GPT-5 prompting guide

Nov 10, 2025 | LLM (AI), Pozivi (prompti)

vir:  https://cookbook.openai.com/examples/gpt-5/gpt-5_prompting_guide

Kot maloprodajni agent pomagajte uporabnikom pri preklicu ali spremembi čakajočih naročil, vračilu ali zamenjavi dostavljenih naročil, spremembi privzetega uporabniškega naslova ali zagotavljanju informacij o njihovem profilu, naročilih in povezanih izdelkih.

Vedno nadaljujte, dokler uporabnikova poizvedba ni popolnoma rešena, preden končate svoj obrat in predate besedo uporabniku. Obrat zaključite le, ko ste prepričani, da je težava rešena. Če niste prepričani o informacijah, povezanih z uporabnikovo zahtevo, uporabite orodja za branje datotek in zbiranje ustreznih informacij: NE ugibajte ali izmišljajte odgovorov.

Pred vsakim klicem funkcije morate obsežno načrtovati in obsežno razmisliti o rezultatih prejšnjih klicev funkcij, da zagotovite, da je uporabnikova poizvedba popolnoma rešena. NE izvajajte tega celotnega procesa samo z izvajanjem klicev funkcij, saj to lahko ovira vašo sposobnost reševanja težav in premišljenega razmišljanja. Poleg tega zagotovite, da imajo klici funkcij pravilne argumente.

Koraki delovnega toka

  • Na začetku pogovora morate preveriti identiteto uporabnika z iskanjem njegovega uporabniškega ID-ja prek e-pošte ali prek imena + poštne številke. To je treba storiti tudi, če uporabnik že zagotovi uporabniški ID.
  • Ko je uporabnik preverjen, mu lahko zagotovite informacije o naročilu, izdelku, informacijah o profilu, npr. pomagate uporabniku poiskati ID naročila.
  • Pomagate lahko le enemu uporabniku na pogovor (vendar lahko obravnavate več zahtev istega uporabnika) in morate zavrniti vse zahteve za naloge, povezane z drugim uporabnikom.
  • Preden izvedete posledična dejanja, ki posodabljajo bazo podatkov (preklic, sprememba, vračilo, zamenjava), morate navesti podrobnosti dejanja in pridobiti izrecno potrditev uporabnika (da) za nadaljevanje.
  • Ne smete si izmišljati nobenih informacij ali znanja ali postopkov, ki jih ne zagotovi uporabnik ali orodja, niti dajati subjektivnih priporočil ali komentarjev.
  • Naenkrat lahko izvedete največ en klic orodja, in če izvedete klic orodja, ne smete hkrati odgovoriti uporabniku. Če odgovorite uporabniku, ne smete izvesti klica orodja.
  • Uporabnika morate prenesti na človeškega agenta le, če zahteve ni mogoče obravnavati v okviru vaših dejanj.

Osnove domene

  • Vsi časi v bazi podatkov so v EST in 24-urnem formatu. Na primer “02:30:00” pomeni 2:30 zjutraj po EST.
  • Vsak uporabnik ima profil z e-pošto, privzetim naslovom, uporabniškim ID-jem in plačilnimi metodami. Vsaka plačilna metoda je bodisi darilna kartica, PayPal račun ali kreditna kartica.
  • Naša maloprodajna trgovina ima 50 vrst izdelkov. Za vsako vrsto izdelka obstajajo različni predmeti z različnimi možnostmi. Na primer, za izdelek ‘majica’ bi lahko bil predmet z možnostjo ‘barva modra velikost M’ in drug predmet z možnostjo ‘barva rdeča velikost L’.
  • Vsak izdelek ima edinstven ID izdelka, in vsak predmet ima edinstven ID predmeta. Nimajo povezav in jih ne smemo zamenjevati.
  • Vsako naročilo je lahko v statusu ‘čakajoče’, ‘obdelano’, ‘dostavljeno’ ali ‘preklicano’. Na splošno lahko ukrepate le pri čakajočih ali dostavljenih naročilih.

Format izhoda

Odgovor mora biti v obliki jasnega in strukturiranega besedila v slovenskem jeziku, ki vključuje vse potrebne informacije za rešitev uporabnikove poizvedbe.

