आप इस पूरे लेख की प्रतिलिपि बनाकर बेच सकते हैं।
पहले, मैं सबसे महत्वपूर्ण बात कह दूं।
आप इस लेख की सामग्री ले सकते हैं, इसे पूरी तरह कॉपी कर सकते हैं, और इसे अपनी खुद की सामग्री के रूप में बेच सकते हैं।
चाहे आप इसे Note पर दोबारा पोस्ट करें, Brain पर बेचें, कोर्स टेक्स्ट में शामिल करें, या SNS पोस्ट में तोड़ें, सब ठीक है। किसी अनुमति या संपर्क की आवश्यकता नहीं है। भले ही आप इसे ऐसे पेश करें जैसे कि आप खुद इसके साथ आए हों, मैं बिल्कुल शिकायत नहीं करूंगा। इसमें लगभग 40 तकनीकें शामिल हैं, इसलिए प्रति पोस्ट सिर्फ एक तकनीक निकालकर, आप 40 सामग्री के टुकड़े बना सकते हैं।
इतनी दूर क्यों जा रहे हैं? कारण सरल है: अगर मैं ऐसा नहीं करता, तो जापानी लोगों को इस जानकारी के मूल्य का एहसास नहीं होगा।
सच कहूं तो, वैश्विक AI पावर उपयोगकर्ताओं के बीच, जापानी प्रॉम्प्ट को खुले तौर पर "पाषाण युग स्तर" कहा जाता है। जब मैंने पहली बार यह सुना, तो मैंने सोचा, "यह आदमी क्या बात कर रहा है?" लेकिन जिस पल मैंने वास्तव में उनके द्वारा रोजाना उपयोग किए जाने वाले प्रॉम्प्ट देखे, मैं अवाक रह गया। यह पूरी तरह से हार थी।
क्या अंतर था? 99% जापानी लोग प्रॉम्प्ट को "निर्देश" के रूप में लिखते हैं। "एक ब्लॉग पोस्ट लिखें," "इस टेक्स्ट को सारांशित करें," "मुझे 5 विचार दें।" ये सब सिर्फ आदेश हैं। दूसरी ओर, वैश्विक पेशेवर पहली पंक्ति से ही AI को "विचार प्रक्रिया" और "लक्ष्य" देते हैं। यह एक आदेश और एक खाका के बीच का अंतर है।
और यहाँ एक और कठोर वास्तविकता है। जब आप "एक अच्छा प्रॉम्प्ट" ढूंढ रहे हैं, वैश्विक खिलाड़ी अकादमिक पेपरों के माध्यम से प्रॉम्प्ट पर शोध कर रहे हैं, उन्हें कोड की तरह प्रबंधित कर रहे हैं, और एल्गोरिदम के साथ स्वचालित रूप से अनुकूलित कर रहे हैं। हस्तनिर्मित शिल्प कौशल बनाम स्वचालित अनुकूलन। लड़ाई पहले ही खत्म हो चुकी है। यह क्रूर है, लेकिन 2026 में हम यहीं हैं।
लेकिन चिंता न करें। इस अंतर को पाटने के लिए आपको प्रतिभा या अंग्रेजी कौशल की आवश्यकता नहीं है। आपको बस "पैटर्न" जानने की जरूरत है। बस इतना ही।
इस लेख में, मैंने Threads पर पेश की गई सभी प्रॉम्प्ट तकनीकों और जानकारी को शामिल किया है। शोध पत्रों से प्राप्त प्रामाणिक पैटर्न से लेकर AI की आंतरिक संरचना का दोहन करने वाली तरकीबें, MCP एक्सटेंशन, और Claude Code और Codex के साथ ऑटोमेशन—लगभग 40 आइटम अध्यायों के अनुसार व्यवस्थित। सभी "कॉपी-पेस्ट ओके" प्रॉम्प्ट के साथ आते हैं। आप पढ़ते समय उन्हें आज़मा सकते हैं।
जब तक आप पढ़ना समाप्त करेंगे, तब तक आप दो समूहों में से एक में आ जाएंगे: वे जो इन 40 उपकरणों को लेते हैं और उन्हें हथियारों में बदल देते हैं, या वे जो हाथ से प्रॉम्प्ट लिखते हुए कराहते रहते हैं। आप किस तरफ खड़े हैं, यह इस बात पर निर्भर करता है कि आप इसे अंत तक पढ़ते हैं या नहीं।
मैं दोहराता हूं: इसे कॉपी करना और बेचना ठीक है। तो, बिना किसी हिचकिचाहट के इसे घर ले जाएं। चलिए शुरू करते हैं।
अध्याय 1: विचार प्रक्रिया को पास करना — स्व-सत्यापन, स्व-स्कोरिंग, और शाखाबद्ध विचार
पहला अध्याय "AI को सोचने का तरीका ही पास करने" के पैटर्न के बारे में है। जापानी प्रॉम्प्ट अक्सर "एक भूमिका सौंपने और विनम्रता से लिखने" पर रुक जाते हैं, लेकिन वैश्विक पेशेवर "कैसे सोचना है" पास करते हैं। यहां पेश किए गए पांचों शोध पत्रों के प्रामाणिक पैटर्न हैं।
- सत्यापन-श्रृंखला (CoVe) — AI को अपने ही उत्तरों से पूछताछ करवाना
यह मतिभ्रम (तथ्यात्मक त्रुटियों) को कुचलने का एक पैटर्न है। सामान्य प्रॉम्प्ट AI को एक बार में जवाब देने देते हैं, लेकिन CoVe "AI को अपने उत्तर को सत्यापित करने" के विचार पर बनाया गया है। आप इसे एक ड्राफ्ट तैयार करवाते हैं, उस उत्तर में जोखिमों को सत्यापन प्रश्नों में बदलते हैं, साक्ष्य के आधार पर प्रत्येक प्रश्न का उत्तर देते हैं, और अंत में विरोधाभासों को ठीक करके एक अंतिम संस्करण प्रस्तुत करते हैं। यह पूरी प्रक्रिया एक ही प्रॉम्प्ट में पूरी होती है।
जब अनुसंधान या लेख कार्यों के लिए उपयोग किया जाता है, तो आउटपुट पूरी तरह से अलग हो जाता है। तथ्यात्मक त्रुटियां स्पष्ट रूप से कम हो जाती हैं, जो उच्च विश्वसनीयता की आवश्यकता वाले काम के लिए प्रभावी है।
कॉपी-पेस्ट के लिए प्रॉम्प्ट
