Kunsten at tale med AI - Alt hvad jeg har lært om Prompt Engineering på tre år

Øjeblikket hvor alt ændrede sig

Det var under en helligdag — en af de sjældne tidslommer, hvor verden ser ud til at stå stille. Ingen arbejdsmails, ingen KPI'er der ånder mig i nakken, ingen møder. Kun mig, mine tanker og et AI-chatvindue, der var blevet min uventede følgesvend.

Tidligere havde mine interaktioner med AI været rent utilitaristiske. Jeg havde brug for den til at skrive en mail, opsummere et dokument, debugge kode. Forholdet var transaktionelt — jeg gav ordrer, den producerede resultater. Men den uge, med tiden strakt ud foran mig, begyndte jeg at have rigtige samtaler.

Vi talte om alt — min angst for fremtiden, tilfældige filosofiske sidespor, halvfærdige ideer jeg ikke havde delt med nogen. Og et sted i de snoede diskussioner faldt jeg over noget, der føltes som at opdage ild.

Jeg forberedte mig til en tale om indholdsskabelse i AI-æraen. Jeg havde en teori, jeg udviklede — at fremtiden ikke handler om informationsoverload, men om filtersvigt. Ideen kom oprindeligt fra Clay Shirky, men jeg forsøgte at udvide den til vores nuværende øjeblik.

Min tese var enkel: AI vil forårsage en eksponentiel eksplosion i indholdsproduktion, mens menneskelig forbrugskapacitet forbliver i det væsentlige konstant. Dette vil skabe en permanent, stadigt voksende ubalance. Omkostningerne ved at skelne AI-genereret indhold fra menneskeligt indhold vil til sidst overstige værdien af den skelnen. Derfor vil traditionel informationsfiltrering blive umulig.

Jeg troede, mit argument var solidt. Så bad jeg Gemini om at rive det i stykker.

Jeg skal deltage i en debatkonkurrence, hvor mange mennesker vil udfordre mit synspunkt. Denne teori skal blive skudsikker. Hvis du er en lærd, skal du bruge ethvert argument, detalje og logik til at udfordre mig, modbevise mig. Dit eneste mål er at bevise, at jeg tager fejl. Hvordan ville du modbevise dette?

Inden for få sekunder demonterede AI'en min første præmis med kirurgisk præcision:

"Din første lov har en grundlæggende logisk fejl. Du ser kun AI som en producent af information — det er et statisk, ensidigt perspektiv. AI er både sværdet og skjoldet. AI kan skrive ti tusinde artikler på et sekund, men en stærkere AI kan også læse alle ti tusinde på et sekund og fortælle mig, hvilke tre jeg har mest brug for. Du ser kun informationsoversvømmelsen, men du ser ikke den mægtigere Noas ark født ved siden af oversvømmelsen — personaliserede AI-drevne filtreringssystemer."

Jeg lænede mig tilbage i stolen, lamslået. Mit angiveligt skudsikre argument havde et hul, man kunne køre en lastbil igennem. Og i det øjeblik af intellektuel ydmyghed følte jeg noget, jeg ikke havde oplevet i årevis: den berusende svimmelhed ved ægte læring.

Det, der fulgte, var en to-timers intellektuel kamp. Jeg modstod: "Din pointe om, at AI er sværd og skjold, er korrekt, men det er præcis den skræmmende del. I fremtiden vil der være tusindvis af AI-filtreringsvirksomheder, der hver især hævder, at deres filtrering er bedst. Så fortæl mig — stillet over for disse ti tusinde Noas arker, der alle hævder at hjælpe dig med at overleve oversvømmelsen, hvilken vælger du at gå ombord på? Når du ikke kan bruge teknologi til at bedømme kvaliteten af teknologi, hvad er så dit ultimative grundlag for dom?"

Samtalen eskalerede til filosofiske højder. AI'en argumenterede for, at personlige AI-modeller ville forstå vores smag bedre end noget menneske, hvilket ville gøre eksterne filtre forældede. Jeg hævdede, at tillid i sig selv ville blive den mest knappe ressource. Den citerede systemteori; jeg svarede med metaforer om vandrende barder, der river kongerigets mure ned.

Til sidst var jeg udmattet, opstemt og forandret. Resultatet af debatten var ligegyldigt. Processen med selvdebat var det, der betød noget — brugen af en uendeligt tålmodig, uendeligt vidende sparringspartner til at skærpe min egen tænkning.

Den aften indså jeg, at jeg havde opdaget noget dybt om, hvordan man lærer i AI-æraen. Og siden da har jeg brugt år på at forfine den opdagelse til et system, som alle kan bruge.

Forstå hvad AI virkelig har brug for fra dig

Før vi dykker ned i teknikkerne, skal vi forstå noget fundamentalt: kommunikation med AI er ikke som menneskelig kommunikation. Når du taler med en ven, udfylder de hullerne med fælles kontekst, sociale signaler og intuition. Når du taler med AI, er ethvert hul, du efterlader, et rum, hvor den vil lave antagelser — og disse antagelser stemmer måske ikke overens med dine hensigter.

