ज़्यादातर लोग AI प्रॉम्प्ट को सर्च क्वेरी की तरह लिखते हैं और औसत आउटपुट पाते रहते हैं। यह लेख बताता है कि कमज़ोर और शक्तिशाली प्रॉम्प्ट में असल फ़र्क़ क्या है। इसमें असली उदाहरण, फ़्रेमवर्क और मॉडल-विशेष सुझाव हैं, ताकि आज आप जिस भी LLM का इस्तेमाल करते हैं, उससे और तेज़, ज़्यादा सटीक नतीजे मिलें।
ज़्यादातर लोग AI प्रॉम्प्ट को सर्च क्वेरी की तरह लिखते हैं, बस कुछ शब्द डालते हैं और उम्मीद करते हैं कि कुछ काम का सामने आ जाए। यह आदत सामान्य, सतही और अक्सर गलत जवाब देती है। दोष मॉडल का नहीं है, निर्देशों का है। एक बार आप समझ लें कि LLM आपके इनपुट को कैसे प्रोसेस करते हैं और अच्छा जवाब देने के लिए उन्हें असल में कौन-सी जानकारी चाहिए, तो हर आउटपुट की गुणवत्ता में साफ़ फ़र्क़ दिखने लगेगा।
Google ने लाखों लोगों को दो-तीन शब्दों में जवाब खोजने की आदत डाल दी। यह इंडेक्स की गई सामग्री से कीवर्ड मिलान के लिए ठीक था, लेकिन LLM बिल्कुल अलग तरह से काम करता है। वह आपके टेक्स्ट का सबसे सांख्यिकीय और संदर्भ के हिसाब से उचित आगे का हिस्सा अनुमानित करने की कोशिश करता है। अगर प्रॉम्प्ट विरल हो, तो मॉडल खाली जगहें अपनी धारणाओं से भर देता है। ये धारणाएँ अक्सर गलत होती हैं।
"मार्केटिंग का सार बताओ" से कुछ सामान्य निकलेगा। "हमारे एजेंसी पार्टनर के इस 500 शब्दों के ईमेल का सार बताओ, उनकी बजट चिंताओं पर ध्यान दो, और मेरे CEO के लिए तीन बुलेट पॉइंट में लिखो" से ऐसा कुछ मिलेगा जिसे आप सचमुच मीटिंग में इस्तेमाल कर सकें।
AI मॉडल को नहीं पता कि आप कौन हैं, आप पहले से क्या जानते हैं, आपको कौन-सा फ़ॉर्मेट चाहिए, या जवाब कितना लंबा होना चाहिए, जब तक आप बताएँ नहीं। अच्छी तरह से संरचित प्रॉम्प्ट मॉडल के अंदाज़ा लगाने से पहले ही ये सवाल हल कर देता है।
💡 मोटा नियम: अगर आप पहले दिन किसी नए कर्मचारी को वह निर्देश देकर अच्छे नतीजे की उम्मीद नहीं करेंगे, तो AI को भी न दें।
हर असरदार प्रॉम्प्ट में चार मूल तत्व होते हैं। एक भी छूटे तो आउटपुट कमज़ोर पड़ जाता है। चारों सही हों तो आपको शायद ही दोबारा लिखना पड़े।
मॉडल को बताएँ कि इस बातचीत में वह कौन है। यह AI से मनोरंजन के लिए अभिनय करवाने की बात नहीं है। इससे शब्दावली, लहजा, गहराई और नज़रिया तय होते हैं।
कमज़ोर: "न्यूरल नेटवर्क समझाओ।" मज़बूत: "आप एक यूनिवर्सिटी-स्तर के AI प्रोफ़ेसर हैं। एक ऐसे छात्र को न्यूरल नेटवर्क समझाओ जिसे Python की अच्छी समझ है, लेकिन उसने कभी स्टैटिस्टिक्स नहीं पढ़ी।"
भूमिका पूरे जवाब का ढाँचा तय करती है।
