AI कौशल और प्रॉम्प्ट
प्रॉम्प्ट वह अनुरोध है जो आप किसी AI प्रणाली को देते हैं, और कौशल (स्किल) किसी एक प्रकार के कार्य के लिए निर्देशों का पुनः उपयोग-योग्य, संस्करणित समूह है; दोनों तब सबसे अच्छा काम करते हैं जब वे कार्य का नाम बताएँ, स्रोत-सामग्री दें, कहें कि जानकारी न होने पर क्या करना है, और किसी भी अन्य कार्य-उत्पाद की तरह परखे जाएँ।
यह क्यों मायने रखता है
AI सहायक का उपयोग करने वाला हर व्यक्ति प्रॉम्प्ट लिखता है, ज़्यादातर आज़माइश और भूल से। कुछ लोग बहुत अच्छे परिणाम पाते हैं और बता नहीं सकते कि क्यों। दूसरों को अस्पष्ट या ग़लत उत्तर मिलते हैं और वे मान लेते हैं कि उपकरण ख़राब है। अंतर अक्सर मॉडल का नहीं बल्कि अनुरोध का होता है: कार्य कितनी स्पष्टता से कहा गया, सहायक के पास कौन-सी सामग्री है, और उसका उत्तर कैसे जाँचा जाता है।
सेवा प्रबंधन में यह अंतर इसलिए मायने रखता है कि काम में दाँव होते हैं। जो प्रॉम्प्ट स्मृति से किसी घटना का सारांश बनाता है वह गढ़ी हुई समयरेखा दे सकता है। जो प्रॉम्प्ट "सर्वोत्तम अभ्यास" माँगता है वह सामान्य पाठ देता है जो सही लगता है और किसी के काम नहीं आता। जल्दबाज़ी में लिखा प्रॉम्प्ट गोपनीय डेटा को ग़लत उपकरण में चिपका सकता है। ये आदतें हैं, और आदतें सुधारी जा सकती हैं।
कौशल इस विचार को एक क़दम आगे ले जाते हैं। कौशल किसी आवर्ती कार्य, जैसे रनबुक लिखना या पोस्टमॉर्टम चलाना, के निर्देशों को एक फ़ाइल में पैकेज करता है जिसे AI सहायक कार्य आने पर लोड कर सकता है। इस मार्गदर्शिका के कौशल Claude Code प्रारूप में लिखे हैं: हर एक SKILL.md फ़ाइल है जिसमें यह बताने वाला छोटा विवरण है कि उसे कब उपयोग करना है, और कार्य करने का मार्गदर्शन। टीमें उन्हें कॉपी कर सकती हैं, अपनी ज़रूरत के अनुसार ढाल सकती हैं, और अपने कौशल लिख सकती हैं। यह विषय समझाता है कि इस मार्गदर्शिका के प्रॉम्प्ट और कौशल कैसे उपयोग करें, कौन-से पैटर्न काम करते हैं, परिणाम कैसे सत्यापित करें, और टीम के अपने कौशल कैसे लिखें। यह «विषय 5.1 — सेवा प्रबंधन में AI» और «विषय 5.6 — AI गवर्नेंस, जोखिम और अनुपालन» के सुरक्षा-उपायों पर बना है।
मूल अवधारणाएँ
प्रॉम्प्ट। वह पाठ, और कोई भी संलग्न सामग्री, जो आप बड़े भाषा मॉडल को प्रतिक्रिया पाने के लिए देते हैं। Wikipedia प्रॉम्प्ट इंजीनियरिंग (prompt engineering) का वर्णन निर्देशों को इस तरह संरचित करने की प्रक्रिया के रूप में करता है कि जनरेटिव मॉडल वांछित आउटपुट दे। मॉडल प्रॉम्प्ट के पैटर्न पर प्रतिक्रिया देता है; स्पष्ट प्रॉम्प्ट आम तौर पर बेहतर प्रतिक्रिया देते हैं।
संदर्भ (कॉन्टेक्स्ट)। वह सब जो मॉडल उत्तर देते समय विचार में ले सकता है: आपके निर्देश, आपके दिए दस्तावेज़, और अब तक की बातचीत। Wikipedia संदर्भ विंडो (context window) का वर्णन करता है, जो सीमित करती है कि मॉडल एक साथ कितना विचार कर सकता है। अगर कुछ संदर्भ में नहीं है, तो मॉडल ख़ाली जगह को सामान्य ज्ञान से भर सकता है, और त्रुटियाँ वहीं घुसती हैं।
