקלים של המודל. אם למודל פשוט חסר הידע (הנתונים הפרטיים שלכם) או התנהגות אמינה, פרומפטינג לבדו לא יתקן זאת - זו הנקודה שבה אתם מטפסים ל-RAG או לכיוונון עדין. אל תבלבלו בין הנדסת פרומפטים (כתיבת הנחיות טובות יותר) לבין prompt tuning (טכניקת אימון שלומדת וקטורי "פרומפט רך"); הבחינה מתייחסת להנדסת פרומפטים כאפשרות ללא אימון מחדש.

האנטומיה של פרומפט טוב

רוב הפרומפטים החזקים מכילים עד ארבעה חלקים:

• הנחיה - המשימה: "סכם", "סווג", "תרגם", "חלץ".
• הקשר - רקע שהמודל זקוק לו: קהל, טון, תחום, אילוצים.
• נתוני קלט - התוכן בפועל שיש לפעול עליו.
• מחוון פלט - צורת התשובה: "החזר JSON", "משפט אחד", "רשימת תבליטים".

עקרונות שגורמים לכל חלק לעבוד:

• היו ספציפיים וחד-משמעיים. "כתוב סיכום של 3 משפטים לקורא לא טכני" עדיף על "סכם את זה".
• העדיפו הנחיות חיוביות. אמרו למודל מה לעשות, לא רק ממה להימנע; "השב רק בשם הקטגוריה" ברור יותר מערימה של כללי "אל תעשה" (אם כי לאילוצים שליליים יש מקום - ראו בהמשך).
• תנו אילוצים. אורך, טון, רמת קריאה, פורמט, מה להשמיט.
• השתמשו במפרידים. עטפו את הקלט במפרידים ברורים - מרכאות משולשות, תגיות בסגנון XML, או כותרות markdown - כדי שהמודל ידע היכן ההנחיות מסתיימות והנתונים מתחילים. זה גם מפחית את הסיכון שטקסט שסופק על ידי משתמש ייקרא כהנחיות (ראו prompt injection).
• הגדירו את חוזה הפלט. אם תוכנית אחרת תקרא את הפלט, ציינו את המבנה המדויק (JSON תקין עם המפתחות הללו, ללא פרוזה סביבו). מודלים לא מכבדים מבנה אלא אם כן אתם דורשים זאת.

הטכניקות המרכזיות

פרומפט zero-shot

מה. בקשו מהמודל לבצע את המשימה ללא דוגמאות, בהסתמכות מלאה על הידע הקדם-מאומן שלו.

מתי. משימות פשוטות ונפוצות שהמודל בבירור ראה בעבר (סיווג בסיסי, סיכומים פשוטים, שאלות כלליות).

סיכון. אם המשימה חריגה או רחוקה מהאימון של המודל, תוצאות zero-shot עלולות להיות לא אמינות - זהו האות שלכם להוסיף דוגמאות.

בבחינה. zero-shot פירושו ללא דוגמאות בפרומפט. הסיכון הנקוב שלו הוא ביצועים ירודים כשהמשימה רחוקה מדי ממה שהמודל למד.

פרומפט one-shot ו-few-shot (למידה בהקשר)

מה. כללו דוגמה אחת (one-shot) או כמה (few-shot) דוגמאות מפורטות של קלט-ופלט-רצוי בפרומפט, כדי שהמודל יסיק את התבנית. זה נקרא גם למידה בהקשר (in-context learning), מכיוון שהמודל "לומד" את המשימה מההקשר של הפרומפט ללא עדכוני פרמטרים כלשהם.

מתי. למשימה יש פורמט, קבוצת תוויות, או סגנון ספציפי שאתם רוצים שיותאם באופן עקבי - למשל, סיווג הודעות לקטגוריות משלכם, או התאמה לטון מסוים.

איך. הראו 2 עד 5 דוגמאות נקיות ומייצגות שמכסות את מגוון המקרים, ואז תנו את הקלט החדש. עקביות הפורמט בין הדוגמאות חשובה יותר מהכמות.

בבחינה. למידת few-shot ולמידה בהקשר הן אותו רעיון: דוגמאות בפרומפט, ללא אימון מחדש. זו התשובה המועדפת ל"גרום למודל לעקוב אחר תבנית או סכמת תוויות ספציפית ללא כיוונון עדין".