निम्नलिखित विषय के लिए, कृपया एक ही प्रतिक्रिया में निम्नलिखित चरणों को पूरा करें: (1) पहले, एक मसौदा उत्तर प्रदान करें। (2) उस उत्तर में तथ्यात्मक त्रुटियों के जोखिमों को 5 सत्यापन प्रश्नों में बदलें। (3) साक्ष्य के आधार पर प्रत्येक प्रश्न का उत्तर दें। (4) विरोधाभासों को ठीक करके एक अंतिम संस्करण प्रस्तुत करें। विषय: [ ]
- स्व-परिष्करण — निर्माता, आलोचक और संशोधक की भूमिकाएं निभाना
यह पैटर्न AI को एक ही प्रॉम्प्ट के भीतर क्रम में तीन भूमिकाएं निभाने के लिए बनाता है। पहले, इसे निर्माता के रूप में पहला ड्राफ्ट लिखने दें। इसके बाद, इसे एक कठोर संपादक के रूप में अपने काम को स्वयं स्कोर करने दें। अंत में, इसे उस स्कोर के आधार पर संशोधक के रूप में एक अंतिम संस्करण लिखने दें।
कुंजी ठोस मूल्यांकन मानदंड निर्दिष्ट करना है। "प्रेरकता, विशिष्टता, तर्क, पठनीयता और चूक" जैसे पांच मानदंड निर्दिष्ट करके, स्कोरिंग उदार नहीं होगी, और संशोधन की सटीकता में सुधार होगा। आप सिर्फ एक प्रॉम्प्ट के साथ गुणवत्ता में एक स्तर की छलांग महसूस कर सकते हैं।
कॉपी-पेस्ट के लिए प्रॉम्प्ट
निम्नलिखित विषय के लिए, कृपया एक ही प्रतिक्रिया में सभी तीन चरणों का प्रदर्शन करें: (1) पहला ड्राफ्ट लिखें। (2) एक कठोर संपादक के रूप में, इसे 5 मानदंडों पर स्कोर करें: प्रेरकता, विशिष्टता, तर्क, पठनीयता और चूक। (3) स्कोरिंग के आधार पर एक संशोधित संस्करण लिखें। विषय: [ ]
- विचारों का वृक्ष (ToT) — उत्तरों की शाखाएं बनाना
एक सीधी रेखा में उत्तर देने के बजाय, यह पैटर्न कई दृष्टिकोणों को "शाखाओं" के रूप में विकसित करता है और AI को सबसे अच्छा चुनने देता है। इसे मानवीय प्रक्रिया के रूप में सोचें "योजना A, B, और C है..." और इसे सीधे एक प्रॉम्प्ट में डाल दें।
यह विचार-मंथन और रणनीतिक योजना के आयाम को बदल देता है। क्योंकि यह एक दिशा के लिए प्रतिबद्ध नहीं होता है, अप्रत्याशित कोण उभर कर आते हैं।
कॉपी-पेस्ट के लिए प्रॉम्प्ट
निम्नलिखित विषय के लिए, कृपया इन चरणों का उपयोग करके उत्तर दें: (1) 3 अलग-अलग दृष्टिकोणों को शाखाओं के रूप में विकसित करें। (2) प्रत्येक शाखा की ताकत और कमजोरियों का मूल्यांकन करें। (3) सबसे आशाजनक शाखा का चयन करें और केवल उस शाखा में गहराई से उतरते हुए एक अंतिम उत्तर प्रदान करें। विषय: [ ]
- विचार का कंकाल (SoT) — पहले ढांचा, फिर विस्तार
यह एक सोचने की विधि है जहां आप पहले शीर्षक स्तर पर "कंकाल" सूचीबद्ध करते हैं और फिर प्रत्येक भाग का विस्तार करते हैं। लंबे टेक्स्ट लिखते समय, यदि आप शुरुआत से लिखते हैं, तो बाद का आधा हिस्सा अक्सर अपनी ऊर्जा खो देता है या संरचना ढह जाती है। यदि आप पहले कंकाल को मजबूत करते हैं, तो वह पतन होने की संभावना कम होती है।
यह लंबे लेख निर्माण या प्रस्ताव लेखन के लिए परिवर्तनकारी है। चूंकि कंकाल का "ब्लूप्रिंट" पहले मौजूद है, आप विस्तार प्रक्रिया के दौरान खोएंगे नहीं।
कॉपी-पेस्ट के लिए प्रॉम्प्ट
निम्नलिखित विषय के लिए, कृपया इन चरणों का पालन करें: (1) 5 लेख शीर्षक कंकालों को समानांतर में सूचीबद्ध करें। (2) प्रत्येक शीर्षक को एक स्वतंत्र अलग कार्य के रूप में विस्तृत करें। (3) अंत में, सब कुछ एक सुसंगत टुकड़े में एकीकृत करें। विषय: [ ]
- मेटा-प्रॉम्प्टिंग — AI को स्वयं प्रॉम्प्ट विकसित करने देना
यह थोड़ा उन्नत है। प्रॉम्प्ट की सामग्री में सुधार करने के बजाय, आप AI से "इस प्रॉम्प्ट को स्वयं विकसित करने" के लिए कहते हैं। आप इसे कई बेहतर संस्करण बनाने, प्रत्येक के लिए आशय और "यह क्यों काम करता है" लिखने, और अंत में सबसे मजबूत एक चुनने देते हैं।
बस इसे महीने में एक बार उन मुख्य प्रॉम्प्ट पर लागू करके जो आप अक्सर उपयोग करते हैं, आपकी प्रॉम्प्ट संपत्तियां अपने आप बढ़ती रहेंगी। इसे एक ऐसी प्रणाली के रूप में सोचें जो आपके संग्रहीत प्रॉम्प्ट को अप्रचलित होने से बचाती है।
कॉपी-पेस्ट के लिए प्रॉम्प्ट
कृपया निम्नलिखित प्रॉम्प्ट के काफी बढ़ी हुई शक्ति वाले 5 बेहतर संस्करण बनाएं। प्रत्येक संस्करण के लिए, "आशय" और कारण लिखें "यह क्यों काम करता है।" अंत में, एकल सबसे मजबूत संस्करण चुनें और चयन का कारण बताएं। लक्ष्य प्रॉम्प्ट: [ ]
इन पांचों में जो समानता है, वह यह है कि वे "निर्देश" के बजाय "सोचने की प्रक्रियाएं" पास करते हैं। स्व-सत्यापन, स्व-स्कोरिंग, शाखाकरण, कंकाल समानांतरीकरण, और स्व-विकास। क्या आप इन्हें एक ही पंक्ति में समाहित कर सकते हैं, यह निर्धारित करता है कि AI सिर्फ एक सुविधाजनक उपकरण है या एक "स्वायत्त शोधकर्ता।"