ग्राउंडिंग (आधार देना)। स्रोत-सामग्री देना और मॉडल से केवल उसी का उपयोग करने को कहना। Wikipedia रिट्रीवल-ऑगमेंटेड जनरेशन (retrieval-augmented generation) का वर्णन करता है, जो इसका स्वचालित रूप है। मैन्युअल उपयोग के लिए प्रासंगिक पाठ चिपकाएँ और कहें "केवल नीचे दिए पाठ का उपयोग करें"। «विषय 3.9 — ज्ञान प्रबंधन» देखें।
अच्छे प्रॉम्प्ट की रचना। छह हिस्से अधिकांश ज़रूरतें पूरी करते हैं:
| हिस्सा | क्या करता है | उदाहरण |
|---|---|---|
| भूमिका या संदर्भ | स्थिति तय करता है | "आप एक सर्विस डेस्क प्रमुख को समीक्षा तैयार करने में मदद कर रहे हैं।" |
| कार्य | बताता है क्या बनाना है | "घटना का समयरेखा के रूप में सारांश बनाएँ।" |
| स्रोत-सामग्री | तथ्य देती है | चिपकाया गया टिकट का इतिहास |
| बाधाएँ | सीमाएँ तय करती हैं | "केवल पाठ का उपयोग करें। कारणों का अनुमान न लगाएँ।" |
| प्रारूप | आउटपुट को आकार देता है | "समय, घटना और उद्धृत स्रोत की तालिका।" |
| अनिश्चितता का नियम | बताता है अनिश्चित होने पर क्या करें | "'उल्लिखित नहीं' लिखें और सूचीबद्ध करें कि आप किसके बारे में अनिश्चित हैं।" |
प्लेसहोल्डर। इस मार्गदर्शिका के प्रॉम्प्ट [वर्गाकार कोष्ठक] का उपयोग यह चिह्नित करने के लिए करते हैं कि आप किसे अपनी सामग्री से बदलें। न भरा गया प्लेसहोल्डर ख़राब परिणामों का आम कारण है; भेजने से पहले हर एक पढ़ें।
उदाहरण और संरचना। जो आउटपुट चाहिए उसके एक या दो उदाहरण देना, जिसे फ़्यू-शॉट प्रॉम्प्टिंग (few-shot prompting) कहते हैं और जिसका वर्णन Wikipedia पर है, अक्सर अतिरिक्त स्पष्टीकरण से अधिक परिणाम सुधारता है। तालिका जैसी संरचना माँगना जाँच आसान बनाता है।
तर्क माँगना। वे तकनीकें जो मॉडल से चरणों में काम करने को कहती हैं, जिनका वर्णन Wikipedia पर चेन-ऑफ़-थॉट प्रॉम्प्टिंग (chain-of-thought prompting) के रूप में है, कुछ समस्याओं पर उत्तर सुधार सकती हैं। दिखाई देने वाला तर्क हमेशा इसका सच्चा वृत्तांत नहीं होता कि उत्तर कैसे बना, और उसमें भी त्रुटियाँ हो सकती हैं। इसे अपनी जाँच में मदद के लिए उपयोग करें, प्रमाण की तरह नहीं।
सत्यापन। हर आउटपुट को मसौदा मानें। तथ्य स्रोत से जाँचें, गणनाएँ जाँचें, और जाँचें कि उद्धरण मौजूद हैं। Wikipedia हैलुसिनेशन (hallucination) और स्वचालन पूर्वाग्रह (automation bias) का वर्णन करता है; दोनों सत्यापन के कारण हैं। जो प्रॉम्प्ट मॉडल से अपने स्रोत उद्धृत करवाता है वह इसे तेज़ बनाता है।
पुनरावृत्ति। पहला परिणाम अक्सर सबसे अच्छा नहीं होता। बदलाव माँगें, त्रुटियाँ बताएँ, और प्रॉम्प्ट को परिष्कृत करें। जो संस्करण काम किया उसे रखें।