פרומפט chain-of-thought (CoT)

מה. בקשו מהמודל לחשוב שלב אחר שלב לפני מתן התשובה הסופית, במקום לקפוץ ישר אליה.

מתי. בעיות רב-שלביות: חשבון, לוגיקה, תכנון, כל דבר שבו חשיבת ביניים עוזרת.

איך. ספקו דוגמאות שמראות את החשיבה (few-shot CoT), או פשוט הוסיפו טריגר כמו Let's think step by step כדי לחלץ חשיבה ללא דוגמאות (zero-shot CoT).

בבחינה. chain-of-thought היא הטכניקה הנקובה לשיפור ביצועים על חשיבה מורכבת ורב-שלבית.

עקביות-עצמית

מה. הריצו chain-of-thought מספר פעמים (עם מידה של אקראיות), ואז קחו את התשובה שחוזרת בתדירות הגבוהה ביותר לאורך ההרצות.

מתי. חשיבה בעלת סיכון גבוה שבה שרשרת יחידה עלולה להחליק; דגימה של כמה והצבעה משפרות את האמינות.

פרומפט תפקיד (פרסונה) ופרומפט מערכת

מה. אמרו למודל מי להיות - "אתה יועץ מס בכיר", "אתה מבקר קוד תמציתי". במודלי צ'אט זה חי לעיתים קרובות בפרומפט מערכת נפרד שקובע התנהגות מתמשכת.

מתי. כדי לקבע טון, רמת מומחיות, או נקודת מבט לאורך שיחה שלמה.

איך. ציינו את התפקיד, את הקהל, ואת האילוצים מראש. שמרו על פרומפט המערכת יציב; שנו את פרומפט המשתמש.

מפרידים ומבנה

מה. השתמשו בסימנים מפורשים כדי להפריד את חלקי הפרומפט (הנחיות מול נתונים מול דוגמאות).

למה. זה משפר את היצמדות המודל לכל סעיף, וחשוב מכך, עוזר לעצור קלט לא מהימן מלהתפרש כהנחיות.

עיצוב פלט

מה. ציינו את מבנה הפלט המדויק, ובאופן אידאלי, בקשו מהמודל לעטוף את התשובה בתגיות או להחזיר JSON קפדני.

למה. חיוני כשהפלט מזין תוכנית או מודל אחר. חוזה פלט מפורש הופך ניתוח לא יציב לצינורות אמינים.

תבניות פרומפט

מה. מבני פרומפט ניתנים לשימוש חוזר ופרמטריים עם מצייני מיקום שאתם ממלאים בזמן ריצה.

למה. עקביות ותחזוקתיות - האפליקציה שלכם מייצרת את אותו פרומפט מנוסה היטב בכל פעם, ומשנה רק את הקלט. פלטפורמות מנוהלות מספקות לעיתים קרובות תכונות של תבניות פרומפט וניהול פרומפטים בדיוק לשם כך.

פירוק משימה ושרשור פרומפטים

מה. פרקו עבודה מורכבת לפרומפטים קטנים יותר והזינו את הפלט של כל שלב לתוך הבא.

מתי. משימה גדולה מדי או רב-שלבית עבור פרומפט אחד (חלץ, אחר כך נתח, אחר כך נסח). שרשור אמין יותר מבקשת הכל בבת אחת, וכל שלב קל יותר לבדיקה.

ReAct (חשיבה + פעולה)

מה. תבנית שבה המודל מחליף בין חשיבה לבין פעולות - קריאה לכלים, חיפוש, או תשאול נתונים - ואז צופה בתוצאה וממשיך. זהו רעיון הפרומפטינג שמאחורי סוכנים.

מתי. המודל זקוק למידע חיצוני או חייב לנקוט צעדים בעולם, לא רק לענות מהזיכרון. (זה מחבר את הנדסת הפרומפטים למסגרות סוכנים.)

פרומפט שלילי

מה. ציינו במפורש מה להשמיט או להימנע ממנו - "אל תכלול דעות אישיות", "השמט כל קוד", או, עבור מודלי תמונות, פירוט אלמנטים שאתם לא רוצים.

מתי. כדי לשלול מצבי כשל ידועים. השתמשו בו כתוספת ממוקדת להנחיות חיוביות, לא כפרומפט כולו.