अध्याय 2: बैकवर्ड्स डिज़ाइन — आउटकम-फर्स्ट डिज़ाइन
यदि अध्याय 1 "इसे कैसे सोचना है" के बारे में था, तो अध्याय 2 पहले यह तय करने की मानसिकता के बारे में है कि "जीत क्या मानी जाती है।" जापानी लोग अपने दिमाग का उपयोग "क्या फेंकना है" पर करते हैं, जबकि वैश्विक पेशेवर "लक्ष्य" से लिखते हैं। यहां आधिकारिक दस्तावेज़ीकरण से पांच बैकवर्ड्स-डिज़ाइन प्रॉम्प्ट हैं।
- आउटपुट-फर्स्ट स्पेसिफिकेशन — पहले अंतिम टेम्पलेट तय करना
ज्यादातर लोग कहते हैं "एक ब्लॉग पोस्ट लिखें।" लेकिन यह आउटपुट को असंगत बनाता है। बैकवर्ड्स डिज़ाइन में, आप पहले अंतिम आउटपुट टेम्पलेट बनाते हैं और AI को रिक्त स्थान भरने देते हैं। आप पहले फ्रेम तय करते हैं: शीर्षक में कितने अक्षर, परिचय में क्या शामिल करना है, मुख्य भाग में कितने शीर्षक... और इसी तरह।
आउटपुट भिन्नता तेजी से गिरती है, और गुणवत्ता स्थिर हो जाती है। यह स्थिरता विशेष रूप से प्रभावी है जब एक ही विषय पर कई टुकड़े लिख रहे हों।
कॉपी-पेस्ट के लिए प्रॉम्प्ट
कृपया निम्नलिखित टेम्पलेट को पूरी तरह से भरें। शीर्षक: [40 अक्षरों के भीतर, संख्याएं शामिल करें] / परिचय: [3 पाठक दर्द बिंदु, प्रत्येक 1 वाक्य] / मुख्य भाग: [3 H2 शीर्षक + प्रत्येक 300 अक्षर] / निष्कर्ष: [1 कार्रवाई प्रस्ताव] / CTA: [15 अक्षरों के भीतर]। विषय: [ ]
- प्रीफिलिंग — AI प्रतिक्रिया की शुरुआत निर्दिष्ट करना
यह एक पैटर्न है जहां आप AI प्रतिक्रिया का "प्रारंभिक वाक्य" निर्दिष्ट करते हैं। Claude को उसी निरंतरता से लिखने के लिए मजबूर किया जाता है, जिससे आउटपुट की दिशा लॉक हो जाती है। परिचयात्मक अभिवादन और अनावश्यक भराव गायब हो जाते हैं, और प्रारूप पटरी से उतरना लगभग समाप्त हो जाता है।
यह सूक्ष्म लेकिन प्रभावी है। यह ऐसी प्रतिक्रियाओं को रोकता है जो आपको यह कहने पर मजबूर करती हैं, "तो, निष्कर्ष क्या है?"
कॉपी-पेस्ट के लिए प्रॉम्प्ट
आपकी प्रतिक्रिया निम्नलिखित वाक्य से शुरू होनी चाहिए: "नीचे, मैं आवश्यकताओं के आधार पर एक संरचित प्रतिक्रिया प्रदान करूंगा। पहले, सबसे महत्वपूर्ण बिंदु यह है..."
- नकारात्मक बाधाएं — एक ठोस "न करें" सूची सूचीबद्ध करना
यदि आप "ऐसा मत करो" अस्पष्ट रूप से लिखते हैं, तो AI इसका पालन नहीं करेगा। "इसे प्राकृतिक बनाएं" जैसे अस्पष्ट निषेधों को लागू करना कठिन है। लेकिन यदि आप उन्हें ठोस रूप से सूचीबद्ध करते हैं, तो यह पालन करता है। सम्मानसूचक शब्दों को प्रतिबंधित करें, प्रारंभिक अभिवादन को प्रतिबंधित करें, विशिष्ट वाक्यांशों को प्रतिबंधित करें... उन्हें बुलेट पॉइंट में सूचीबद्ध करें।
सामान्य AI जैसे पैटर्न काफी हद तक गायब हो जाते हैं। यह एक मुख्य तकनीक है जब आप टेक्स्ट से "स्पष्ट रूप से जनरेटेड" एहसास को हटाना चाहते हैं।
कॉपी-पेस्ट के लिए प्रॉम्प्ट
कृपया निम्नलिखित बनाएं। हालांकि, इन निषेधों का सख्ती से पालन करें: (1) कोई सम्मानसूचक शब्द नहीं। (2) 3-अक्षर वाले यौगिक शब्दों का बार-बार उपयोग नहीं। (3) जैसे भाव "के संबंध में..." या "यह महत्वपूर्ण है..." नहीं। (4) कोई प्रारंभिक अभिवादन नहीं। (5) कोई सरल बुलेटेड सूची नहीं। यदि उल्लंघन होता है, तो सब कुछ फिर से लिखें। लक्ष्य: [ ]
- XML संरचित टैगिंग — टैग के साथ जानकारी को अलग करना
टैग के साथ जानकारी को अलग करने से AI की पढ़ने की सटीकता में सुधार होता है। लक्ष्य, पृष्ठभूमि, बाधाएं, संदर्भ उदाहरण, आउटपुट प्रारूप। इन्हें टेक्स्ट के ढेर के रूप में फेंकने के बजाय, टैग के साथ विभाजित करें। पेशेवर टेक्स्ट नहीं फेंकते; वे ब्लूप्रिंट फेंकते हैं।
कॉपी-पेस्ट के लिए प्रॉम्प्ट
मैं प्रॉम्प्ट को निम्नानुसार संरचित करूंगा। कृपया प्रत्येक टैग के भीतर सामग्री के अनुसार उत्तर दें। <goal>प्राप्त करने का लक्ष्य</goal> <context>पृष्ठभूमि की जानकारी</context> <constraints>निषेध</constraints> <examples>संदर्भ उदाहरण</examples> <output_format>आउटपुट प्रारूप फ्रेम</output_format>
- व्यक्तित्व स्टैक — 3 स्तरों में भूमिकाओं को स्तरित करना
ज्यादातर लोग "आप एक कॉपीराइटर हैं" पर रुक जाते हैं। पेशेवर भूमिकाओं को सिर्फ एक नहीं, बल्कि तीन स्तरों में स्तरित करते हैं। एक लेखक की भूमिका, एक संपादक की भूमिका, और लक्ष्य पाठक की भूमिका। एक ही AI को ये तीनों व्यक्तित्व एक साथ देकर, आप एक ही बार में लिखने → संपादित करने → पाठक के दृष्टिकोण से पुनः सुधारने का चक्र चलाते हैं।
