Paano magsulat ng isang mahusay na prompt: 5 bahagi at isang halimbawa ng bago/pagkatapos

Ang iyong modelo ay nagbubuod ng email ng customer sa tatlong talata noong Lunes at sa dalawang bullet point noong Martes. Pareho ang prompt, pareho ang modelo. Iyan ang ginagawa ng isang linyang kahilingan: iniiwan nito ang lahat ng desisyon sa modelo, at iba-iba ang desisyon ng modelo sa bawat pagkakataon.

Ang isang mahusay na prompt ay sumasagot sa limang tanong: ano ang gagawin (task), ano ang gagamitin (context), ano ang dapat na hitsura ng sagot (format), ano ang hitsura ng isang mahusay na sagot (example) at ano ang dapat iwasan (constraints). Sa ibaba, ang isang malabong kahilingan ay nagiging isang maayos na kahilingan, dumadaan sa OpenAI-compatible na CheapTokens API, at makikita mo kung ano ang idinadagdag ng mas mahabang prompt sa bill.

Bakit ang "Summarize this email" ay isang sugal#

Kapag nag-type ka ng "Summarize this email," mayroon ka nang sagot sa isip mo: isang pangungusap, gaano ito kaaprubahan, ano ang susunod na gagawin. Hindi nakikita ng modelo ang larawang iyon. Kaya nanghuhula ito, at bawat hula ay makatwiran. Kapag pinagsama-sama, nagbibigay sila ng ibang sagot sa bawat pagtakbo, at ang isang script na bumabasa ng sagot ay walang matatag na mapaparse.

Ang prompt-engineering guide ng OpenAI (binasa noong 27 Oktubre 2026) ay malinaw na nagsasaad: ang prompt engineering ay pagsusulat ng epektibong mga tagubilin, at mas mahusay ang mga GPT model kapag sinabi mo nang tahasan kung paano gagawin ang isang gawain. Ang ugali ay hindi limitado sa teksto. Noong 26 Oktubre 2026, isang Telegram channel ay nagbahagi ng prompt para sa isang 30-segundong generated na video na hinati sa mga bloke: eksena, visual na istilo, diyalogo, audio at mga pagbubukod, teknikal na detalye. Ibang gawain, parehong galaw. Pinangalanan ng may-akda ang bawat desisyon nang maaga sa halip na ipaubaya ito sa modelo.

Ang limang bahagi, sa simpleng salita#

Isipin mong nagbibigay ka ng briefing sa isang bagong kasamahan sa kanilang unang araw. Ang "Deal with this one" ay nagbibigay sa iyo ng isang hula. Ang isang sticky note na may trabaho, materyal, format na gusto mo, isang sample at isang "huwag" ay nagbibigay sa iyo ng ibig mong sabihin.

Task ay isang pandiwa at isang bagay: "Summarize the email and rate its urgency." Maging literal. Ang "Help with this email" ay hindi isang gawain.

Context ay ang materyal na pinagtatrabahuhan ng modelo: ang email, isang paglalarawan ng produkto, isang patakaran. Alam lamang ng modelo ang natutunan nito sa training at ang ipinaste mo. Balutin ang na-paste na teksto sa mga delimiter, tulad ng XML-style na mga tag tulad ng <email>…</email> o markdown headers, upang hindi maipaghalo ang iyong mga tagubilin sa teksto. Iminumungkahi ng guide ng OpenAI ang pareho.

Format ay ang hitsura ng sagot: "JSON na may mga key na summary, urgency, next_step" o "tatlong bullet, 12 salita bawat isa sa pinakamarami". Pinakamahalaga ito kapag ang code ang bumabasa ng sagot.

Example ay isang input na may output na gusto mo. Inirerekomenda ng guide ang few-shot na mga halimbawa na sumasaklaw sa magkakaibang hanay ng mga input na may nais na mga output. Ang isang halimbawa ay maayos na simula; magdagdag ng pangalawa kapag malaki ang pagkakaiba ng iyong mga input.

Constraints ay ang mga "huwag": gumamit lamang ng mga katotohanan mula sa email, isulat ang "unknown" kapag may nawawala, walang refund o diskwento.

May kaunting kahalagahan din ang pagkakasunod-sunod. Sinasabi ng parehong guide na ang isang developer o system message ay karaniwang sumusunod sa identity, instructions, examples, context, at ang context ay nabibilang malapit sa dulo dahil nagbabago ito sa bawat kahilingan. Ang mga patakaran ay nasa system message; ang input ay nasa user message.

Bago at pagkatapos: isang email ng customer#

Narito ang one-liner sa tabi ng parehong kahilingan na may lahat ng limang bahagi. Ang email mismo ay ang context, at ito ay napupunta sa user message, nakabalot sa <email> na mga tag.

Summarize this email.

You summarize customer emails for a support team.

Task: Summarize the email in the <email> tags and rate how urgent it is.

Format: Reply with JSON only, using the keys "summary" (one sentence), "urgency" ("low", "medium" or "high") and "next_step" (one short sentence).