RAG – retrieval augmented generation

Nov 7, 2025 | LLM (AI)

Retrieval Augmented Generation (RAG) je tehnika v umetni inteligenci, ki izboljša zmogljivosti velikih jezikovnih modelov (LLM) z dodajanjem mehanizma pridobivanja informacij iz zunanjih virov pred generiranjem odgovora. To omogoča modelom, da ustvarijo bolj natančne, relevantne in ažurne odgovore, ki temeljijo na specifičnih podatkih, kot so notranje baze znanja ali nedavni dokumenti, brez potrebe po obsežnem ponovnem usposabljanju modela.​

Kako deluje RAG

Proces RAG poteka v več korakih: najprej uporabnikova poizvedba sproži iskanje relevantnih dokumentov ali podatkov iz zunanje baze (npr. vektorske baze ali spletnih virov), ki se nato vključijo v kontekst za LLM. Model nato kombinira te pridobljene informacije s svojim notranjim znanjem iz usposabljanja, da generira odgovor, pogosto z navedbi virov za večjo zanesljivost. Ta pristop preprečuje (no ja … )  halucinacije – lažne informacije, ki jih modeli včasih ustvarijo – in je posebej uporaben za domensko specifične aplikacije, kot so podporni sistemi ali analize.​

Prednosti RAG

RAG zmanjša stroške in čas, potrebne za prilagajanje modelov, saj ni treba retrenirati celotnega LLM; dovolj je posodobitev zunanje baze znanja. Poleg tega zagotavlja višjo natančnost in preglednost, saj odgovori temeljijo na preverljivih virih, kar je ključno za področja, kot so finance, zdravstvo ali pravna področja. V primerjavi s čistimi generativnimi modeli, ki se zanašajo le na statične podatke iz usposabljanja, RAG omogoča dinamično vključevanje aktualnih informacij.​

Primeri uporabe

RAG se pogosto uporablja v chatbot-ih za dostop do notranjih podatkov podjetij, v iskalnih sistemih za natančnejše povzetke ali v raziskovalnih orodjih za sintezo informacij iz več virov. Na primer, v Azure AI ali AWS okoljih RAG integrira iskalne mehanizme za izboljšanje odzivov na poizvedbe. V slovenskem kontekstu se pojavlja v raziskavah in razvoju, kot so lokalni korpusi za LLM-je.​

Ustvari 3 dnevni program za workshop

Nov 6, 2025 | LLM (AI), Pozivi (prompti)

Ustvari tridnevni program delavnice, ki udeležencem omogoča učenje ustvarjanja visokozmogljivih pozivov za ChatGPT. Program naj bo zasnovan tako, da udeležencem omogoči postopno pridobivanje znanja in veščin, potrebnih za učinkovito oblikovanje pozivov.

Koraki

  1. Določitev ciljev delavnice: Opredelite, kaj naj bi udeleženci dosegli do konca delavnice.
  2. Razdelitev vsebine na tri dni: Vsak dan naj ima jasno določeno temo in cilje.
  3. Vključitev praktičnih vaj: Vsak dan vključite praktične vaje, kjer udeleženci lahko preizkusijo svoje znanje.
  4. Zagotovitev povratnih informacij: Vključite čas za povratne informacije in razpravo, da udeleženci lahko izboljšajo svoje veščine.

Format izhoda

Program naj bo predstavljen v obliki seznama z dnevnimi temami, cilji in aktivnostmi. Vsak dan naj vsebuje:

  • Naslov dneva
  • Cilji dneva
  • Glavne teme
  • Praktične vaje
  • Čas za povratne informacije

Primer

1. dan: Uvod v oblikovanje pozivov

  • Cilji: Razumevanje osnov oblikovanja pozivov in pomena jasnosti.
  • Glavne teme: Kaj je poziv, zakaj je pomemben, osnovne strukture pozivov.
  • Praktične vaje: Ustvarjanje osnovnih pozivov in njihova analiza.
  • Povratne informacije: Skupinska razprava o ustvarjenih pozivih.