कौशल (स्किल)। इस मार्गदर्शिका में कौशल एक SKILL.md फ़ाइल है जो AI सहायक को बताती है कि एक प्रकार का कार्य कैसे करना है। वह कौशल का नाम और कब उपयोग करना है इसका विवरण देने वाले छोटे हेडर से शुरू होती है, फिर मार्गदर्शन: मुख्य घटक, चरण और जाँचें। कौशल का समर्थन करने वाला सहायक आपका अनुरोध विवरण से मेल खाने पर प्रासंगिक फ़ाइल लोड करता है। कौशल सादा पाठ हैं, इसलिए उन्हें अन्य दस्तावेज़ों की तरह पढ़ा, समीक्षित, संस्करणित और साझा किया जा सकता है। Wikipedia का मार्कडाउन (Markdown) पर लेख उस प्रारूप का वर्णन करता है जो वे उपयोग करते हैं।
कौशल बनाम प्रॉम्प्ट। प्रॉम्प्ट एकल अनुरोध के लिए है; कौशल किसी आवर्ती प्रकार के कार्य की विधि पकड़ता है, ताकि आप हर बार उसे दोबारा न लिखें। कौशल में कई प्रॉम्प्ट, एक जाँच-सूची और अच्छे परिणाम के मानदंड हो सकते हैं। इस मार्गदर्शिका के विषय वहाँ कौशलों से जुड़ते हैं जहाँ कोई विधि उपयोगी है।
कौशल में क्या होना चाहिए। अच्छे कौशल बताते हैं कि उन्हें कब उपयोग करना है और कब नहीं, आउटपुट के मुख्य हिस्से परिभाषित करते हैं, छोटी प्रक्रिया देते हैं, आम ग़लतियाँ सूचीबद्ध करते हैं, और बताते हैं कि परिणाम कैसे जाँचें। वे विशिष्ट और संक्षिप्त होते हैं। जो कौशल सब कुछ कवर करने की कोशिश करता है वह शायद ही कभी उपयोग होता है।
कौशलों और प्रॉम्प्ट का परीक्षण। उन्हें कार्य-उत्पाद मानें। ज्ञात अच्छे परिणामों वाले कुछ यथार्थवादी परीक्षण-मामले बनाएँ, उन्हें चलाएँ, और विफलताएँ नोट करें। जब मॉडल, उपकरण या कौशल बदले तब उन्हें फिर चलाएँ। Wikipedia प्रतिगमन परीक्षण (regression testing) का वर्णन करता है, यानी बदलावों के बाद टूट-फूट पकड़ने के लिए परीक्षणों को दोबारा चलाने का अभ्यास।
संस्करण-नियंत्रण और स्वामित्व। कौशलों को रिपॉज़िटरी में रखें, स्वामी, परिवर्तन-लॉग और बदलावों की समीक्षा के साथ। Wikipedia संस्करण नियंत्रण (version control) का वर्णन करता है। जो कौशल बिना समीक्षा चुपचाप बदल जाए वह किसी के ध्यान दिए बिना टीम के परिणाम बदल सकता है।
सुरक्षा। प्रॉम्प्ट और कौशलों पर हमला हो सकता है या उनका दुरुपयोग हो सकता है। आपके चिपकाई सामग्री में निर्देश हो सकते हैं, एक जोखिम जिसे Wikipedia प्रॉम्प्ट इंजेक्शन (prompt injection) कहता है। अज्ञात स्रोत से डाउनलोड किया कौशल सहायक को कुछ हानिकारक करने को कह सकता है। कौशल उपयोग करने से पहले पढ़ें, और सहायकों को केवल उतनी पहुँच दें जितनी चाहिए। «विषय 5.5 — एजेंटिक AI और मानवीय निगरानी» देखें।
गोपनीयता। तय करें कि क्या किस उपकरण में चिपकाया जा सकता है। «विषय 5.6 — AI गवर्नेंस, जोखिम और अनुपालन» देखें।
दृष्टियाँ कैसे फ़िट होती हैं। कौशल और प्रॉम्प्ट वह तरीक़ा हैं जिससे टीमें AI से एकरूपता से काम लेती हैं। एजाइल अभ्यास साझा पुस्तकालय रखने का सुझाव देता है जो उपयोग और प्रतिक्रिया से सुधरे। स्वचालन अनुमोदित प्रॉम्प्ट को वर्कफ़्लो में चला सकता है। विश्लेषण दिखाता है कि कौन-से प्रॉम्प्ट और कौशल उपयोग होते हैं और मदद करते हैं या नहीं।