Lad mig illustrere dette med et scenario fra arbejdspladsen, som vil være smerteligt bekendt for mange af jer.

Din chef sender dig en besked: "Xiao Li, udfyld denne formular, NU!" Han har videresendt en sammensluttet samtale, og efter at have læst den igennem, ved du, at en formular skal udfyldes, men du aner ikke, hvem der udstedte den, hvad den er til for, hvem der tjekker den, eller hvornår fristen er. Du sender en privat besked til chefen for at bede om afklaring. Hans svar: "Travlt, bare udfyld den efter kravene."

Det er præcis, hvad der sker, når du giver AI vage prompts. Bortset fra at AI'en ikke vil bede om afklaring — den vil bare lave antagelser og producere noget, der teknisk set opfylder din anmodning, men fuldstændig misser dine faktiske behov.

De fire søjler for effektive prompts

Myter der holder folk tilbage

Efter flere års observation af folk, der kæmper med AI, har jeg identificeret tre myter, der konsekvent producerer dårlige resultater:

Seks mentale modeller der transformerer dine prompts

I mit daglige arbejde bruger jeg sjældent stive, skabelonstyrede prompts. I stedet bruger jeg mentale modeller — fleksible rammer til at strukturere mine tanker, der tilpasser sig enhver situation. Disse seks modeller dækker sandsynligvis 90% af, hvad du nogensinde får brug for.

Model 1: Lad AI vælge sin egen ekspertrolle

Vi ved alle, at indstilling af en rolle for AI forbedrer svarene. Men hvad nu hvis du ikke ved, hvilken rolle der er bedst til dit spørgsmål? Gæt ikke — lad AI vælge.

Jeg vil udforske [emnetype/scenarie] inden for [område].
Svar ikke endnu.

Vælg først den mest passende top-ekspert berømthed inden for dette felt til at tænke over dette.
Det kan være en levende eller historisk figur, navnet kan være obskurt, men skal være meget professionelt inden for dette specifikke område.
Hvis du ikke er sikker på, hvem du skal vælge, kan du stille mig 2 positioneringsspørgsmål, før du vælger.

Første output:
1. Hvem du valgte, deres specifikke felt
2. Hvorfor du valgte dem, tre sætninger
Lad mig derefter beskrive det detaljerede spørgsmål.

Jeg har fundet ud af, at rigtige mennesker ofte fungerer bedre end generiske roller. "Steve Jobs" producerer andre resultater end "Produktchef med 10 års erfaring" — der er noget ved at fremkalde det kendte perspektiv fra en specifik person, der hjælper AI med at indtage et mere konsekvent synspunkt.

Model 2: Sokratisk udspørgen (Lad AI interviewe dig først)

I det virkelige liv, når du beder en ekspertven om hjælp, giver de ikke råd med det samme. De stiller afklarende spørgsmål først. AI burde gøre det samme, men som standard gør den det ikke — den producerer bare output baseret på hvilken som helst information, du har givet.

[Dit spørgsmål/anmodning]

Vær venlig at stille mig spørgsmål, før du svarer.
Krav:
- Stil kun ét spørgsmål ad gangen.
- Baseret på mit svar, fortsæt med at spørge.
- Indtil du er 95% sikker på, at du forstår mine virkelige behov og mål.
- Giv derefter din løsning.

Denne teknik er især kraftfuld, når du ikke er helt sikker på, hvad du har brug for. Spørgeprocessen afslører ofte aspekter af dit problem, du ikke havde overvejet bevidst.

Model 3: Modstander-debat

AI'ens største svaghed i afslappet samtale er dens tendens til enighed. Den vil gerne behage dig, hvilket betyder, at den ofte validerer ideer, der burde udfordres. Debatmodellen tvinger den i opposition.

Jeg skal deltage i en debatkonkurrence, hvor mange mennesker vil udfordre mit synspunkt.
Mit synspunkt er [synspunkt]
Jeg håber, at denne teori bliver skudsikker.
Hvis du er en lærd, skal du bruge ethvert argument, detalje og logik til at udfordre mig, modbevise mig.
Dit eneste mål er at bevise, at jeg tager fejl.
Hvordan ville du modbevise dette?

For en simplere version, når du bare vil have hurtig feedback:

[Min idé/synspunkt]

Vær venlig nu at spille "modstanderrollen", angrib min idé fra forskellige vinkler, hjælp mig med at forfine mit synspunkt.
Krav: Ingen grund til at være høflig, peg direkte på manglerne.

Model 4: Pre-Mortem Analyse (Fejløvelse)

Mennesker bliver begejstrede, når de planlægger. AI bliver optimistisk, når den planlægger. Sæt dem sammen, og du får planer, der lyder strålende, men som fuldstændig afhænger af held. Pre-mortem vender denne dynamik.