הגדרות ההסקה שמעצבות את הפלט

טקסט הפרומפט הוא רק חצי מהסיפור. פרמטרי היצירה הללו משנים את הפלט מבלי לשנות מילה בפרומפט שלכם:

• Temperature - אקראיות. נמוכה (קרוב ל-0) נותנת תשובות דטרמיניסטיות, ניתנות לחזרה וממוקדות; גבוהה נותנת תשובות יצירתיות ומגוונות.
• Top-p (דגימת גרעין) ו-top-k - מגבילים את מאגר האסימונים הבאים המועמדים שהמודל רשאי לדגום מהם, מנוף נוסף על מגוון.
• Max tokens - מגביל את אורך התגובה.
• רצפי עצירה - מחרוזות שאומרות למודל להפסיק לייצר.

בבחינה. "גרום לתשובות להיות עקביות או ניתנות לחזרה יותר" פירושו הנמכת ה-temperature. דעו ש-temperature ו-top-p/top-k שולטים באקראיות ובמגוון, ונקבעים בזמן ההסקה, לא צרובים בטקסט הפרומפט.

היכן הפרומפטינג משתלב מול RAG וכיוונון עדין

הנדסת פרומפטים היא הדבר הראשון שיש לנסות, אבל יש לה גבולות. סולם ההתאמה האישית, מהזול ביותר תחילה:

• הנדסת פרומפטים - עצבו את ההנחיות. בלי ידע חדש, בלי אימון מחדש.
• RAG (retrieval-augmented generation) - הזריקו את הנתונים העדכניים שלכם לתוך הפרומפט בזמן השאילתה. השתמשו בזה כשהמודל זקוק לעובדות שמעולם לא אומן עליהן, או כשהידע משתנה לעיתים קרובות.
• כיוונון עדין - אמנו מחדש על דוגמאות מתויגות כדי לצרוב התנהגות או סגנון. השתמשו בזה כשפרומפטינג ו-RAG עדיין אינם עקביים מספיק.

בבחינה. אם תרחיש זקוק לעובדות פרטיות או עדכניות, פרומפטינג לבדו לא יעשה זאת - זה RAG. אם הוא זקוק להתנהגות שחוזרת באופן אמין או לסגנון תחום, זה כיוונון עדין. פרומפטינג הוא התשובה כשהמודל כבר יכול לבצע את המשימה וזקוק רק לכיוון ברור יותר.

אבטחת פרומפטים ושימוש אחראי

פרומפטים הם משטח תקיפה. בחינות יסודיות בוחנות אותם תחת AI אחראי ואבטחה:

• Prompt injection - תוקף מסתיר הנחיות בקלט שסופק על ידי משתמש (או במסמך שהמודל קורא) כדי לעקוף את פרומפט המערכת שלכם ולחטוף את התנהגות המודל או פעולות במורד הזרם.
• Jailbreaking - פרומפטים מעוצבים שעוקפים את מעקות הבטיחות של המודל כדי לייצר פלט מוגבל או מזיק.
• Prompt leaking - שכנוע המודל לחשוף את פרומפט המערכת הנסתר שלו או הקשר סודי.
• פרומפטינג יריב (adversarial prompting) באופן כללי - מונח הגג לטכניקות המניפולציה הללו.

צעדי מיתון שכדאי להכיר:

• הפרידו ותחמו בבירור הנחיות מהימנות מקלט משתמש לא מהימן; לעולם אל תשרשרו אותם בעיוורון.
• אמתו וטהרו קלטים; הגבילו את מה שהמודל רשאי להפיק ולעשות.
• החילו מעקות בטיחות / מסנני תוכן והשחרה של PII על הקלט והפלט כאחד.
• תנו למודל ולכל כלי מחובר גישה בעקרון ההרשאה המזערית, כך שהזרקה מוצלחת לא תוכל לעשות הרבה.
• שמרו אדם בלולאה עבור פעולות בעלות סיכון גבוה.

פרומפטינג עוזר גם עם הזיה (hallucination): עגנו את המודל בעובדות שאוחזרו (RAG), בקשו ממנו לצטט מקורות, והתירו במפורש "אני לא יודע" כדי שיפסיק להמציא תשובות. הנמכת ה-temperature והוספת עיגון מפחיתות שטויות בטוחות בעצמן.