मॉडल को वह पृष्ठभूमि दें जिसकी उसे ज़रूरत है। स्थिति क्या है? पहले क्या हो चुका है? कौन-सी बाधाएँ हैं? आप जितना प्रासंगिक संदर्भ देंगे, मॉडल को उतना कम अंदाज़ा लगाना पड़ेगा, और अंदाज़े में ही गलतियाँ आती हैं।
कमज़ोर: "एक प्रोडक्ट डिस्क्रिप्शन लिखो।" मज़बूत: "एक $299 के स्टेनलेस स्टील वॉटर बॉटल के लिए 150 शब्दों का प्रोडक्ट डिस्क्रिप्शन लिखो, जो 25-40 वर्ष के आउटडोर एथलीट्स को लक्ष्य करे। टिकाऊपन और 72-घंटे की इंसुलेशन रेटिंग पर ज़ोर दो। 'प्रीमियम' या 'लग्ज़री' जैसे शब्द मत लिखो।"
साफ़-साफ़ बताएँ कि आपको क्या करवाना है। एक्शन वर्ब इस्तेमाल करें। अस्पष्ट अनुरोधों से बचें।
| अस्पष्ट कार्य | साफ़ कार्य |
|---|---|
| "X के बारे में कुछ लिखो" | "X के बारे में 300 शब्दों का परिचय पैराग्राफ़ लिखो जो एक आँकड़े से शुरू हो" |
| "मेरे ईमेल में मदद करो" | "इस ईमेल को ज़्यादा दृढ़ लेकिन आक्रामक नहीं बनाते हुए दोबारा लिखो" |
| "इस कोड को समझाओ" | "इस Python फ़ंक्शन में संभावित बग्स को लाइन-दर-लाइन पहचानो" |
| "इसका सार बताओ" | "गैर-तकनीकी पाठकों के लिए 5 बुलेट में सार दो, हर बुलेट 20 शब्दों से कम का हो" |
मॉडल को बताएँ कि आउटपुट कैसे पेश करना है। क्या यह नंबर वाली सूची हो, टेबल हो, markdown हो, या सादा टेक्स्ट? छोटे पैराग्राफ़ या लंबे? फ़ॉर्मेट तय करने से आपको हर आउटपुट को हाथ से दोबारा फ़ॉर्मेट नहीं करना पड़ता।
💡 प्रो टिप: किसी भी रिसर्च प्रॉम्प्ट में "हेडर, बुलेट पॉइंट और सारांश टेबल के साथ markdown में जवाब दो" जोड़ें, आपको तुरंत कहीं ज़्यादा व्यवस्थित चीज़ मिलेगी।
ये तीन तरीके तय करते हैं कि आप पहले से कितना काम करते हैं और मॉडल से कितना खुद अनुमान लगाने की उम्मीद रखते हैं।
आप मॉडल को बिना किसी उदाहरण के कार्य देते हैं। यह सीधे अनुरोधों के लिए सबसे अच्छा काम करता है, जहाँ कार्य का प्रकार अच्छी तरह समझा जाता है।
कब इस्तेमाल करें: ईमेल का ड्राफ़्ट बनाना, टेक्स्ट का अनुवाद करना, तथ्यात्मक सवालों के जवाब देना, एक वाक्य दोबारा लिखना।
कब असफल होता है: जटिल या विशेष कार्य, जहाँ मॉडल अनुरोध को वैसे न समझे जैसा आप चाहते थे।
असली कार्य देने से पहले आप ठीक-ठीक वह बताने वाले दो-तीन उदाहरण देते हैं जो आपको चाहिए। यह उपलब्ध सबसे असरदार प्रॉम्प्टिंग रणनीतियों में से एक है, क्योंकि यह मॉडल को आपका पैटर्न दिखाती है, उसका वर्णन नहीं करती।
उदाहरण:
Input: "The product broke after one day."
Output: "Category: Defect | Sentiment: Negative | Priority: High"
Input: "Shipping was faster than expected!"
Output: "Category: Delivery | Sentiment: Positive | Priority: Low"
Now classify this:
Input: "The instructions made no sense and assembly took three hours."