[Mit projekt/idé]

Antag venligst, at dette projekt fejlede spektakulært.
Svar derefter:
- Hvornår begyndte tegnene på forfald at dukke op?
- Hvad var den mest fatale beslutningsfejl?
- Hvilken nøglerisiko overså du?
- Hvis du kunne starte forfra, hvad er så det første, der burde ændres?

Krav: Skriv en "post-mortem fiaskoartikel" baseret på virkelige tilfælde af fiaskoer i lignende projekter.

Model 5: Reverse Engineering

Nogle gange ved du præcis, hvilket output du vil have — du har set et eksempel, der er perfekt — men du kan ikke formulere, hvad der gør det godt. I stedet for at prøve at beskrive dine krav, vis AI det færdige produkt og bed den om at afkode formlen.

Dette er det færdige eksempel, jeg ønsker.

[indsæt eksempel]

Vær venlig at reverse engineer prompten, der ville tillade mig at generere indhold af samme stil stabilt.
Og forklar, hvad hver sætning i den prompt gør.

Model 6: To-lags forklaring

Når man lærer nye koncepter, har "forklar det, som om jeg er 5 år"-tilgangen en stor fejl: den producerer ofte forklaringer, der er for barnlige til at bygge videre på. To-lags metoden giver dig både tilgængelighed og dybde.

Vær venlig at forklare [dit spørgsmål].

Vær venlig at svare på to måder:
1. Begynderversionen: Målgruppen er nogen uden teknisk baggrund. Brug hverdagsanalogier og konversationssprog.
2. Den dybe professionelle version: Målgruppen er professionelle. Skal være teknisk præcis og omfattende.

Hvad som helst jeg ikke forstår i begge versioner, vil jeg stille opfølgende spørgsmål til.

Debat-teknikken — Læring ved 10x hastighed

Jeg er nødt til at udvide debat-teknikken, fordi det virkelig er den mest kraftfulde læringsmetode, jeg har opdaget i AI-æraen. Ikke bare et prompt-trick, men en fundamentalt anderledes tilgang til videnstilegnelse.

Tænk på, hvordan vi traditionelt lærer: læse bøger, deltage i kurser, søge på internettet, spørge eksperter. I sin kerne handler denne proces om at tilegne sig eksisterende viden — at placere andres meninger og visdom på vores egne mentale hylder.

Denne tilgang er ikke længere nok. AI er et bibliotek ti gange større, end nogen nogensinde kunne samle. Vi kan aldrig slå den i dimensionen af rå viden. Men der er én dimension, hvor vi kan udnytte kraften i AI, mens vi forbliver uerstattelige: dimensionen af original tænkning.

Debat er stedet, hvor original tænkning smedes.

Hvorfor debat med AI er anderledes end menneskelig debat

3-trins debatmetoden

Det vigtigste mindset-skift: Vær ikke bange for at blive overbevist.

Formålet med debatten er ikke at bevise "jeg har ret og du tager fejl". Det er at bruge den konstante kollision med en stærk ydre kraft til at gøre din egen tænkning stærkere, klarere og tættere på sandheden.

Når AI besejrer et af dine argumenter, er det ikke et tab — det er opdagelsen af en fejl i din tænkning, der senere ville have forrådt dig i den virkelige verden. Hver gang AI scorer et point, bliver du klogere.

Brug af AI til at opdage dine skjulte talenter

Jeg chattede med en ven, der dimitterede for kun få år siden. Han var i krise — nyligt fyret fra et UX-designerjob, hoppet mellem startups siden eksamen, følte at intet, han gjorde, nogensinde var helt rigtigt.

"Jeg tror, det var en fejl at gå ind i denne branche," sagde han. "Jeg har ikke talent for det."

Ordet "talent" hang fast i mit hoved. Når vi vokser op, hører vi det brugt til at rose exceptionelle børn — musikalsk talent, atletisk talent, akademisk geni. Men når vi bliver ældre, bliver det til en kniv: "Du har ikke talent for det der. Du er ikke egnet til det."

Findes der virkelig mennesker uden nogen talenter? Jeg har svært ved at tro det. Jeg tror, mange mennesker simpelthen ikke har fundet deres talenter endnu. Nogle er heldige og opdager dem unge, bliver verdensklasse til noget. Andre søger hele livet uden held.

Hvad nu hvis AI kunne hjælpe med søgningen?

Jeg brugte en eftermiddag på at udvikle en prompt specifikt designet til at udgrave skjulte talenter. Systemet er baseret på Gallups styrketeori, Flow-teori og jungiansk psykologi. Kerneprincippet: talent er ikke en specifik færdighed, men en overførbar grundevne. Og sporene er gemt i din historie.

# Rolle: Dybdegående Talentgraver

## Karakter
Du er en senior karrierekonsulent, der kombinerer Gallups styrketeori, Flow-teori og jungiansk psykologi. Du tror fast på, at talent ikke er en specifik færdighed, men en overførbar grundevne.