רשימת תיוג של שיטות מומלצות

• התחילו פשוט; הוסיפו מורכבות (דוגמאות, חשיבה, שרשור) רק כשהפרומפט הפשוט נכשל.
• היו ספציפיים: ציינו את המשימה, הקהל, האילוצים, ופורמט הפלט המדויק.
• השתמשו במפרידים כדי להפריד הנחיות מנתונים.
• הוסיפו דוגמאות (few-shot) כשאתם זקוקים לתבנית ספציפית; הוסיפו Let's think step by step כשאתם זקוקים לחשיבה.
• חזרו על תהליך ובדקו על קלטים אמיתיים; שינויי ניסוח קטנים משנים.
• הנמיכו את ה-temperature לעקביות; העלו אותה ליצירתיות.
• התייחסו לקלט משתמש כלא מהימן; תחמו אותו, אמתו אותו, ושמרו על הפלט.

מדריך ההחלטה של 30 שניות

• משימה פשוטה ומוכרת -> zero-shot
• צורך בפורמט או סכמת תוויות ספציפיים -> few-shot (למידה בהקשר)
• חשיבה רב-שלבית -> chain-of-thought (הוסיפו Let's think step by step)
• צורך באמינות גבוהה יותר בחשיבה קשה -> עקביות-עצמית (דגמו והצביעו)
• קיבוע טון או מומחיות לאורך צ'אט -> פרומפט תפקיד / מערכת
• הפלט מזין תוכנית אחרת -> ציינו פורמט פלט קפדני (JSON, תגיות)
• משימה גדולה מדי לפרומפט אחד -> פרקו ושרשרו
• המודל זקוק לכלים או לנתונים חיים -> ReAct / סוכנים
• צורך בעובדות פרטיות או עדכניות -> RAG, לא פרומפטינג
• צורך בהתנהגות שחוזרת באופן עקבי -> כיוונון עדין, לא פרומפטינג
• הפכו את הפלט לדטרמיניסטי -> הנמיכו את ה-temperature

הסמכות קשורות

הנדסת פרומפטים היא ליבתית לכל בחינת AI גנרטיבי - מדריך זה מופיע תחת מדריכי לימוד קשורים בכל אחד מהמרכזים שלהן:

• AWS Certified AI Practitioner (AIF-C01) - בוחנת טכניקות פרומפט, למידה בהקשר, ופרמטרי הסקה באופן ישיר.
• AWS Certified Generative AI Developer Professional (AIP-C01) - מעמיקה בבנייה עם פרומפטים, RAG, וסוכנים.
• Microsoft Azure AI Fundamentals (AI-900 / AI-901) - AI גנרטיבי ויסודות פרומפטינג.
• Google Cloud Generative AI Leader - עיצוב פרומפטים ושימוש במודל יסוד.
• NVIDIA-Certified Associate: Generative AI and LLMs (NCA-GENL) - פרומפטינג והתאמה של LLM.
• Claude Certified Architect - Foundations (CCA-F) - פרומפטינג יעיל של Claude.
• IBM watsonx Generative AI Engineer Associate - יסודות AI גנרטיבי.

כיצד ללמוד את זה

לקראת בחינה, תרגלו התאמה של תרחיש לטכניקה, ודעו את הגבולות שמכשילים אנשים: zero-shot מול few-shot, chain-of-thought ככלי החשיבה, temperature כמנוף העקביות, ו- הגדול מכולם - פרומפטינג מול RAG מול כיוונון עדין (כיוון מול הוספת עובדות מול שינוי התנהגות). לעבודה אמיתית, שמרו פרומפטים ספציפיים, מתוחמים, ובדוקים, והתייחסו לכל מחרוזת שסופקה על ידי משתמש כלא מהימנה. הריצו שאלות תרגול עם מדריך ההחלטה של 30 שניות פתוח, וכשאתם מפספסים אחת, קראו מחדש את הטכניקה הזו כאן עד שהקו יהיה חד.

מקור: מדריך הבחינה ותחומי השאלות של AWS Certified AI Practitioner (AIF-C01), ומקורות סטנדרטיים להנדסת פרומפטים, נכון לספטמבר 2026.