अब मॉडल बिना लंबी व्याख्या के आपकी सटीक वर्गीकरण योजना जान जाता है।
आप मॉडल से अंतिम उत्तर देने से पहले कदम-दर-कदम तर्क करने को कहते हैं। इससे गणित, लॉजिक और बहु-चरणीय समस्याओं में सटीकता काफ़ी बढ़ती है।
किसी रीज़निंग प्रॉम्प्ट में सिर्फ़ "उत्तर देने से पहले इसे कदम-दर-कदम सोचो" जोड़ने से सटीकता में काफ़ी सुधार हो सकता है। Deepseek R1 और o4-mini जैसे मॉडल खास तौर पर एक्सटेंडेड रीज़निंग चेन के साथ बने हैं और जटिल, बहु-चरणीय समस्याओं में बेहतरीन काम करते हैं।
PicassoIA आपको एक ही जगह पर 65 से ज़्यादा लार्ज लैंग्वेज मॉडल का सीधा एक्सेस देता है। यहाँ बताया गया है कि ऊपर दी गई प्रॉम्प्टिंग रणनीतियों को प्लेटफ़ॉर्म पर कैसे लागू करें।
मॉडल मायने रखता है। क्रिएटिव राइटिंग और बारीक रीज़निंग के लिए, Claude Opus 4.7 और GPT 5 लगातार पॉलिश्ड, संदर्भ को समझने वाले जवाब देते हैं। तेज़ इटरेशन और कोड के लिए, Claude 4 Sonnet एक मज़बूत विकल्प है। लंबे दस्तावेज़ों और मल्टीमोडल कार्यों के लिए, Gemini 3 Pro बड़े संदर्भ को सटीकता से संभालता है।
| मॉडल | सबसे अच्छा किसके लिए |
|---|---|
| GPT 5 | लेखन, रीज़निंग, व्यापक कार्य |
| Claude Opus 4.7 | लंबी सामग्री, बारीक कार्य |
| Deepseek R1 | चरण-दर-चरण रीज़निंग, गणित |
| Gemini 3 Pro | मल्टीमोडल इनपुट, बड़े दस्तावेज़ |
| Grok 4 | जटिल समस्या समाधान |
| Kimi K2 Instruct | कोडिंग और एजेंटिक वर्कफ़्लो |
कुछ भी भेजने से पहले Role-Context-Task-Format फ़्रेमवर्क लागू करें। जाँचें कि आपका प्रॉम्प्ट इन सवालों का जवाब देता है: AI कौन है, स्थिति क्या है, उसे ठीक-ठीक क्या करना है, और आउटपुट कैसे फ़ॉर्मेट होना चाहिए। प्रॉम्प्ट की संरचना में बस 60 सेकंड लगाने से कई दौर के फ़ॉलो-अप बच जाते हैं।
अगर मॉडल इंटरफ़ेस में सिस्टम प्रॉम्प्ट या निर्देश बॉक्स है, तो उसका इस्तेमाल करें। अपनी भूमिका और कोई स्थायी बाधाएँ वहाँ रखें। मुख्य चैट को विशिष्ट Task और Context के लिए रखें। इससे आपके प्रॉम्प्ट साफ़ रहते हैं और एक सत्र में दोबारा इस्तेमाल हो सकते हैं।
जब कोई जवाब लगभग सही हो पर पूरी तरह नहीं, तो सब कुछ मिटाकर शुरू न करें। इसके बजाय एक केंद्रित फ़ॉलो-अप भेजें: "लहजा ज़्यादा सीधा करो", "इसे आधी लंबाई में काटो", "दूसरे पैराग्राफ़ में एक ठोस उदाहरण जोड़ो"। जो जवाब अच्छा है पर परफ़ेक्ट नहीं, उसे सुधारना लगभग हमेशा शून्य से दोबारा प्रॉम्प्ट करने से तेज़ होता है।
जब आपको कोई प्रॉम्प्ट संरचना मिले जो लगातार नतीजे दे, तो उसे सहेजें। प्रॉम्प्ट टेम्पलेट की एक निजी लाइब्रेरी बनाएँ। "आप [X] वर्षों के अनुभव वाले [भूमिका] हैं। [संदर्भ] को देखते हुए, [कार्य] करो। आउटपुट को [फ़ॉर्मेट] में दो।" हर नए उपयोग के लिए वेरिएबल भरें।
वही मूल फ़्रेमवर्क हर आउटपुट प्रकार पर लागू होता है, लेकिन हर एक की अपनी बारीकियाँ हैं जिन्हें जानना उपयोगी है।