Example:
<email>Hi, order 1042 was due Monday and it's Thursday. Where is it?</email>
{"summary": "Order 1042 is three days late and the customer asks where it is.", "urgency": "medium", "next_step": "Check the carrier tracking for order 1042 and reply with the status."}

Rules:
- Use only what the email says. If something is missing, write "unknown".
- Don't offer refunds or discounts.
- Output nothing outside the JSON.

Basahin ang "after" mula taas hanggang ibaba at matutukoy mo ang bawat bahagi: ang pambungad na linya at ang gawain, ang linya ng format, ang halimbawa, ang mga patakaran. Ang email ay sadyang wala sa teksto. Nagbabago ito sa bawat kahilingan, kaya hiwalay itong naglalakbay.

Ipadala ito sa pamamagitan ng API#

Hindi nagbabago ang mga tagubilin, kaya nakatira sila sa isang constant at nauuna. Nagbabago ang email, kaya huli ito. Ito ang buong script, gamit ang OpenAI Python SDK na nakaturo sa CheapTokens. Ang modelo ay DeepSeek-V4-Flash: 380K context, hanggang 32,768 output token bawat sagot, isang presyo sa anumang oras. Kunin ang base URL at model id mula sa CheapTokens docs; kung wala ka pang key, ang iyong unang API request ay naglalakad sa proseso.

import json
import os

from openai import OpenAI

client = OpenAI(
    base_url="https://api.cheaptokens.dev/v1",
    api_key=os.environ["CHEAPTOKENS_API_KEY"],
)

SYSTEM_PROMPT = """You summarize customer emails for a support team.

Task: Summarize the email in the <email> tags and rate how urgent it is.

Format: Reply with JSON only, using the keys "summary" (one sentence), "urgency" ("low", "medium" or "high") and "next_step" (one short sentence).

Example:
<email>Hi, order 1042 was due Monday and it's Thursday. Where is it?</email>
{"summary": "Order 1042 is three days late and the customer asks where it is.", "urgency": "medium", "next_step": "Check the carrier tracking for order 1042 and reply with the status."}

Rules:
- Use only what the email says. If something is missing, write "unknown".
- Don't offer refunds or discounts.
- Output nothing outside the JSON.
"""

email = "Hello, I was charged twice for my subscription this month. Please fix it before Friday, my card is almost at its limit."

response = client.chat.completions.create(
    model="deepseek-ai/DeepSeek-V4-Flash-0731",
    messages=[
        {"role": "system", "content": SYSTEM_PROMPT},
        {"role": "user", "content": f"<email>\n{email}\n</email>"},
    ],
)

reply = response.choices[0].message.content
print(json.loads(reply))
print(response.usage.prompt_tokens, response.usage.completion_tokens)

Kung nagawa ng linya ng format ang trabaho nito, ang sagot ay isang JSON object na may summary, urgency at next_step, at ginagawa itong dictionary ng json.loads. Kung magtaas ito ng error, binalot ng modelo ang JSON sa karagdagang teksto: higpitan ang huling patakaran o magdagdag ng pangalawang halimbawa. Ang huling linya ay nagpi-print kung gaano karaming token ang pumasok at lumabas, na siyang numero na pinag-uusapan ng susunod na seksyon.

Magkano ang dagdag na salita#

Ang token ay isang piraso ng salita. Nagbabayad ka bawat token para sa ipinapadala mo (input) at para sa isinusulat ng modelo (output), at ang output ang mas mahal na bahagi. Higit pa riyan sa input vs output tokens.

Sabihin nating nagpapatakbo ka ng support bot na may 1,000 email bawat araw, at ang email ay mga 300 token. Ang one-liner ay nagdadagdag ng humigit-kumulang 10 token na tagubilin, kaya mga 310 ang pumapasok; ipinapalagay namin na nakakakuha ito ng free-form na buod na mga 250 token. Ang system prompt sa itaas ay mga 200 token, kasama ang humigit-kumulang 10 para sa <email> na mga tag, kaya mga 500 ang pumapasok; ipinapalagay namin na ang linya ng format ay nagpapanatili ng sagot sa isang JSON na mga 80 token. Sa DeepSeek-V4-Flash, iyon ay $0.00003 bawat email para sa one-liner at $0.000016 para sa structured prompt. Naging mas mahaba ang prompt, ngunit naging mas mura ang kahilingan, dahil ang mahabang bahagi ay input at ang pinaikling bahagi ay output. Patakbuhin ang script at palitan ang mga pagpapalagay na ito ng iyong sariling prompt_tokens at completion_tokens.

Narito ang structured prompt sa 1,000 email bawat araw sa mga modelo. Sa kabuuan, kasama ang input at output na binibilang nang magkasama, ang CheapTokens ay lumalabas na mas mura kaysa sa reference na presyo ng OpenRouter sa workload na ito; ang kasalukuyang mga presyo ay nasa pricing page.

Suriin ang sarili#

Isang tanong tungkol sa ugali na pinakamalaki ang pakinabang kapag ang isang script ay gumagamit muli ng prompt. Kapag gumana na ang istruktura, ang susunod na mga knob ay ang system message at temperature, na sakop sa System prompt and temperature.