सर्वोत्तम अभ्यास
- कार्य बताएँ, विषय नहीं। "इन तथ्यों से ग्राहकों के लिए स्थिति-अद्यतन का मसौदा बनाएँ" "घटना में मदद करें" से बेहतर काम करता है। बताएँ कि आप क्या बनवाना चाहते हैं और किसके लिए।
- स्रोत दें और उसी तक सीमित करें। प्रासंगिक सामग्री चिपकाएँ और कहें कि केवल उसी का उपयोग करे। जहाँ सामग्री मौन है वहाँ सहायक से "उल्लिखित नहीं" लिखवाएँ।
- बताएँ कि कौन-सा प्रारूप चाहिए। तालिका, क्रमांकित सूची, या शब्द-सीमा माँगें। इससे परिणाम को जाँचना और उपयोग करना आसान होता है।
- स्रोत और अनिश्चितता माँगें। उद्धरण या संदर्भ माँगें, और उन चीज़ों की सूची जिनके बारे में सहायक अनिश्चित है। वह सूची पढ़ें; वह दिखाती है कि पहले कहाँ जाँचना है।
- रहस्य या संरक्षित डेटा कभी अनअनुमोदित उपकरणों में न चिपकाएँ। जहाँ हो सके नाम, क्रेडेंशियल और व्यक्तिगत डेटा हटाएँ। संवेदनशील सामग्री के लिए अपने संगठन के अनुमोदित उपकरण उपयोग करें।
- उपयोग से पहले जाँचें। तथ्य, संख्याएँ, समय और नाम स्रोत से मिलाएँ। कोई भी कोड या कमांड पहले सुरक्षित परिवेश में चलाएँ।
- पुनरावृत्ति करें और जो काम करे उसे रखें। कुछ दौर में प्रॉम्प्ट परिष्कृत करें, फिर अंतिम संस्करण को इस नोट के साथ सहेजें कि वह किसलिए है और कहाँ विफल होता है।
- टीम का पुस्तकालय साझा करें और उसकी समीक्षा करें। परखे हुए प्रॉम्प्ट और कौशल स्वामियों के साथ साझा जगह में रखें। बदलावों की समीक्षा करें, और जो अब काम नहीं करते उन्हें हटाएँ।
- आवर्ती कार्य के लिए कौशल लिखें। जब आप ख़ुद को प्रॉम्प्ट दोहराते पाएँ, तो उसे स्पष्ट विवरण, चरणों और जाँचों वाले कौशल में बदलें। उसे छोटा रखें।
- कौशलों को वास्तविक मामलों पर परखें। कुछ परीक्षण-मामले बनाएँ, कौशल या उपकरण में हर बदलाव के बाद उन्हें चलाएँ, और परिणाम दर्ज करें।
अपनी टीम के साथ चर्चा के प्रश्न
आज हम AI उपकरणों से क्या करवाते हैं, और उनमें से कौन-से अनुरोध हम पुनः उपयोग-योग्य प्रॉम्प्ट या कौशल के रूप में लिख सकते हैं? उदाहरण जुटाएँ। सारांश, मसौदे और जाँच-सूचियों जैसे दोहराए जाने वाले कार्यों की अपेक्षा रखें। फ़ॉलो-अप में एक कार्य चुनें और साथ मिलकर उसका परखा हुआ संस्करण लिखें।
उपयोग से पहले हम AI के उत्तर को कैसे जाँचते हैं, और क्या सब एक ही तरह करते हैं? पूछें कि पिछली बार किसी को त्रुटि कब मिली। अलग-अलग आदतों की अपेक्षा रखें। फ़ॉलो-अप में हर प्रकार के कार्य के लिए सत्यापन की छोटी दिनचर्या तय करें।
हमने AI उपकरणों में क्या चिपकाया है जो नहीं चिपकाना चाहिए था, और हम सही काम को आसान कैसे बनाएँ? सुरक्षित माहौल में पूछें। ग़लतियों की अपेक्षा रखें। फ़ॉलो-अप में तय करें कि क्या कहाँ जा सकता है, और अनुमोदित उपकरण तथा संक्षिप्त मार्गदर्शिका दें।
कौन-से प्रॉम्प्ट व्यक्तियों के लिए अच्छा काम कर चुके हैं पर कभी साझा नहीं हुए? लोगों से प्रदर्शन करने को कहें। अच्छे प्रॉम्प्ट की अपेक्षा रखें। फ़ॉलो-अप में तीन को स्वामी और समीक्षा-तारीख़ के साथ साझा पुस्तकालय में जुटाएँ।