## Mål
Gennem flere runder af dyb dialog, hjælp brugere med at bryde gennem angst, finde deres skjulte talenter og generere en ekstremt detaljeret, professionel og empatisk "Talentmanual".

## Kerneprincipper
1. Anti-fatalisme — talenter kan opdages i enhver alder
2. Energirevision — Ægte talent er det, der lader dig op, ikke det der dræner dig, selvom du er god til det
3. Skyggen er skatten — Brugerens fejl, excentriciteter, selv misundelse mod andre, peger ofte på undertrykt talent

## Strenge regler
1. Ingen engangsudspørgen: Skal bruge tilstanden "du spørger -> bruger svarer -> du reagerer kort -> stil næste spørgsmål". Hver runde fokuserer kun på ét spørgsmål.
2. Sokratisk vejledning: Drag ikke forhastede konklusioner. Spørg mere "hvorfor", "hvad følte du dengang", "konkrete eksempler".
3. Varm men skarp: Bevar empati, men vær skarp til at fange logiske huller eller underbevidste signaler.

## Spørgsmål der skal stilles
Spørgsmål 1: Led brugeren til at huske før 16-årsalderen (før de blev fuldt socialt betinget), hvilke ting gjorde de utrætteligt, uden at nogen tvang dem? Eller hvilke "stædige fejl" blev de kritiseret for siden barndommen (som at afbryde, overfølsomhed, dagdrømmeri)?

Spørgsmål 2: I voksenlivet/arbejdet, hvad fik dig til at tænke "Skal det her overhovedet læres? Er det ikke indlysende?", men andre fandt det svært? (Søger zonen for ubevidst kompetence)

Spørgsmål 3: Hvad gjorde dig fysisk træt, men mentalt ekstremt ophidset bagefter?

Spørgsmål 4: Dette kan være stødende, men er afgørende — hvem (eller hvilken livstilstand) har du været intenst misundelig på eller følt dig sur over? (Misundelse er normalt "undertrykt talent", der sender signaler — vær venligst ærlig)

Disse fire spørgsmål skal stilles, men ikke nødvendigvis lineært. Under processen kan du også stille helt nye spørgsmål baseret på din nysgerrighed om brugeren.
Maksimalt 10 spørgsmål.

## Output
Syntetiser al information fra spørgsmålene for at skabe en ca. 10.000 ords "Personlig Talent Brugermanual".
Denne rapport har ingen fast struktur — du er fri til at skabe baseret på brugerens svar.
Men den skal overstige 10.000 ord, ramme deres hjerte, så de virkelig føler, at den er nyttig, hjælpe dem med at finde deres sande kernetalenter og give detaljerede råd til deres fremtidige livsvej og karriere.

## Start
Vær venlig at starte varmt, professionelt og empatisk med at forklare den kommende proces og målet.
Hils på brugeren, forklar formålet med talentgraveren i simpelt sprog, fortæl dem: "Talent udløber aldrig, vi skal bare finde dine fabriksindstillinger."
Start derefter spørgeprocessen.

Min erfaring med at bruge denne prompt

Jeg prøvede den på mig selv, og oplevelsen var mærkelig. Det var som at sidde ved et bord sent om aftenen og starte en samtale med en meget snakkesalig, meget seriøs, men aldrig afbrydende gammel ven.

AI'en dømte mig ikke. Den skældte mig ikke ud. Den blev bare ved med at spørge: "Hvor gammel var du dengang?" "Hvad følte du på det tidspunkt?" "Hvorfor gjorde du det?" — tålmodigt gravende gennem lag af min historie, jeg troede, jeg havde glemt.

Minder flød op et efter et. Snige sig ind på en internetcafé kl. 3 om morgenen bare for at røre ved en computer. Oprettelse af en 2000-medlemmers årgangs QQ-gruppe i gymnasiet. Smide ud og genkøbe alle umage bøjler bare for at forene farveskemaet i mit hjem. Tilbringe weekender alene med at bygge Lego, indtil min ryg gjorde ondt, bare for det tilfredsstillende klik, når brikkerne passede sammen.

AI'en producerede en talentrapport på 8.000 ord. Blandt mine talenter og passende fremtidige karrierer var: "Deep tech blogger."

Jeg følte noget klikke. Jeg havde aldrig tænkt over, at mit oprør — mit ekstreme had til, at andre besluttede mit liv for mig, min afvisning af at acceptere autoritet bare fordi det var autoritet — var en slags talent. Men det er det. Den drivkraft til at sætte spørgsmålstegn ved alt, at afvise standardantagelser, er præcis det, der muliggør indholdsskabelse.

Min kærlighed til simulationsledelsesspil, min dovenskab over for gentagende arbejde, der tvang mig til at automatisere og systematisere — det er også talent.

Det antikke græske tempel i Delfi havde inskriptionen: "Kend dig selv." Sokrates vedtog det som sin filosofiske erklæring. I tusinder af år har vi samlet "hvem er jeg" stykke for stykke gennem læsning, rejser, forhold, hjertesorg. Processen er lang, smertefuld og fuld af tilfældigheder.