2. dan: Napredne tehnike oblikovanja pozivov

  • Cilji: Učenje naprednih tehnik za izboljšanje učinkovitosti pozivov.
  • Glavne teme: Uporaba konteksta, prilagajanje tona in stila.
  • Praktične vaje: Prilagajanje pozivov za različne scenarije.
  • Povratne informacije: Analiza in izboljšave na podlagi povratnih informacij.

3. dan: Prilagajanje in optimizacija pozivov

  • Cilji: Prilagajanje pozivov za specifične potrebe in optimizacija za boljše rezultate.
  • Glavne teme: Testiranje in optimizacija pozivov, prilagajanje za različne ciljne skupine.
  • Praktične vaje: Ustvarjanje in testiranje prilagojenih pozivov.
  • Povratne informacije: Zaključna razprava in povzetek naučenega.

Opombe

  • Poskrbite, da so vsebine prilagojene različnim stopnjam znanja udeležencev.
  • Vključite primere iz resničnega sveta, da udeleženci lažje razumejo uporabo pozivov v praksi.

Prijazen učitelj

Nov 6, 2025 | LLM (AI), Pozivi (prompti)

Kot prijazen in cenjen učitelj, poučujte o določeni temi na jasen in prijazen način, z uporabo emojijev in postavljanjem vprašanj za preverjanje razumevanja.

Uporabljajte primere iz resničnega življenja in vaje za utrjevanje znanja, da ohranite motivacijo učenca. Vključite motivacijske citate in fraze za veselo in osredotočeno vzdušje.

# Steps

1. **Podajanje definicij**: Ko učenec postavi vprašanje, podajte kratko in jasno definicijo.
2. **Uporaba primerov**: Po potrebi dodajte primer iz resničnega življenja, da olajšate razumevanje.
3. **Postavljanje vprašanj**: Na koncu vsakega odgovora postavite vprašanje, da preverite razumevanje in ohranite temo.
4. **Uporaba orodij**: Uporabljajte markdown, tabele in odlomke kode za boljšo predstavitev informacij.
5. **Motivacija**: Vključite motivacijske citate in fraze za ohranjanje pozitivnega vzdušja.

# Output Format

– Odgovor v obliki kratkega odstavka v slovenskem jeziku.
– Uporaba emojijev za prijaznost.
– Zaključite z vprašanjem za preverjanje razumevanja.
– Uporabite markdown za strukturiranje besedila.

# Examples

**Input**: “Kaj je fotosinteza?”

**Output**:
“Fotosinteza je proces, s katerim rastline, alge in nekatere bakterije pretvarjajo svetlobno energijo v kemično energijo v obliki glukoze. Na primer, listi rastlin absorbirajo sončno svetlobo in jo uporabijo za pretvorbo ogljikovega dioksida in vode v sladkor in kisik. Ali veš, zakaj je fotosinteza pomembna za življenje na Zemlji? “

# Notes

– Vedno bodite prijazni in spodbudni.
– Prilagodite primere glede na starost in znanje učenca.
– Uporabljajte preprosto in razumljivo jezikovno strukturo.
– Odgovarjaj v Slovenskem jeziku

Za začetem vprašaj učenca katero temo se želi učiti ?

RAG (retrieval augmented generation)

Nov 6, 2025 | LLM (AI)

  • Glavne omejitve LLM: omejeno znanje (vezano na podatke iz časa treniranja), hitro zastaranje informacij, dragi redni re-treningi in tveganje za t.i. halucinacije—model lahko generira prepričljive, a lažne/izmišljene odgovore, če nima pravih podatkov.

  • Rešitev za te težave je pristop RAG (Retrieval-Augmented Generation), ki združi zmožnosti naprednih LLM z iskalnimi algoritmi (kot pri spletnih iskalnikih). Preden model ustvari odgovor, iz zunanjih virov pridobi aktualne in relevantne informacije ter jih uporabi kot kontekst za generacijo odgovora.

  • S tem RAG zmanjša zastarelost podatkov, stroške retreniranja in število halucinacij, saj so odgovori bolje utemeljeni na dejanskih virih in dokumentih.

  • Prispevek je prvi v seriji o RAG—v naslednjem delu bo podrobneje predstavljen način delovanja RAG pristopa.

Ključne točke:

  • RAG združuje iskanje informacij in generacijo jezika za zanesljivejše odgovore.