अगर हमारा उपयोग किया कोई कौशल कल बदल जाए, तो हमें कैसे पता चलेगा? "हमें पता नहीं चलेगा" की अपेक्षा रखें। फ़ॉलो-अप में सहमत हों कि कौशल संस्करण नियंत्रण में रहें, उनकी समीक्षा हो, और उनके कुछ परीक्षण-मामले हों।
कौन-से कार्य हमें AI सहायक को जाँच के साथ भी कभी नहीं सौंपने चाहिए? लोगों को प्रभावित करने वाले निर्णयों, क़ानूनी निष्कर्षों और अनुमोदनों पर चर्चा करें। असहमति की अपेक्षा रखें। फ़ॉलो-अप में एक छोटी सूची लिखें और यह भी कि उसे कौन बदल सकता है।
व्यवहार में: सेवा प्रबंधन का एक उदाहरण
एक क्षेत्रीय अस्पताल की 25 सदस्यों वाली IT सेवा टीम ने AI सहायक का उपयोग शुरू किया है। अलग-अलग कर्मचारी इसे अलग तरह से उपयोग करते हैं। एक विश्लेषक टिकट नोट से ज्ञान लेखों के मसौदे बनाता है, दूसरा लंबे ईमेल थ्रेड का सारांश बनाता है, और तीसरा अपरिचित त्रुटि संदेशों की व्याख्या करवाता है। टीम प्रमुख चिंतित हैं: उन्होंने एक लेख देखा है जिसमें विश्वसनीय लगने वाली पर ग़लत कमांड थी।
वे टीम से एक घंटे के सत्र में अपने तीन सबसे उपयोगी प्रॉम्प्ट लाने को कहती हैं। उन्हें पता चलता है कि चार लोग हल हुए टिकट को लेख में बदलने के लिए लगभग एक ही प्रॉम्प्ट उपयोग करते हैं। जो संस्करण सबसे अच्छा काम करता है वह कहता है कि सहायक को केवल टिकट के पाठ का उपयोग करना होगा, जो उसमें नहीं है उसके लिए "[missing]" लिखना होगा, चरणों को क्रमांकित पंक्तियों में सूचीबद्ध करना होगा, और उन चीज़ों की छोटी सूची के साथ समाप्त करना होगा जिनके बारे में वह अनिश्चित है। "[missing]" नियम के बिना सहायक ख़ाली जगहें भर देता था।
टीम इसे कौशल फ़ाइल में बदलती है: उसे कब उपयोग करना है (हल हुए टिकट को लेख के मसौदे में बदलना), अच्छे लेख के मुख्य हिस्से, प्रक्रिया, और प्रकाशन से पहले व्यक्ति को जो जाँचें करनी हैं, जिनमें हर कमांड को परीक्षण परिवेश में चलाना शामिल है। वे इसे दस पुराने टिकटों पर परखती हैं जिनके समाधान ज्ञात हैं और पाती हैं कि तीन पर सहायक ने संस्करण-संख्या का अनुमान लगाया। वे संस्करण-संख्याओं पर नियम जोड़ती हैं और परीक्षण दोबारा चलाती हैं। वे कौशल को टीम की रिपॉज़िटरी में रखती हैं, प्रमुख की उप को स्वामी बनाती हैं, और सहमत होती हैं कि बदलावों की समीक्षा कोड की तरह होगी।
वे इस पर एक पृष्ठ भी लिखती हैं कि AI उपकरणों में क्या नहीं जाना चाहिए: रोगी का डेटा, क्रेडेंशियल और अप्रकाशित सुरक्षा रिपोर्टें; और सबको अनुमोदित उपकरण की ओर इंगित करती हैं, जिसके अनुबंध में उनके डेटा पर प्रशिक्षण निषिद्ध है।