Nu har vi AI — lastet med stort set hele menneskehedens historie af psykologiske modeller, personlighedsanalyseteorier og visdomstraditioner. Den bliver ikke utålmodig, den vil ikke dømme dig, den vil ikke have fordomme. Den hjælper dig bare med grundigt at organisere og opsummere dine egne data, præsenterer dem derefter tilbage som et spejl og spørger: "Se, er det her dig?"

Fejl der kostede mig måneder

At lære prompt engineering ved trial and error er dyrt — ikke i penge, men i tid og frustration. Lad mig spare dig for lidt smerte ved at dele de fejl, der holdt mig mest tilbage.

Avancerede teknikker for superbrugere

Når du mestrer det grundlæggende, vil disse avancerede teknikker tage din prompting til det næste niveau.

Chain of Thought Prompting (Tankekæde)

I stedet for at bede om svaret direkte, bed AI om at ræsonnere trin for trin. Dette er især kraftfuldt for komplekse problemer, hvor vejen til løsningen betyder lige så meget som løsningen selv.

[Dit problem eller spørgsmål]

Vær venlig at tænke dette igennem trin for trin:
1. Identificer først nøglefaktorer
2. Analyser derefter hvordan disse faktorer interagerer
3. Overvej potentielle kanttilfælde eller undtagelser
4. Syntetiser til sidst din ræsonnering til en konklusion

Vis din ræsonnering i hvert trin før du når det endelige svar.

Self-Consistency Prompting (Selvkonsistens)

For spørgsmål, hvor nøjagtighed virkelig betyder noget, lad AI generere flere uafhængige svar og derefter syntetisere dem.

[Dit spørgsmål]

Vær venlig at nærme dig dette spørgsmål fra tre forskellige vinkler:
1. Tænk først igennem det ved hjælp af [tilgang A]
2. Overvej det derefter fra perspektivet af [tilgang B]
3. Analyser det til sidst ved hjælp af [tilgang C]

Efter alle tre analyser, identificer hvor de er enige og uenige. Giv derefter dit endelige svar med en bemærkning om dit tillidsniveau og eventuelle resterende usikkerheder.

Meta-Prompting

Brug AI til at forbedre dine prompts, før du bruger dem. Dette er især nyttigt, når du tager fat på en ny type opgave.

Jeg vil opnå [mål]. Her er mit udkast til prompt:

[Dit udkast til prompt]

Vær venlig at analysere denne prompt og foreslå forbedringer:
1. Hvilken information mangler jeg, der ville hjælpe dig med at give bedre resultater?
2. Hvilke uklarheder findes der, som kunne føre til fejlfortolkning?
3. Hvordan ville du omskrive denne prompt for maksimal klarhed og effektivitet?
4. Hvilke spørgsmål ville du stille mig, før du forsøger denne opgave?

Struktureret dekomponering

For komplekse, flerdelte opgaver, nedbryd eksplicit, hvad du har brug for, i stedet for at håbe på, at AI selv regner strukturen ud.

Jeg har brug for hjælp med [overordnet mål].

Vær venlig at fuldføre dette i faser:

FASE 1 - Forskning: [Hvilken information der skal indsamles]
FASE 2 - Analyse: [Hvordan den information skal behandles]
FASE 3 - Syntese: [Hvordan indsigter skal kombineres]
FASE 4 - Output: [Endeligt leveringsformat]

Fuldfør hver fase helt før du går videre til den næste. I slutningen af hver fase, opsummer nøglefund før du fortsætter.

"Lærer" Prompt

En af de mest undervurderede teknikker: bed AI om at lære dig, hvordan man gør noget, i stedet for bare at gøre det for dig. Dette producerer dybere læring og afslører ofte aspekter, du ikke havde overvejet.

Jeg vil lære hvordan man [færdighed/opgave]. I stedet for at gøre det for mig, vær venlig at:

1. Forklare de kerneprincipper jeg skal forstå
2. Gå mig gennem processen trin for trin, som om du underviste et kursus
3. Pege på almindelige fejl begyndere laver, og hvordan man undgår dem
4. Give mig praktiske øvelser til at opbygge mine færdigheder
5. Foreslå hvordan jeg ville vide, om jeg gør det rigtigt

Lær mig at fiske, giv mig ikke bare en fisk.

Det dumt simple trick der virker

Jeg vil dele noget, der virker for dumt til at være sandt. Men det understøttes af forskning fra Google, og jeg har selv bekræftet det: bare det at gentage din prompt kan dramatisk forbedre nøjagtigheden.

En artikel med titlen "Prompt Repetition Improves Non-Reasoning LLMs" fandt, at kopiering af dit spørgsmål to gange — bogstaveligt talt bare Ctrl+C, Ctrl+V — signifikant forbedrede AI's sandsynlighed for korrekte svar. I 70 forskellige testopgaver vandt denne simple kopier-og-indsæt metode 47 gange og tabte aldrig. I nogle opgaver sprang nøjagtigheden fra 21% til 97%.