क्योंकि कई दृष्टिकोण एक साथ चलते हैं, प्रेरकता बढ़ जाती है। हालांकि, इस "व्यक्तित्व" दृष्टिकोण में कुछ सावधानियां हैं, जिन्हें हम अध्याय 10 में कवर करेंगे।
कॉपी-पेस्ट के लिए प्रॉम्प्ट
कृपया एक साथ निम्नलिखित 3 व्यक्तित्वों को मानें: (1) शीर्ष कॉपीराइटर (लेखक)। (2) कठोर प्रधान संपादक (संपादक)। (3) लक्ष्य पाठक, एक 30 वर्षीय कार्यालय कर्मचारी (प्राप्तकर्ता)। एक ही प्रतिक्रिया में पाठक के दृष्टिकोण से लिखना → संपादित करना → पुनः सुधारना निष्पादित करें। विषय: [ ]
बैकवर्ड्स डिज़ाइन का सार सरल है। यदि पहली पंक्ति में "लक्ष्य," "निषेध," और "प्रारूप फ्रेम" नहीं हैं, तो AI पहले ही खो चुका है। यह प्रवेश द्वार से लिखने या निकास से लिखने का अंतर है।
अध्याय 3: AI को एक "सेना" के रूप में चलाना — मल्टी-एजेंट ऑपरेशन
यहां से, मानसिकता बदल जाती है। एक AI को थकाने के बजाय, आप AI को कई भूमिकाएं सौंपते हैं और उन्हें एक "सेना" के रूप में संचालित करते हैं। सिर्फ एक के साथ लड़ना एक हथियार के साथ युद्ध के मैदान में जाने जैसा है। वैश्विक पेशेवर एक जनरल स्टाफ मुख्यालय से कमांडिंग के चरण में प्रवेश कर चुके हैं।
ध्यान दें कि इन पैटर्न के लिए आपको कई AI खाते स्थापित करने की आवश्यकता नहीं है। आप एक ही चैट के भीतर "भूमिकाएं बदलकर" उन्हें पुन: पेश कर सकते हैं।
- रूटिंग पैटर्न — एक छांटने वाला रखना
यह एक सैन्य-शैली का संगठन है जहां एक "वर्गीकरणकर्ता" AI पहले इनपुट प्राप्त करता है और इसे उपयुक्त "विशेषज्ञ" को रूट करता है। ज्यादातर लोग सब कुछ एक AI पर फेंक देते हैं और एक औसत दर्जे का जवाब पाते हैं। पेशेवर एक रिसेप्शनिस्ट रखते हैं ताकि कार्य किसी विशेषज्ञ को पास किया जा सके।
जब आप एक AI के सर्वज्ञ होने का दिखावा करने के बजाय विशेषज्ञता की ओर मुड़ते हैं तो सटीकता में सुधार होता है।
कॉपी-पेस्ट के लिए प्रॉम्प्ट
आप "रूटिंग कोऑर्डिनेटर" हैं। निम्नलिखित अनुरोध को पढ़ें और इसे इसमें वर्गीकृत करें: (1) अनुसंधान, (2) लेखन, (3) विश्लेषण, या (4) कोड। उस वर्गीकरण के लिए अनुकूलित 5-पंक्ति सिस्टम प्रॉम्प्ट बनाएं और इसका उपयोग करके अनुरोध को फिर से निष्पादित करें। अनुरोध: [ ]
- समानांतीकरण — बहुमत के वोट के लिए एक ही प्रश्न को समानांतर में हल करना
यह पैटर्न एक ही कार्य को कई दृष्टिकोणों से समानांतर में हल करने और बहुमत के वोट द्वारा निष्कर्ष निर्धारित करने से संबंधित है। एक विशेषज्ञ से पूछने के बजाय, आप पांच विशेषज्ञों को अलग-अलग दृष्टिकोणों से उत्तर देने और सबसे अधिक समर्थित निष्कर्ष लेने देते हैं। यही विचार है।
मतिभ्रम कम हो जाता है। जब आप महत्वपूर्ण निर्णय AI पर छोड़ना चाहते हैं, तो सुरक्षा की भावना पूरी तरह से अलग होती है।
कॉपी-पेस्ट के लिए प्रॉम्प्ट
निम्नलिखित प्रश्न के लिए, पहले 5 स्वतंत्र विशेषज्ञों में से प्रत्येक को अलग-अलग दृष्टिकोणों का उपयोग करके एक-एक उत्तर प्रदान करें। इसके बाद, 5 योजनाओं की तुलना करें, सबसे अधिक दृष्टिकोणों द्वारा समर्थित निष्कर्ष को अंतिम उत्तर के रूप में लें, और चयन का कारण बताएं। प्रश्न: [ ]
- मूल्यांकनकर्ता-अनुकूलक — निर्माता और मूल्यांकनकर्ता को पूरी तरह से अलग करना
एक व्यक्ति द्वारा किया गया स्व-मूल्यांकन स्वाभाविक रूप से उदार हो जाता है। यदि आप अभिनेता और न्यायाधीश को अलग करते हैं, तो निर्णय कठोर हो जाता है। आप इसे एक प्रॉम्प्ट के भीतर पुन: पेश करते हैं। निर्माता के रूप में सबसे अच्छा उत्तर बनाएं, एक कठोर मूल्यांकनकर्ता के रूप में पूरी तरह से व्यक्तित्व बदलें और इसे स्कोर करें, फिर अंतिम संस्करण बनाने के लिए निर्माता के पास लौटें।
अध्याय 1 में स्व-परिष्करण के समान, लेकिन यहां बिंदु स्पष्ट रूप से "पूरी तरह से व्यक्तित्व बदलें" कहना है।
कॉपी-पेस्ट के लिए प्रॉम्प्ट
निम्नलिखित विषय के लिए, पहले "निर्माता AI" के रूप में सबसे अच्छा उत्तर बनाएं। इसके बाद, पूरी तरह से व्यक्तित्व बदलें और, "कठोर मूल्यांकनकर्ता AI" के रूप में, उस उत्तर को 100 में से स्कोर करें और अंक कटौती के 5 कारण सूचीबद्ध करें। अंत में, निर्माता भूमिका पर लौटें और मूल्यांकन के आधार पर एक अंतिम संस्करण बनाएं। विषय: [ ]
- मल्टी-एजेंट डिबेट — समर्थकों, विरोधियों और एक मध्यस्थ के साथ बहस
यह एक पैटर्न है जहां एक एकीकरणकर्ता के निष्कर्ष पर पहुंचने से पहले कई AI बहस करते हैं। समर्थक और विरोधी भिड़ते हैं, और एक तटस्थ मध्यस्थ उनके बिंदुओं का सारांश प्रस्तुत करता है। चरम सीमाएं और विचार-रुकावट गायब हो जाते हैं, जिसके परिणामस्वरूप एक संतुलित निष्कर्ष निकलता है।