क्या बदलता है: मसौदा लेख मिनटों में बनते हैं, और समीक्षा में पाए गए ग़लत चरणों वाले लेखों की संख्या घटती है। क्या कठिन रहता है: अनुमोदित उपकरण धीमा होने पर कुछ कर्मचारी अब भी निजी खाते उपयोग करते हैं; कौशल पुस्तकालय बढ़कर 14 फ़ाइलों का हो गया है और आधी की किसी ने समीक्षा नहीं की; और विक्रेता के अद्यतन के बाद सहायक का व्यवहार थोड़ा बदल गया, जिसे परीक्षणों ने केवल इसलिए पकड़ा कि किसी ने उन्हें दोबारा चलाया। प्रमुख मासिक परीक्षण-रन और तिमाही छँटाई सत्र जोड़ती हैं।
चार दृष्टिकोण
उत्पाद और डिलीवरी टीमें
कोड, परीक्षण और दस्तावेज़ों के मसौदे के लिए प्रॉम्प्ट और कौशल उपयोग करें, अपनी सामान्य समीक्षा और पाइपलाइन-जाँचों के साथ। अपने वर्कफ़्लो के कौशल कोड के बगल में रिपॉज़िटरी में रखें।
सेवा और संचालन टीमें
अद्यतन, लेख और समीक्षाओं जैसे आवर्ती कार्यों के लिए छोटा पुस्तकालय बनाएँ। जो काम करे उसे साझा करें, हर आउटपुट जाँचें, और जब कौशल विफल हो तो स्वामी को बताएँ।
नेतृत्व और गवर्नेंस
नियम तय करें कि क्या कहाँ चिपकाया जा सकता है, अनुमोदित उपकरण दें, और पुस्तकालय बनाने तथा परखने के समय का वित्तपोषण करें। प्रमाण माँगें कि आउटपुट जाँचे जाते हैं। प्रॉम्प्ट को प्रक्रिया का विकल्प न मानें।
ग्राहक और उपयोगकर्ता
आपको AI-निर्मित सामग्री मिल सकती है। पूछें कि क्या किसी व्यक्ति ने उसे जाँचा है, और जब वह ग़लत हो तो प्रदाता को बताएँ। किसी भी AI उपकरण को आप कौन-सा व्यक्तिगत डेटा देते हैं, इसमें सावधान रहें।
एजाइल, AI, स्वचालन और विश्लेषण
एजाइल
पुस्तकालय को वास्तविक उपयोग से बढ़ाएँ: कार्य दोहराए जाने पर कौशल जोड़ें, प्रतिक्रिया से सुधारें, और जब वह मदद करना बंद कर दे तो हटाएँ। कौशल छोटे और समीक्षित रखें। सावधानी: बड़ा असमीक्षित पुस्तकालय देनदारी है; उसे छोटा और स्वामित्व वाला रखें।
AI
कौशल और प्रॉम्प्ट वे निर्देश हैं जो हम AI को देते हैं, इसलिए वे उस देखभाल के पात्र हैं जो हम अन्य नियंत्रणों को देते हैं: स्वामित्व, समीक्षा, परीक्षण और उपयोग के रिकॉर्ड। सावधानी: "सटीक रहो" के निर्देश मॉडल को सटीक नहीं बनाते; दिए गए स्रोतों, जाँचों और मानवीय समीक्षा पर निर्भर रहें। «विषय 5.1 — सेवा प्रबंधन में AI» देखें।
स्वचालन
अनुमोदित प्रॉम्प्ट को वर्कफ़्लो में लगाया जा सकता है, जैसे टिकट बंद होने पर सारांश का मसौदा बनाना, उपयोग से पहले समीक्षा-चरण के साथ। सावधानी: स्वचालित प्रॉम्प्ट हर बार पढ़ने वाले व्यक्ति की देखभाल के बिना चलते हैं; उन्हें विविध इनपुट पर परखें और मानवीय द्वार रखें। «विषय 6.2 — वर्कफ़्लो स्वचालन और ऑर्केस्ट्रेशन» देखें।
विश्लेषण
ट्रैक करें कि कौन-से प्रॉम्प्ट और कौशल उपयोग होते हैं, मसौदे कितनी बार संपादित होते हैं, समीक्षा में कौन-सी त्रुटियाँ मिलती हैं, और कार्य के अनुसार कितना समय बचता है। सावधानी: उपयोग की गिनती मात्रा को पुरस्कृत करती है, और अनुमानित समय-बचत आसानी से बढ़ा-चढ़ाकर बताई जाती है; गुणवत्ता के लिए अंतिम आउटपुट का नमूना लें। सेवा प्रबंधन मेट्रिक्स पुस्तक और «विषय 7.3 — मापन और रिपोर्टिंग» देखें।
आम विफलता के तरीके
- अस्पष्ट अनुरोध। उत्तर सामान्य होता है। कार्य, श्रोता और प्रारूप बताएँ।