कंटेंट राइटिंग के लिए बताएँ: लहजा (बातचीत वाला, आधिकारिक, चंचल), लक्षित पाठक, शब्द संख्या, और कौन-से विषय टालने हैं। साथ ही मॉडल को बताएँ कि क्या नहीं करना है। "शब्द 'delve' का इस्तेमाल मत करो। सवाल से शुरुआत मत करो। 'निष्कर्ष' नाम का सेक्शन मत जोड़ो।" नेगेटिव बाधाएँ उतनी ही उपयोगी हैं जितनी पॉज़िटिव।
मज़बूत राइटिंग प्रॉम्प्ट टेम्पलेट:
"आप [पाठक वर्ग] को लक्ष्य करने वाले [उद्योग] ब्रांड के लिए काम करने वाले प्रोफ़ेशनल कॉपीराइटर हैं। [विषय] पर [शब्द संख्या] का [सामग्री प्रकार] लिखो। लहजा: [लहजा]। इसमें शामिल करो: [विशेष तत्व]। इसमें शामिल मत करो: [अपवर्जन]। फ़ॉर्मेट: [फ़ॉर्मेट]।"
कोडिंग कार्यों के लिए हमेशा शामिल करें: प्रोग्रामिंग भाषा और वर्ज़न, कोड को क्या करना है, इनपुट और आउटपुट कैसे दिखते हैं, और कोई मौजूदा कोड जिसे नए आउटपुट के साथ जुड़ना है। मॉडल से कहें कि गैर-स्पष्ट लॉजिक समझाने वाली इनलाइन टिप्पणियाँ जोड़े।
जब शुरू में सही संदर्भ दिया जाए, तो Claude 4 Sonnet और Kimi K2 Instruct कोड जनरेशन में खास तौर पर मज़बूत हैं।
रिसर्च-शैली के कार्यों के लिए मॉडल से लिखने से पहले उसकी संरचना बताने को कहें। "पहले वे मुख्य बिंदु बताओ जिन्हें तुम कवर करोगे। फिर पूरा जवाब लिखो।" इससे मॉडल किसी दिशा पर टिकने से पहले आप उसे मोड़ सकते हैं।
इसे चेन-ऑफ़-थॉट के साथ जोड़ें: "हर चरण पर अपना तर्क समझाओ।" Grok 4 और GPT 5.4 जैसे मॉडल इस तरह के संरचित रीज़निंग अनुरोध पर सबसे अच्छा प्रदर्शन करते हैं।
एक शब्द लिखने से पहले पूछें: सफल जवाब कैसा दिखेगा? अगर आप उसका वर्णन नहीं कर सकते, तो मॉडल उसे नहीं बना सकता। पहले वह वर्णन लिखें, फिर प्रॉम्प्ट।
छह अलग चीज़ें माँगने वाले बहु-भाग प्रॉम्प्ट टुकड़ों में बँटे जवाब देते हैं। जटिल कार्यों को क्रमिक चरणों में तोड़ें। पहले ड्राफ़्ट लें, फिर संशोधन माँगें, फिर फ़ॉर्मेटिंग। हर चरण साफ़ तौर पर बेहतर होगा।
हर मॉडल की एक कॉन्टेक्स्ट विंडो होती है, यानी एक बार में प्रोसेस किए जा सकने वाले टेक्स्ट की अधिकतम मात्रा। बहुत सारा अप्रासंगिक टेक्स्ट डालेंगे तो मॉडल का ध्यान भटक जाएगा और वह ज़रूरी बातें खो देगा। चुनिंदा रहें। सिर्फ़ वही डालें जो मौजूदा कार्य से सीधे जुड़ा हो।
पहला आउटपुट एक ड्राफ़्ट है, उसे वैसे ही लें। बातचीत वाले AI की असली ताकत तेज़ी से सुधार करने की क्षमता में है। "इसे और संक्षिप्त करो", "दूसरा पैराग्राफ़ दोबारा लिखो", "एक प्रति-तर्क जोड़ो" जैसे फ़ॉलो-अप सभी मान्य और उपयोगी हैं, और इनकी लागत लगभग कुछ नहीं है।
अगर GPT 5, Gemini 3 Pro या Claude Opus 4.7 से लगातार तीन बार खराब जवाब मिले, तो समस्या लगभग निश्चित रूप से प्रॉम्प्ट में है, मॉडल में नहीं। अपने निर्देश ऐसे दोबारा पढ़ें जैसे वे किसी अजनबी से मिले हों। क्या वे सचमुच साफ़ हैं?