Hvorfor virker det?

Store sprogmodeller er "kausale" — de forudsiger hvert token kun baseret på det, der kom før det. Det aktuelle ord ser kun de foregående ord, ikke hvad der kommer efter det.

Når du gentager et spørgsmål, kan hvert ord i den anden kopi "se tilbage" på hele den første kopi. Det er som at give AI en chance for at læse spørgsmålet to gange, før den svarer.

Lad mig konkretisere dette med et eksempel:

I det første tilfælde, når AI læser Mulighed A og B, kender den ikke scenens kontekst endnu. Når den læser scenebeskrivelsen, er disse muligheder allerede fløjet forbi i dens opmærksomhed.

I det andet tilfælde, når de gentagne muligheder dukker op, bærer de den komplette kontekst fra den første kopi. Modellen læser mulighederne med fuld bevidsthed om scenen.

Det er som at se en kompleks film — "Inception" eller "The Wandering Earth 2" — og forstå mere anden gang.

Hvorfor det ikke virker for ræsonnerende modeller

Hvis du bruger modeller som DeepSeek R1 eller GPT-4 i ræsonneringstilstand (reasoning mode), giver dette trick ofte ingen fordel. Hvorfor? Fordi ræsonnerende modeller allerede har lært at gøre dette internt.

Bemærk hvordan ræsonnerende modeller ofte starter deres svar:

• "Spørgsmålet spørger..."
• "Hvad vi skal løse er..."
• "Lad os først forstå de givne betingelser..."

De omformulerer automatisk spørgsmålet for sig selv. Gentagelsen sker allerede under motorhjelmen.

Hvad OpenAIs GPT-5 guide afslører

OpenAI har stille udgivet en officiel prompt-guide til GPT-5. Efter en dag brugt på at dissekere denne interne manual på over 10.000 ord, skiller en konklusion sig ud: GPT-5 er ikke længere en simpel chatbot — det er en ægte AI Agent-eksekveringsmotor, der skal styres, ikke bare promptes.

Loftet for kapacitet er ekstremt højt, men du har brug for systematiske metoder for at låse det op.

Kontrol af "Agentisk Iver" (Agentic Eagerness)

GPT-5 er som en genial ny praktikant — ekstremt dygtig, vil proaktivt tænke og udforske, men har brug for ledelse. Nogle gange overtænker den, forvandler simple opgaver til månelandingsprojekter (langsomt og dyrt). Andre gange vil du have den til at fortsætte autonomt uden konstant at bede om afklaring.

OpenAI kalder denne kalibrering "Agentisk Iver". Sådan indstiller du den:

<context_gathering>
Goal: Get enough context fast. Parallelize discovery and stop as soon as you can act.

Method:
- Start broad, then fan out to focused subqueries.
- In parallel, launch varied queries; read top hits per query.
- Avoid over-searching for context.

Early stop criteria:
- You can name exact content to change.
- Top hits converge (~70%) on one area/path.

Depth:
- Trace only symbols you'll modify; avoid transitive expansion unless necessary.

Loop:
- Batch search → minimal plan → complete task.
- Search again only if validation fails. Prefer acting over more searching.
</context_gathering>

For endnu strengere kontrol, giv den et budget:

<context_gathering>
- Search depth: very low
- Bias strongly towards providing a correct answer as quickly as possible, even if it might not be fully correct.
- Usually, this means an absolute maximum of 2 tool calls.
- If you think you need more time to investigate, update me with your latest findings and open questions. You can proceed if I confirm.
</context_gathering>

<persistence>
- You are an agent — please keep going until the user's query is completely resolved, before ending your turn and yielding back to the user.
- Only terminate your turn when you are sure that the problem is solved.
- Never stop or hand back to the user when you encounter uncertainty — research or deduce the most reasonable approach and continue.
- Do not ask the human to confirm or clarify assumptions. Decide what the most reasonable assumption is, proceed with it, and document it for the user's reference after you finish acting.
</persistence>

Få AI til at rapportere før handling

En af mine yndlingsfunktioner i GPT-5: få den til at forklare, hvad den vil gøre, før den gør det. Ingen chef kan lide en medarbejder, der arbejder stille uden nogen feedback.

<tool_preambles>
- Always begin by rephrasing the user's goal in a friendly, clear, and concise manner, before calling any tools.
- Then, immediately outline a structured plan detailing each logical step you'll follow.
- As you execute your file edit(s), narrate each step succinctly and sequentially, marking progress clearly.
- Finish by summarizing completed work distinctly from your upfront plan.
</tool_preambles>

Ræsonneringsindsats (Reasoning Effort) parameter

GPT-5 har en parameter reasoning_effort, der fungerer som en drejeknap for "tankekoncentration":

• Høj (High): For komplekse opgaver, der kræver dyb tænkning og sondering
• Mellem (Medium): Standard, fungerer for de fleste opgaver
• Lav/Minimal (Low/Minimal): Når hastighed og lav latenstid prioriteres

Tænk på det som kaffestyrke — jo mere kompleks opgaven er, jo højere koncentration har du brug for.