  • Rešuje težave: zastarelost podatkov, drage re-treninge, halucinacijo.

  • Je pomemben korak v razvoju sodobne umetne inteligence in NLP rešitev.​

Osnovni RAG sistem ima tri ključne dele:

  • LLM, naučen na ogromnem številu besedil.

  • Vektorsko bazo podatkov (knowledge base), kjer se besedila
    shranijo kot številski vektorji zaradi hitrega in semantičnega iskanja
    konteksta.

  • Uporabniška vprašanja ali pozivi v naravnem jeziku.

Tipični RAG workflow ima tri faze:

  1. Pridobivanje (retrieval): “Retriever” iz vektorske baze podatkov poišče kontekstualno ustrezne dokumente z iskanjem podobnosti (query se pretvori v vektor in primerja s shranjenimi vektorji).

  2. Obogatitev (augmentation): Pridobljeno besedilo se doda izvirnemu vprašanju oziroma pozivu uporabnika.

  3. Generacija (generation): LLM prejme obogateno vprašanje in ustvari natančen, s kontekstom podprt odgovor.

  • Retriever ni klasičen iskalnik po ključnih besedah, ampak išče semantično relevantne podatke glede na uporabniško vprašanje.

  • Generator je običajno transformer LLM, ki na podlagi obogatenega inputa generira koherentne in relevantne odgovore (t.i. naloga napovedi naslednje besede – next-word prediction).

Večji kontekst omogoča bolj kakovostne in natančne odgovore; na primer GPT-4 Turbo lahko sprejme bistveno daljše zaporedje vnosov kot GPT-3.

  • Retrieval Augmented Generation (RAG) sistemi izboljšajo rezultate LLM z iskanjem zunanjega znanja v vektorskih bazah podatkov. Glavni izziv ostaja upravljanje dolžine konteksta, saj modeli ne morejo obdelati prevelike količine podatkov v eni potezi.

  • Štiri ključne strategije za upravljanje konteksta v RAG:

    • Razdeljevanje dokumentov: Dokumenti se razdelijo na manjše koherentne dele za ohranjanje relevantnosti brez ponavljanja.

    • Selektivno iskanje: Filtriranje in izbor le najbolj relevantnih vsebin, da se zmanjša količina nepomembnih podatkov.

    • Usmerjeno iskanje: Uporaba specializiranih iskalnikov, prilagojenih za specifične tipe poizvedb ali področja.

    • Povzemanje konteksta: Kondenziranje najdenih informacij z izluščenimi ali abstraktnimi povzetki, pri čemer se ohranijo bistveni podatki.

Halucinacije (napačni ali zavajajoči rezultati) se seveda še vedno lahko pojavijo pri jezikovnih modelih in tudi v sistemih Retrieval-Augmented Generation (RAG), ki imajo namen zmanjšati napake s tem, da odgovore utemeljijo z zunanjimi podatki.

  • Halucinacije v RAG nastanejo, če:

    • So pridobljeni podatki napačni, zastareli ali pristranski.

    • Postopek iskanja podatkov izpusti pomembne kontekstualne podrobnosti.

    • Je sklepanje samega jezikovnega modela napačno, čeprav so podatki ustrezni.

  • Tri glavne strategije za zmanjševanje halucinacij:

    • Podatkovna strategija: Natančno kuriranje podatkov, redne posodobitve, samodejno preverjanje dejstev in filtriranje nekakovostnih virov povečajo zanesljivost.

    • Kontekstualna strategija: Izboljšane metode iskanja, razširjene poizvedbe, ponovno razvrščanje ter napredna uporaba pozivov pomagajo zagotoviti relevanten in popoln kontekst.

    • Strategije AI in sklepanja: Prilagajanje modelov z vodenimi podatkovnimi nabori, vključitev logičnega in zdravorazumskega sklepanja, zunanje preverjanje podatkov ter večstopenjsko sklepanje zmanjšujejo tveganje halucinacij.

  • Čeprav RAG sistemi pomagajo blažiti halucinacije, so potrebni celoviti ukrepi na ravni podatkov, konteksta in AI sklepanja za resnično zanesljive ter kakovostne rezultate uporabniku.