कुछ प्रॉम्प्ट पैटर्न बार-बार सामने आते हैं, क्योंकि वे मॉडलों और कार्यों में भरोसेमंद ढंग से काम करते हैं।
"[विशेष भूमिका] की तरह काम करो और [कार्य] करो।" एक ही वाक्य में भूमिका और विशेषज्ञता तय करने का यह सबसे तेज़ तरीका है। "एक संदेहशील संपादक की तरह काम करो और इस निबंध की हर कमज़ोर दलील खोजो।"
"यह [सामग्री] है। पहले इसकी तीन सबसे बड़ी कमज़ोरियाँ पहचानो। फिर उन कमज़ोरियों को ठीक करके दोबारा लिखो।" यह सिर्फ़ सुधार माँगने की तुलना में कहीं बेहतर दोबारा लेखन देता है।
कोई विशिष्ट सवाल पूछने से पहले मॉडल से लागू होने वाले सामान्य सिद्धांत बताने को कहें। "प्रभावी मोल-भाव के सामान्य सिद्धांत क्या हैं? अब इन सिद्धांतों को देखते हुए, मुझे इस विशेष स्थिति से कैसे निपटना चाहिए..."
यह पैटर्न Deepseek R1 और o4-mini जैसे रीज़निंग-केंद्रित मॉडलों के साथ खास तौर पर अच्छा काम करता है।
मॉडल से कई दृष्टिकोणों से जवाब बनवाएँ। "इस मार्केटिंग रणनीति पर मुझे तीन अलग राय दो: एक संदेहशील CFO की, एक उत्साही ब्रांड मैनेजर की, और एक ऐसे ग्राहक की जिसने इस कंपनी के बारे में कभी नहीं सुना।"
नियमित AI उपयोगकर्ताओं में सबसे कम आँकी जाने वाली आदत यह है कि जो प्रॉम्प्ट काम करें उन्हें सहेजा जाए। जब भी आप ऐसा प्रॉम्प्ट लिखें जो सचमुच उपयोगी नतीजा दे, उसे छोटे लेबल के साथ एक दस्तावेज़ में सहेज लें।
आउटपुट प्रकार के अनुसार वर्गीकृत करें:
समय के साथ यह लाइब्रेरी आपकी सबसे कीमती कार्य-संपत्ति में से एक बन जाती है। आप हर सत्र शून्य से शुरू करना बंद कर देते हैं और एक परखी हुई नींव से शुरुआत करते हैं।
💡 प्रो मूव: अपने सबसे अच्छे प्रॉम्प्ट को प्लेसहोल्डर वेरिएबल वाले टेम्पलेट में बदलें। "[भूमिका] जिसे [वर्ष] वर्षों का अनुभव है। [संदर्भ] को देखते हुए, कृपया [फ़ॉर्मेट] में [कार्य] करें।" फिर हर नए अनुरोध के लिए उन्हें भरें। दोबारा इस्तेमाल से ही असली समय बचत जुड़ती है।
यह व्यापक धारणा है कि प्रॉम्प्ट को खुला छोड़ने से मॉडल ज़्यादा रचनात्मक होता है। शुद्ध ब्रेनस्टॉर्मिंग में यह कभी-कभी सही होता है। उत्पादक काम में यह लगभग कभी सही नहीं होता।
स्पेसिफ़िकता AI की रचनात्मकता को सीमित नहीं करती, उसे केंद्रित करती है। एक बहुत विशिष्ट प्रॉम्प्ट भी मॉडल को उसकी पूरी भाषा-क्षमता इस्तेमाल करने देता है, बस उस क्षमता को उस चीज़ की ओर मोड़ता है जिसकी आपको सचमुच ज़रूरत है।