- स्रोत-सामग्री नहीं। मॉडल स्मृति से ख़ाली जगहें भरता है। स्रोत दें और उसी तक सीमित करें।
- न भरे प्लेसहोल्डर। प्रॉम्प्ट "[यहाँ चिपकाएँ]" के साथ चला जाता है। भेजने से पहले जाँचें।
- पहले उत्तर पर भरोसा। त्रुटियाँ अनदेखी रहती हैं। स्रोत से सत्यापित करें।
- रहस्य चिपकाना। डेटा लीक होता है। अनुमोदित उपकरण उपयोग करें और संवेदनशील ब्योरे हटाएँ।
- ऐसा कौशल पुस्तकालय जिसका कोई स्वामी नहीं। फ़ाइलें घिसती हैं या अनदेखी बदल जाती हैं। उन्हें स्वामियों और परीक्षणों के साथ संस्करण नियंत्रण में रखें।
- कौशल बिना पढ़े डाउनलोड करना। कोई हानिकारक निर्देश चल जाता है। उपयोग से पहले पढ़ें और समीक्षा करें।
परिपक्वता मॉडल
| आयाम | आरंभ | विकास | मानकीकरण | प्रबंधन | समन्वय |
|---|---|---|---|---|---|
| प्रॉम्प्टिंग अभ्यास | आज़माइश और भूल | अनौपचारिक रूप से साझा सुझाव | स्रोतों और जाँचों के साथ मानक पैटर्न | त्रुटि-डेटा से पैटर्न परिष्कृत | उपकरणों और वर्कफ़्लो में निर्मित पैटर्न |
| कौशल पुस्तकालय | कोई नहीं | व्यक्तिगत फ़ाइलें | साझा, स्वामित्व वाले, संस्करण-नियंत्रित कौशल | कौशलों का परीक्षण और नियमित समीक्षा | गवर्नेंस के साथ टीमों में कौशल प्रबंधित |
| सत्यापन | कोई नहीं | व्यक्तिगत आदतें | कार्य के अनुसार मानक दिनचर्या | त्रुटियाँ ट्रैक और प्रतिक्रिया में लौटाई गईं | मानवीय हस्ताक्षर के साथ उपकरणों द्वारा समर्थित सत्यापन |
| डेटा नियम | अस्पष्ट | जागरूकता | स्पष्ट नियम और अनुमोदित उपकरण | अनुपालन की जाँच | नियंत्रण उपकरणों में निर्मित |
जाँच-सूची
- हमारे प्रॉम्प्ट कार्य, स्रोत, प्रारूप और अनिश्चितता का नियम बताते हैं।
- हम उपयोग से पहले आउटपुट को स्रोत से जाँचते हैं।
- हमारे पास नियम हैं कि क्या किन उपकरणों में चिपकाया जा सकता है, और अनुमोदित उपकरण हैं।
- हम परखे हुए प्रॉम्प्ट और कौशल साझा, स्वामित्व वाली जगह में रखते हैं।
- कौशलों के पास इसका स्पष्ट विवरण है कि उन्हें कब उपयोग करना है।
- कौशल या उपकरण में हर बदलाव के बाद हम कौशलों को वास्तविक मामलों पर परखते हैं।
- हम बाहरी स्रोतों के कौशलों की उपयोग से पहले समीक्षा करते हैं।
- हम उन कार्यों की सूची रखते हैं जो AI को नहीं सौंपे जाने चाहिए।
AI प्रॉम्प्ट
प्रॉम्प्ट सुधारें।
यह एक प्रॉम्प्ट है जो मैं उपयोग करता हूँ: [चिपकाएँ]। यह उस आउटपुट का उदाहरण है जिसने मुझे निराश किया: [चिपकाएँ]।
पहचानें कि प्रॉम्प्ट में क्या नहीं कहा गया है जो मदद करता (कार्य, स्रोत-सामग्री, बाधाएँ, प्रारूप, अनिश्चितता का नियम), मेरी सामग्री के लिए [प्लेसहोल्डर] के साथ पुनर्लिखित प्रॉम्प्ट प्रस्तावित करें, और हर बदलाव को एक पंक्ति में समझाएँ। मेरी स्थिति के बारे में तथ्य न जोड़ें।
जिनके बारे में आप अनिश्चित हैं उनकी सूची दें।
प्रॉम्प्ट को कौशल में बदलें।
यह एक प्रॉम्प्ट है जो मेरी टीम के लिए अच्छा काम करता है: [चिपकाएँ]। ये अच्छे आउटपुट के दो उदाहरण हैं: [चिपकाएँ]।