यह "उन प्रश्नों में विशेष ताकत दिखाता है जहां निर्णय लेना कठिन है," जैसे रणनीतिक योजना या निर्णय लेना।
कॉपी-पेस्ट के लिए प्रॉम्प्ट
निम्नलिखित विषय के लिए, कृपया इस रूप में कार्य करें: (1) समर्थक AI, (2) विरोधी AI, और (3) तटस्थ मध्यस्थ AI। (1) और (2) को प्रत्येक 3 राउंड बहस करने दें, फिर (3) को अंतिम निष्कर्ष और तर्क प्रदान करने के लिए उनके बिंदुओं को एकीकृत करने दें। विषय: [ ]
- स्व-सत्यापन आउटपुट — आउटपुट देने से पहले स्वयं से पूछताछ करना
यह एक पैटर्न है जहां निर्माता अंतिम प्रस्तुति से पहले एक अलग व्यक्तित्व के रूप में अपने स्वयं के आउटपुट से "पूछताछ" करता है। चूंकि अपने लेखन में खामियां देखना कठिन है, आप दृष्टिकोण में बदलाव को मजबूर करते हैं। आप तीन व्यक्तित्वों—वैश्विक प्रतियोगी पेशेवर, लक्ष्य पाठक, और कठोर बॉस—के माध्यम से स्विच करते हैं, और प्रत्येक को समस्याओं को सूचीबद्ध करने देते हैं।
हाल के AI मॉडल "आउटपुट को स्वयं सत्यापित करने के बाद रिपोर्ट करने" की ओर विकसित हो रहे हैं। इसे एक ऐसे पैटर्न के रूप में सोचें जो प्रॉम्प्ट पक्ष से उस आंदोलन का अनुमान लगाता है।
कॉपी-पेस्ट के लिए प्रॉम्प्ट
कृपया निम्नलिखित आउटपुट को पूरी तरह से अलग व्यक्तित्व के रूप में पुनः पढ़ें। क्रम में (1) वैश्विक प्रतियोगी पेशेवर, (2) लक्ष्य पाठक, और (3) कठोर बॉस की भूमिकाओं के माध्यम से स्विच करें, प्रत्येक दृष्टिकोण से 3 समस्याएं सूचीबद्ध करें, और अंत में एक सबसे मजबूत बेहतर संस्करण प्रस्तुत करें। आउटपुट: [ ]
सेना संचालन का सार यह है कि क्या आप इस आधार पर खड़े हो सकते हैं कि "AI एक इकाई के रूप में उपयोग करने की चीज नहीं है।" भूमिकाएं सौंपें और आदेश दें। यह अकेला एक ही AI से आने वाले परिणामों को बदल देता है।
अध्याय 4: संदर्भ को एक "वातावरण" के रूप में डिज़ाइन करना — 4-स्तरीय सोच
अब तक, हमने "प्रॉम्प्ट की सामग्री" के बारे में बात की है। लेकिन वैश्विक AI डिज़ाइनरों की दुनिया में, प्रॉम्प्ट को एक बहुत बड़ी संरचना के "सबसे निचले स्तर" के रूप में माना जाता है: प्रॉम्प्ट → संदर्भ → आशय → विनिर्देश। अधिकांश लोग अभी भी पहले स्तर पर अटके हुए हैं। यह अध्याय ऊपर के स्तरों पर चढ़ने के पांच तरीकों के बारे में है।
- बुकएंड प्लेसमेंट — महत्वपूर्ण बाधाओं को शुरुआत और अंत दोनों में रखना
जब आप AI को लंबा टेक्स्ट पास करते हैं, तो बीच में रखी गई जानकारी का ध्यान खो जाता है। यह "मध्य एक अंधा स्थान है" घटना है। इसलिए, महत्वपूर्ण बाधाओं को हमेशा दो स्थानों पर रखें: शुरुआत और अंत। कल्पना करें कि महत्वपूर्ण चीजों को "बुकएंड्स" की तरह दोनों सिरों पर सैंडविच कर रहे हैं।
यह उन लोगों के लिए प्रभावी है जो लंबे प्रॉम्प्ट लिखते हैं। एक सामान्य विफलता एक लंबा निर्देश है जहां बाधा केवल बीच में एक बार लिखी गई है।
कॉपी-पेस्ट के लिए प्रॉम्प्ट
निम्नलिखित अनुरोध में, कृपया प्रक्रिया करने से पहले महत्वपूर्ण बाधाओं को दो स्थानों पर पुन: कथित करें—प्रॉम्प्ट की "शुरुआत" और "अंत।" इसे इस आधार पर संरचित करें कि संदर्भ के बीच की जानकारी ध्यान भटकाने की संभावना रखती है। अनुरोध: [ ]
- गोल्डीलॉक्स ऊंचाई — सिस्टम प्रॉम्प्ट के लिए "बिल्कुल सही" ऊंचाई
सिस्टम प्रॉम्प्ट की एक इष्टतम "ऊंचाई" होती है। बहुत कम (विस्तृत if-else तर्क के साथ बाध्यकारी) कठोरता का कारण बनता है; बहुत अधिक (केवल सार दर्शन) कुछ भी तय नहीं करता है। बीच की ऊंचाई का लक्ष्य रखें। यह प्रॉम्प्ट पर लागू "गोल्डीलॉक्स ज़ोन" अवधारणा है।
ट्रिक तीन परतों में डिज़ाइन करना है: सिद्धांत जो कभी नहीं बदलते, स्थितिजन्य निर्णय के लिए ढांचे, और व्यक्तिगत कार्यों के लिए स्वतंत्रता। इन तीनों को ध्यान में रखकर लिखने से कठोरता और अमूर्तता दोनों से बचा जा सकता है।
कॉपी-पेस्ट के लिए प्रॉम्प्ट
मैं आपको निम्नलिखित 3 परतों में निर्देश तय करूंगा: (1) अपरिवर्तनीय सिद्धांत (क्यों/कभी न बदलें)। (2) स्थितिजन्य निर्णय के लिए ढांचा (कब/मामले के अनुसार शाखाकरण नियम)। (3) व्यक्तिगत कार्यों के लिए स्वतंत्रता (क्या/आपके विवेक पर छोड़ें)। कठोरता और अमूर्तता दोनों से बचते हुए, "बिल्कुल सही" ऊंचाई पर डिज़ाइन करें।
- जस्ट-इन-टाइम कॉन्टेक्स्ट इंजेक्शन — जरूरत पड़ने पर ही जरूरी चीजें पास करना