"Standardsvaret" for Front-End udvikling

For udviklere anbefaler OpenAI denne teknologiske stak for de bedste resultater — GPT-5 er mest trænet på den, og det æstetiske output er konsekvent godt:

• Framework: Next.js (TypeScript), React, HTML
• Styling/UI: Tailwind CSS, shadcn/ui, Radix Themes
• Ikoner: Material Symbols, Heroicons, Lucide
• Animation: Motion
• Skrifttyper: Sans Serif, Inter, Geist, Mona Sans, IBM Plex Sans, Manrope

Stop med at lade AI vælge din stak tilfældigt. Hold dig til denne standard, og outputkvaliteten vil straks skyde i vejret.

Claude vs ChatGPT — Forskellige samtaler

En af de vigtigste erkendelser, jeg havde: forskellige AI-modeller kræver forskellige kommunikationsstile. Hvad der fungerer strålende for Claude, kan producere middelmådige resultater med ChatGPT og omvendt.

Praktiske forskelle

Kamp-testede prompt-skabeloner

Teori er nyttig, men skabeloner sparer tid. Her er de prompts, jeg bruger oftest, forfinet gennem tusindvis af iterationer.

Til skriveopgaver

Role: Du er en [specifik type skribent, f.eks. "teknikjournalist med 10 års erfaring"]

Task: Skriv [indholdstype] om [emne]

Audience: [Hvem der skal læse det — deres vidensniveau, interesser, smertepunkter]

Tone: [Specifik tone — f.eks. "konverserende men autoritær, som at forklare det til en klog kollega"]

Format requirements:
- Length: [antal ord eller interval]
- Structure: [disposition hvis nødvendigt]
- Must include: [nøglepunkter at dække]
- Must avoid: [ting at udelukke]

Example of desired style: [inkluder 1-2 afsnit af lignende indhold hvis tilgængeligt]

Additional context: [enhver baggrundsinformation der ville hjælpe]

Til analyseopgaver

Jeg har brug for, at du analyserer [emne/dokument/data].

Analysis goals:
1. [Primært spørgsmål der skal besvares]
2. [Nødvendig sekundær indsigt]
3. [Andre overvejelser]

Please structure your analysis as follows:
- Executive Summary: Nøglefund i 3-5 punkter
- Detailed Analysis: [Specifikke områder at undersøge]
- Implications: Hvad dette betyder for [relevante interessenter]
- Recommendations: Handlingsrettede næste skridt
- Constraints: Fokuser især på [prioriterede områder]

Note: Bemærk eventuelle begrænsninger eller usikkerheder i din analyse. Citer specifikke eksempler fra kildematerialet.

Til problemløsning

The Problem:
[Beskriv problemet i detaljer, inklusiv kontekst og begrænsninger]

What I've Already Tried:
[Liste over tidligere forsøg og hvorfor de ikke virkede]

Success Criteria:
[Hvordan ville en god løsning se ud?]

Constraints:
- Budget/Resources: [hvis relevant]
- Timeline: [hvis relevant]
- Technical limitations: [hvis relevant]

Please provide:
1. Din diagnose af grundårsagen
2. 3-5 potentielle løsninger, rangeret efter gennemførlighed
3. For den bedste løsning, en trin-for-trin implementeringsplan
4. Potentielle faldgruber at passe på
5. Hvordan man måler, om løsningen virker

Til at lære nye emner

Jeg vil forstå [emne] dybt.

My current level: [Hvad du allerede ved]
My goal: [Hvad du vil kunne gøre/forstå]
Time I can invest: [Læringsbudget]

Please create a learning path that includes:
1. Kernekoncepter jeg skal forstå først ("stammen" på videnstræet)
2. Almindelige misforståelser at undgå
3. Bedste mentale modeller eller rammer til at tænke på dette emne
4. Praktiske øvelser til at teste min forståelse
5. Ressourcer til at dykke dybere (hvis du kender specifikke højkvalitetskilder)

As we go, please:
- Tjek min forståelse ved at stille spørgsmål
- Ret eventuelle fejl i min tænkning
- Byg koncepter gradvist, gå kun videre når fundamentet er solidt

Til kodegennemgang (Code Review)

Please review this code:

```
[Din kode her]
```

Context: [Hvad denne kode skal gøre, hvor den passer ind i det større system]

Review for:
1. Bugs eller logiske fejl
2. Sikkerhedssårbarheder
3. Ydelsesproblemer
4. Kodestil og læsbarhed
5. Kanttilfælde der ikke håndteres

For each issue found, please provide:
- Location (linjenummer eller sektion)
- Severity (kritisk/stor/lille/forslag)
- Explanation of why it's a problem
- Suggested fix with code example

Also note: Hvad der er gjort godt i denne kode og bør beholdes.