तुलना करें:
खुला: "हमारे नए फ़ीचर के बारे में एक मार्केटिंग ईमेल लिखो।"
विशिष्ट: "हमारे नए फ़ाइल-सिंक फ़ीचर के लिए 200 शब्दों का मार्केटिंग ईमेल लिखो। पाठक: छोटे व्यवसाय के मालिक। लहजा: आत्मविश्वासी और दोस्ताना, सेल्सी नहीं। CTA: 'अपना फ़्री ट्रायल शुरू करें'। तकनीकी शब्दजाल से बचो। सब्जेक्ट लाइन के तीन विकल्प दो।"
दूसरा प्रॉम्प्ट विशिष्ट होने के कारण खराब नतीजा नहीं देता। वह कहीं बेहतर नतीजा देता है।
| प्रॉम्प्ट प्रकार | आउटपुट गुणवत्ता | ज़रूरी संशोधन दौर |
|---|---|---|
| अस्पष्ट, एक पंक्ति | कम | 4-6 |
| केवल भूमिका + कार्य | मध्यम | 2-3 |
| भूमिका + संदर्भ + कार्य + फ़ॉर्मेट | उच्च | 0-1 |
अच्छी प्रॉम्प्टिंग एक-बार की कला नहीं है। यह दोहराव से चलती है। सबसे अच्छे अभ्यासी अपने पहले प्रॉम्प्ट को अंतिम निर्देश नहीं, एक परिकल्पना मानते हैं। वे उसे भेजते हैं, जवाब की तुलना उस चीज़ से करते हैं जिसकी उन्हें सचमुच ज़रूरत थी, कमी पहचानते हैं और एक केंद्रित फ़ॉलो-अप लिखते हैं।
एक ही कार्य पर तीन से चार दौर का केंद्रित सुधार आमतौर पर एक बहुत लंबे, जटिल शुरुआती प्रॉम्प्ट से बेहतर नतीजे देता है। इन इंटरफ़ेसों का बातचीत वाला स्वभाव एक फ़ायदा है।
Llama 4 Maverick लंबी दोहराव वाली बातचीत को संभालता है और पिछले संदर्भ को मज़बूती से याद रखता है, इसलिए जब हर जवाब पिछले पर आधारित हो, ऐसे बहु-चरणीय प्रोजेक्ट पर काम करते समय यह एक ठोस विकल्प है।
इस लेख के फ़्रेमवर्क, यानी Role-Context-Task-Format, ज़ीरो-शॉट बनाम फ़्यू-शॉट, चेन-ऑफ़-थॉट, और क्रिटीक-एंड-इम्प्रूव पैटर्न, सीधे आपके अगले सत्र में काम आएँगे। AI के साथ नियमित रूप से किया जाने वाला एक कार्य चुनें, चार-तत्व वाली संरचना लागू करें, और नतीजे की तुलना उससे करें जो आपको आम तौर पर मिलता है।
फिर इसे इमेज जनरेशन के साथ आज़माएँ। जो सिद्धांत LLM प्रॉम्प्ट को धार देते हैं, वही इमेज प्रॉम्प्ट को भी धार देते हैं। सब्जेक्ट, रोशनी, कोण, मूड और कैमरा सेटिंग्स का वर्णन करें। विशिष्ट निर्देश विशिष्ट नतीजे देते हैं।
PicassoIA GPT 5, Claude Opus 4.7, Gemini 3 Pro, Grok 4 और दर्जनों दूसरे मॉडल एक ही जगह पर देता है। अभी कोई एक खोलें और अपना पहला अच्छी संरचना वाला प्रॉम्प्ट आज़माएँ। आउटपुट की गुणवत्ता में फ़र्क़ तुरंत दिखेगा।
अपनी भाषा चुनें