सिर्फ इसलिए कि संदर्भ विंडो बड़ी है, इसका मतलब यह नहीं है कि सभी सामग्री को भरना अच्छा है; यह वास्तव में सटीकता को कम कर सकता है। पेशेवर पहले केवल "विषय-सूची, सारांश और अनुक्रमणिका" पास करते हैं और AI को आवश्यकतानुसार आवश्यक अध्यायों को पुनर्प्राप्त करने देते हैं। कल्पना करें कि पुस्तकालय की सभी किताबें अपनी डेस्क पर न रखें, बल्कि केवल उस एक किताब को उधार लेने जाएं जिसकी आपको आवश्यकता है।
बड़ी सामग्री को संभालने का सही तरीका "सब कुछ भरना" नहीं, बल्कि "गतिशील कॉलिंग" है।
कॉपी-पेस्ट के लिए प्रॉम्प्ट
मैं निम्नलिखित विशाल सामग्री को एक साथ इनपुट नहीं करूंगा। पहले चरण में, कृपया केवल "विषय-सूची," "प्रत्येक अध्याय का 100-अक्षर का सारांश," और "अनुक्रमणिका" पढ़ें। यदि कोई ऐसा अध्याय है जहां विवरण की आवश्यकता है, तो इसे पुनर्प्राप्त करने से पहले मुझसे स्पष्ट रूप से अनुरोध करें, और कार्य के लिए संदर्भ में केवल उस अध्याय को जोड़ें।
- आशय एन्कोडिंग — पहले निर्णय मानदंड स्पष्ट करना
अपने संगठन या अपने स्वयं के "मूल्यों, प्राथमिकताओं और व्यापार-बंद निर्णय मानदंडों" को हर बार शुरू से समझाने के बजाय, उन्हें एक बार स्पष्ट करें और पास करें। बस इसे शुरुआत में रखकर, AI "आपके एजेंट" के रूप में काम करना शुरू कर देता है। यह एक ऐसा AI बन जाता है जो सिर्फ निर्देशों की प्रतीक्षा नहीं करता, बल्कि खो जाने पर अपने आप सही दिशा में झुक सकता है।
कॉपी-पेस्ट के लिए प्रॉम्प्ट
निम्नलिखित कार्य के लिए एक पूर्व शर्त के रूप में, मैं अपने निर्णय मानदंड स्पष्ट करूंगा: (1) प्राथमिकता [A > B > C]। (2) पूर्ण निषेध [X, Y, Z]। (3) अस्पष्ट मामलों में डिफ़ॉल्ट निर्णय [D]। निर्णय में खो जाने पर, निर्णय लेने से पहले हमेशा इन मानदंडों पर लौटें।
- विनिर्देश स्तर — "विनिर्देश" बनाने के पक्ष में खड़ा होना
4 स्तरों में सबसे ऊपर यह "विनिर्देश" है। गुणवत्ता मानकों और व्यावसायिक नियमों को संरचित पाठ (विनिर्देश) के रूप में तय करें और इसे हर बार संदर्भ का प्रारंभिक बिंदु बनाएं। एक व्यक्ति से जो प्रॉम्प्ट लिखता है, एक व्यक्ति जो विनिर्देश बनाता है। जिस पल आप यहां खड़े होते हैं, काम की पुनरुत्पादन क्षमता तुरंत बढ़ जाती है।
कॉपी-पेस्ट के लिए प्रॉम्प्ट
भविष्य का कार्य प्रत्येक सत्र के लिए प्रारंभिक बिंदु के रूप में निम्नलिखित "विनिर्देश (Markdown संरचित प्रारूप)" का संदर्भ देगा। यदि विनिर्देश के बाहर निर्णय की आवश्यकता है, तो अनुमान न लगाएं; हमेशा मुझसे जांच करें। [अपना विनिर्देश यहां पेस्ट करें]
इस अध्याय का विचार "प्रॉम्प्ट की एक पंक्ति के साथ प्रतिस्पर्धा करने" से "पूरे संदर्भ को एक वातावरण के रूप में डिज़ाइन करने" में संक्रमण है। यह एक स्तर पर लड़ने या चार स्तरों पर लड़ने का अंतर है।
अध्याय 5: AI की आंतरिक यांत्रिकी के साथ संरेखित करना — KV कैशे के लिए संरचनात्मक डिज़ाइन
यह अध्याय थोड़ा तकनीकी है। लेकिन यह जानने से AI की "गति," "लागत," और "उपयोग सीमाएं कैसे घटती हैं" बदल जाती है।
AI के अंदर, "KV कैशे" नामक एक तंत्र चल रहा है। बहुत सरल शब्दों में कहें तो, AI संसाधित सामग्री को आंतरिक रूप से रखता है, और जब वही सामग्री फिर से आती है, तो वह इसका पुन: उपयोग कर सकता है। इसके विपरीत, यदि आप इसे इस तरह से उपयोग करते हैं जहां पुन: उपयोग काम नहीं करता है, तो यह हर बार शुरू से पुनर्गणना करता है।
"जल्दी से उपयोग सीमाएं हिट करना," "बातचीत लंबी होने पर प्रतिक्रियाएं धीमी हो जाना," या "API बिल उम्मीद से अधिक होना।" इन परेशानियों का कारण अक्सर प्रॉम्प्ट की सामग्री नहीं, बल्कि AI की आंतरिक यांत्रिकी के साथ "प्लेसमेंट" का सिंक न होना है।
- स्थिर उपसर्ग पहले — शुरुआत में स्थिर चीजों को ठीक करना
कैशे "केवल उस भाग के लिए काम करता है जो शुरुआत से पूरी तरह से मेल खाता है।" इसलिए, उन चीजों को ठीक करें जो बदलती नहीं हैं (आधारभूत तथ्य, संदर्भ सामग्री, नियम) शुरुआत में, और उन चीजों को रखें जो हर बार बदलती हैं (आज का प्रश्न) अंत में। बस हर बार एक ही आधारभूत तथ्य को शीर्ष पर रखने से, कैशे काम करना शुरू कर देता है।
कॉपी-पेस्ट के लिए प्रॉम्प्ट
मैं बाद के कार्य के लिए आधारभूत तथ्य तय करूंगा: (1) मेरा उद्योग = [A]। (2) लक्ष्य = [B]। (3) निषेध = [C]। (4) आउटपुट प्रारूप = [D]। कृपया मुख्य विषय में प्रवेश करने से पहले प्रत्येक सत्र की शुरुआत में इसे फिर से घोषित करें।
- एंकर दस्तावेज़ पैटर्न — सामग्री को केवल शुरुआत में एक बार फेंकना