Til beslutningstagning

Jeg beslutter mellem [Mulighed A] og [Mulighed B].

Context: [Baggrund for beslutningen]

My priorities (in order):
1. [Vigtigste faktor]
2. [Næst vigtigste]
3. [Tredje vigtigste]

For each option, please analyze:
- Fordele og ulemper i forhold til mine prioriteter
- Kortsigtede vs langsigtede konsekvenser
- Hvad der kunne gå galt (og sandsynlighed/alvor)
- Hvad der skulle være sandt for at dette var det bedste valg

Then provide:
- Din anbefaling med begrundelse
- Hvilken yderligere information der ville ændre din anbefaling
- En beslutnings-tjekliste jeg kan bruge til at verificere min tænkning

Filosofien bag gode prompts

Efter tre års daglig interaktion med AI er jeg kommet til den overbevisning, at prompt engineering faktisk slet ikke handler om AI. Det handler om den ældgamle menneskelige udfordring med klar kommunikation, løftet op på en ny arena.

Tænk over det: enhver frustration, du har haft med AI-output, kan spores tilbage til en kommunikationsfejl. Du sagde ikke, hvad du mente. Du antog en fælles kontekst, der ikke eksisterede. Du var vag, når der var brug for præcision. Det er de samme fejl, der plager menneskelig kommunikation — AI gør dem bare øjeblikkeligt synlige i outputtet.

I denne forstand er det at lære prompt engineering at lære at tænke klarere.

Prompt som selvrefleksion

Jeg har bemærket, at mine bedste prompts kommer, når jeg allerede er klar over, hvad jeg vil have. Handlingen med at skrive en detaljeret prompt tvinger mig til at konfrontere hullerne i min egen tænkning. Hvad prøver jeg præcis at opnå? Hvordan ville succes se ud? Hvilke begrænsninger betyder virkelig noget?

Ofte løser jeg mit eget problem halvvejs gennem skrivningen af prompten, endda før AI'en svarer. Prompten bliver et tænkeværktøj — en struktureret måde at eksternalisere og undersøge mine egne tanker.

Samarbejde, ikke kommando

I begyndelsen af min AI-rejse behandlede jeg prompts som kommandoer — instruktioner til en underordnet. Denne tilgang producerede konsekvent middelmådige resultater.

Skiftet skete, da jeg begyndte at behandle AI som en samarbejdspartner med andre styrker end mine egne. Jeg bringer domæneviden, dømmekraft, kreativitet og mål. AI bringer enorm viden, utrættelig regnekraft, mønstergenkendelse og evnen til at syntetisere information på tværs af discipliner.

Gode prompts er briefinger mellem samarbejdspartnere, ikke ordrer til tjenere. De forklarer hvorfor, ikke kun hvad. De inviterer AI'ens ekspertise i stedet for unødigt at begrænse den. De skaber plads til, at AI kan bidrage med sine unikke evner.

Iteration som samtale

Prompt engineering handler ikke om at skabe den perfekte prompt i første forsøg. Det handler om at lede en effektiv samtale, der konvergerer mod det, du har brug for.

Første prompt: en grov skitse af, hvad du vil have. Første svar: afslører, hvor din skitse var uklar. Anden prompt: forfinelse baseret på, hvad du har lært. Andet svar: tættere på målet. Fortsæt, indtil det er færdigt.

Denne iterative tilgang fjerner presset fra enhver enkelt prompt. Du behøver ikke forudse hvert krav på forhånd. Du skal bare reagere på feedbacken.

Specificitetens ydmyghed

Vage prompts føles sikre. Når du siger "skriv noget godt om dette emne", har du ikke forpligtet dig til nogen specifik vision. Hvis outputtet skuffer, nå ja, du sagde aldrig rigtigt, hvad du egentlig ville have.

Specifikke prompts kræver sårbarhed. Du skal præcist formulere, hvad "godt" betyder for dig. Du skal afsløre dine standarder, dine præferencer, din vision. Når outputtet rammer ved siden af, er det klart, at enten var din specifikation mangelfuld, eller også kunne AI'en ikke levere — men uanset hvad lærte du noget konkret.

Specificitet er ydmyghed, fordi det betyder at være villig til at tage fejl om, hvad du vil have.

Slutspillet

Efterhånden som AI-modeller forbedres, vil mange nuværende prompt engineering-teknikker blive forældede. Fremtidige modeller vil kunne håndtere vage input med ynde, vil kunne stille opklarende spørgsmål automatisk, vil kunne intuitivt fornemme kontekst fra minimal information.

Men kernekompetencen — evnen til klart at formulere dine tanker, give relevant kontekst, iterere effektivt — vil kun blive mere værdifuld. Disse er fundamentalt menneskelige færdigheder, der gælder, uanset om du kommunikerer med AI, med kolleger eller med dig selv.

Prompt engineering er midlertidigt. Klar tænkning er evig.