हेडर (नाम और एक वाक्य में कि उसे कब उपयोग करना है और कब नहीं), अच्छे आउटपुट के मुख्य घटक, छोटी प्रक्रिया, आम ग़लतियाँ, और परिणाम सत्यापित करने की जाँच-सूची के साथ SKILL.md का मसौदा बनाएँ। इसे 400 शब्दों से कम रखें और ऐसे चरण न जोड़ें जो मेरे उदाहरणों से न निकलते हों।
जिनके बारे में आप अनिश्चित हैं उनकी सूची दें।
कौशल के लिए परीक्षण डिज़ाइन करें।
यह एक कौशल है: [चिपकाएँ]।
आठ परीक्षण-मामले लिखें: पाँच सामान्य, दो असुविधाजनक, और एक जो सहायक से कौशल को अनदेखा करवाने की कोशिश करे। हर एक के लिए इनपुट और सही व्यवहार बताएँ। वास्तविक व्यक्तिगत डेटा का उपयोग न करें।
जिनके बारे में आप अनिश्चित हैं उनकी सूची दें।
AI कौशल
- prompt-engineering: प्रॉम्प्ट डिज़ाइन करने, परखने और परिष्कृत करने के लिए उपयोग करें।
- service-management-guide-skill: इस मार्गदर्शिका के विषय, प्रश्न और प्रॉम्प्ट खोजने और लागू करने के लिए उपयोग करें।
- service-management-guide-maintainer-skill: इस मार्गदर्शिका के विषयों और कौशलों के रखरखाव के लिए उपयोग करें।
- runbook: संचालन कार्य के लिए सुव्यवस्थित कौशल के उदाहरण के रूप में उपयोग करें।
प्रमुख स्रोत
- Anthropic, प्रॉम्प्टिंग और Agent Skills पर दस्तावेज़ (docs.anthropic.com): Claude मॉडलों के लिए निर्देश और कौशल लिखने पर विक्रेता का मार्गदर्शन।
- OWASP, बड़े भाषा मॉडलों पर बने अनुप्रयोगों के जोखिमों पर मार्गदर्शन (owasp.org): प्रॉम्प्ट इंजेक्शन सहित।
- Wikipedia, "Prompt engineering": तकनीकों और शब्दों का अवलोकन।
- इस मार्गदर्शिका की
skills/निर्देशिका: सेवा प्रबंधन कार्यों के कौशलों के कार्यशील उदाहरण।
संदर्भ
- Prompt engineering — Wikipedia — https://en.wikipedia.org/wiki/Prompt_engineering
- Large language model — Wikipedia — https://en.wikipedia.org/wiki/Large_language_model
- Context window — Wikipedia — https://en.wikipedia.org/wiki/Context_window
- Retrieval-augmented generation — Wikipedia — https://en.wikipedia.org/wiki/Retrieval-augmented_generation
- Few-shot learning — Wikipedia — https://en.wikipedia.org/wiki/Few-shot_learning
- Chain of thought — Wikipedia — https://en.wikipedia.org/wiki/Chain_of_thought
- Hallucination (artificial intelligence) — Wikipedia — https://en.wikipedia.org/wiki/Hallucination_(artificial_intelligence)
- Prompt injection — Wikipedia — https://en.wikipedia.org/wiki/Prompt_injection
- Regression testing — Wikipedia — https://en.wikipedia.org/wiki/Regression_testing
- Markdown — Wikipedia — https://en.wikipedia.org/wiki/Markdown
- Version control — Wikipedia — https://en.wikipedia.org/wiki/Version_control
- OWASP — OWASP Foundation — https://owasp.org