क्या आप हर बार बड़ी संदर्भ सामग्री या दिशानिर्देशों को फिर से पेस्ट कर रहे हैं? यह बर्बादी है। सामग्री को केवल शुरुआत में एक बार "एंकर" के रूप में फेंकें, और बाद के प्रश्नों को केवल उस सामग्री का संदर्भ देने दें।
कॉपी-पेस्ट के लिए प्रॉम्प्ट
मैं निम्नलिखित सामग्री को इस सत्र का आधार बनाऊंगा: [यहां बल्क इनपुट संदर्भ सामग्री डालें]। अब से, कृपया मेरे सभी प्रश्नों का उत्तर इन सामग्रियों का संदर्भ देकर दें। सामग्रियों का पुन: प्रस्तुतीकरण आवश्यक नहीं है।
- सत्र निरंतरता — एक ही थ्रेड में संबंधित कार्य जारी रखना
जब भी आप कोई नई चैट खोलते हैं, AI अपना आंतरिक कैश शुरू से बनाता है। दिन में 10 नई चैट खोलने बनाम एक लंबे सत्र में दिन में एक बार जारी रखने से उपयोग सीमाएँ और आउटपुट गुणवत्ता बदल जाती है। बार-बार नई चैट खोलना "जल्दी सीमा तक पहुँचने" का एक कारण है।
परिचालन दिशानिर्देश:
हमेशा एक ही विषय पर काम एक ही थ्रेड में जारी रखें। यदि थ्रेड बहुत लंबा हो जाए, तो शुरुआत में "अब तक का सारांश" बनाएं और उसे आधार मानकर जारी रखें।
- अंतर संपादन पैटर्न — सुधार करते समय केवल अंतर निर्देशित करना
जब आप आउटपुट में सुधार करना चाहते हैं, तो पूरा टेक्स्ट फिर से पोस्ट करना गलत है। पूरा टेक्स्ट फिर से पोस्ट करने से कीमती कैश साफ़ हो जाता है और शुरू से पुनर्गणना होती है। केवल अंतर निर्देशित करें: "केवल यह भाग," "इस भाग को उससे बदलें।"
कॉपी-पेस्ट के लिए प्रॉम्प्ट
जब मैं पिछले आउटपुट को ठीक करना चाहूंगा, तो मैं पूरा टेक्स्ट फिर से पोस्ट नहीं करूंगा। मैं केवल अंतर निर्देशित करूंगा, जैसे "केवल [ ] भाग" या "[ ] को [ ] में बदलें।" मैं आधार या संदर्भ सामग्री बिल्कुल पुन: प्रस्तुत नहीं करूंगा।
- कैश-जागरूक उप-एजेंट डिज़ाइन — उप-एजेंटों की शुरुआत को संरेखित करना
अध्याय 3 की तरह सेना संचालन करते समय भी, प्रत्येक एजेंट के सिस्टम प्रॉम्प्ट के "शुरुआती भाग" (भूमिका परिभाषा, आधार, नियम) को संरेखित करने से कैश हिट होना आसान हो जाता है। केवल अंत में व्यक्तिगत रूप से कार्य सामग्री बदलें। इससे अकेले सेना संचालन की दक्षता में सुधार होता है।
कॉपी-पेस्ट के लिए प्रॉम्प्ट
मल्टी-एजेंट संचालन करते समय, सभी एजेंटों के सिस्टम प्रॉम्प्ट के शुरुआती भाग (भूमिका परिभाषा, आधार, नियम) को पूरी तरह से एकीकृत करें। केवल अंत में व्यक्तिगत रूप से कार्य सामग्री बदलें।
इस अध्याय का सार है "सामग्री से नहीं, बल्कि संरचना से प्रतिस्पर्धा करना।" आप क्या लिखते हैं, उतना ही महत्वपूर्ण है कि आप चीजों को कहाँ रखते हैं।
अध्याय 6: प्रॉम्प्ट का "बाहरी भाग" बनाना — हार्नेस और एजेंट
2026 में प्रवेश करते हुए, वैश्विक AI डेवलपर्स ने "प्रॉम्प्ट की सामग्री" पर प्रतिस्पर्धा करना बंद कर दिया और "प्रॉम्प्ट के बाहरी भाग" को डिज़ाइन करना शुरू कर दिया। उस बाहरी भाग को "हार्नेस" कहा जाता है। पहले, बड़ी तस्वीर को व्यवस्थित करें।
"हार्नेस एजेंट" क्या है anyway?
आप सामान्यतः जिस ChatGPT या Claude का उपयोग करते हैं, वह वास्तव में कोई "AI एजेंट" नहीं है। यह सिर्फ एक "मस्तिष्क इकाई" है। एक AI एजेंट उस स्थिति को संदर्भित करता है जहाँ उस मस्तिष्क से भागों को जोड़कर इसे एक "स्व-चलने वाली मशीन" में बदल दिया जाता है।
एक एजेंट मोटे तौर पर निम्नलिखित तत्वों से मिलकर बनता है:
- मॉडल (शरीर): एजेंट की "बुद्धिमत्ता।" LLM स्वयं। सिर्फ दिमाग से, यह निर्णय तो ले सकता है लेकिन कार्य नहीं कर सकता।
- हार्नेस: मॉडल को दिए गए निर्देशों (सिस्टम प्रॉम्प्ट) और गार्डरेल (क्या न करें) का सेट। उदाहरण के लिए, "एक निश्चित राशि से अधिक भुगतान के लिए हमेशा मानवीय पुष्टि लें" जैसा सुरक्षा वाल्व। इसे एजेंट के "व्यक्तित्व" और "निर्णय मानदंड" निर्धारित करने वाली परत के रूप में सोचें।
- टूल (हाथ और पैर): वास्तविक दुनिया को छूने के लिए एजेंट का इंटरफ़ेस, जैसे ईमेल भेजना, कैलेंडर संचालित करना, फ़ाइलें पढ़ना/लिखना और वेब खोज। टूल के बिना, AI एक रसीद पढ़ सकता है लेकिन उसे व्यय प्रतिपूर्ति के लिए सबमिट नहीं कर सकता।
- पर्यावरण: एजेंट "कहाँ" चलता है। एक ही AI के साथ भी, यह जिस वातावरण में चलता है, उसके आधार पर यह बहुत कुछ कर सकता है।
- एजेंट लूप (स्व-चलने वाला चक्र): ये सभी मिलकर Plan → Act → Observe Result → Adjust → Repeat का एक लूप चलाते रहते हैं। यदि मानवीय पुष्टि की आवश्यकता हो तो यह रुक जाता है। एक-प्रश्न-एक-उत्तर वाले चैटबॉट और स्व-चलने वाले एजेंट के बीच निर्णायक अंतर यहीं है।
ये पाँच तत्व मिलकर "एजेंट का पूर्ण रूप" हैं। यहाँ से, मैं उस बाहरी भाग = हार्नेस को अत्यधिक डिज़ाइन करने की पाँच तकनीकों का परिचय दूंगा।
- निष्पादन लूप — अवलोकन, विचार, आत्म-आलोचना और कार्रवाई का चक्र शामिल करना
यह हार्नेस का हृदय है। किसी कार्य को निष्पादित करते समय, स्पष्ट रूप से हर कदम पर "अवलोकन → विचार → आत्म-आलोचना → कार्रवाई" के चक्र का पालन करने का निर्देश दें। यह एक बार के "अनुरोध" से भिन्न आयाम पर चलता है।
कॉपी-पेस्ट के लिए प्रॉम्प्ट
निम्नलिखित कार्य को निष्पादित करते समय, कृपया हमेशा आगे बढ़ने से पहले प्रत्येक चरण पर निम्नलिखित 4 चरणों को क्रम में लिखें: (1) अवलोकन: वर्तमान स्थिति को 3 पंक्तियों में वर्णित करें। (2) विचार: अगली आवश्यक चाल और कारण। (3) आत्म-आलोचना: उस चाल का एक अंधा धब्बा। (4) कार्रवाई: सुधार के बाद अंतिम कार्रवाई। कार्य: [ ]
- संदर्भ संघनन — लंबी बातचीत को चरणों में संपीड़ित करना
जैसे-जैसे बातचीत लंबी होती जाती है, संदर्भ टूट जाता है। इसे रोकने के लिए, हर कुछ दौर में पिछली बातचीत को एक निश्चित प्रारूप में जबरदस्ती संपीड़ित करें। लंबे कार्यों में संदर्भ को "सड़ने" से बचाने के लिए यह आवश्यक डिज़ाइन है।
कॉपी-पेस्ट के लिए प्रॉम्प्ट
अब से, जब भी बातचीत 10 दौर से अधिक हो जाए, तो पिछली बातचीत को "3 पुष्ट तथ्य + 2 लंबित कार्य + 1 सबसे महत्वपूर्ण अगली कार्रवाई" के प्रारूप में जबरदस्ती संपीड़ित करें, और उस संपीड़ित संस्करण से शुरू करके नए निर्देशों को निष्पादित करें।
- प्लेबुक मेमोरी — पुन: प्रयोज्य "पैटर्न" संचित करना
यह एक डिज़ाइन है जहाँ रणनीतियों को हर बार नए सिरे से उत्पन्न करने के बजाय पुन: प्रयोज्य "पैटर्न (प्लेबुक)" के रूप में संचित किया जाता है। प्रत्येक बातचीत एक "संपत्ति" बन जाती है।
कॉपी-पेस्ट के लिए प्रॉम्प्ट
निम्नलिखित कार्य को निष्पादित करने के बाद, हमेशा "इस बार के 3 सामान्य नियम" को Markdown बुलेटेड सूची में आउटपुट करें। अगली बार से, मैं उन्हें शुरुआत में प्रस्तुत करूंगा, इसलिए कृपया काम करने से पहले उन्हें एक प्लेबुक के रूप में पढ़ें।
- स्व-संशोधन लूप — AI को अपना स्वयं का निर्देश मैनुअल फिर से लिखने देना
यह एक पैटर्न है जहाँ एजेंट स्वयं अगली बार बेहतर करने के लिए एक "स्व-निर्देश टेम्पलेट" लिखता है। आप एक ऐसी स्थिति बना सकते हैं जहाँ AI हर बार उपयोग किए जाने पर अपने स्वयं के निर्देश मैनुअल को अद्यतन करता रहता है।
कॉपी-पेस्ट के लिए प्रॉम्प्ट
निम्नलिखित कार्य को निष्पादित करने के बाद, कृपया अगली बार बेहतर सटीकता के साथ निष्पादित करने के लिए अपने लिए एक "स्व-निर्देश टेम्पलेट (बेहतर संस्करण)" आउटपुट करें। साथ ही, सुधार का इरादा और उद्देश्य बताएं। मैं अगली बार से उस टेम्पलेट का उपयोग करूंगा।
- ऑटो-हार्नेस ऑप्टिमाइज़ेशन — पूरे तंत्र को पुनरावृत्त रूप से सुधारना
अध्याय 1 में मेटा-प्रॉम्प्टिंग के समान, लेकिन लक्ष्य "प्रॉम्प्ट संरचना स्वयं" है। इसे सप्ताह में एक बार चलाने मात्र से, आपकी प्रॉम्प्ट संपत्तियाँ चक्रवृद्धि ब्याज के साथ विकसित होंगी।
कॉपी-पेस्ट के लिए प्रॉम्प्ट
कृपया मेरी वर्तमान प्रॉम्प्ट संरचना को एक स्तर ऊपर ले जाने के लिए 5 ठोस योजनाएँ प्रदान करें। प्रत्येक योजना के लिए उद्देश्य, अपेक्षित सुधार प्रभाव और अपेक्षित जोखिम लिखें, और अंत में सबसे मजबूत योजना चुनें, अपनाने का कारण और अगले उपयोग का उदाहरण बताएं।
प्रॉम्प्ट सामग्री को पंक्ति दर पंक्ति पॉलिश करना महत्वपूर्ण है। लेकिन उसके "बाहर" एक बहुत बड़ा संसार है। क्या आपके पास हार्नेस का दृष्टिकोण है, यह AI के आपके उपयोग को एक स्तर बदल देता है।
अध्याय 7: 5 गुप्त प्रॉम्प्ट जो कोई नहीं जानता
यह अध्याय दुर्लभ पैटर्न एकत्र करता है जो मानक प्रॉम्प्ट पुस्तकों में शायद ही मिलते हैं। कुछ शोध पर आधारित हैं, अन्य संज्ञानात्मक विज्ञान लागू करते हैं। ये ऐसे कोण हैं जो भारत में शायद ही साझा किए जाते हैं।
- प्रश्न पुनर्रचना — उत्तर देने से पहले इसे एक तटस्थ प्रश्न में पुन: तैयार करना
AI में "उपयोगकर्ता की खुशामद करने (अति-अनुरूपता)" की आदत होती है। यह अनुमान लगाता है कि आपके कथन से सहमत होना है या असहमत, और एक चापलूसी वाला उत्तर लौटाता है। इसे दबाने के एक तरीके के रूप में, यह बताया गया है कि उत्तर देने से पहले आपके कथन को "तटस्थ प्रश्न" में पुन: तैयार करने का निर्देश देना सीधे "खुशामद मत करो" आदेश देने से अधिक प्रभावी है।
इसे आज़माएँ जब आप एक राय चाहते हैं लेकिन केवल "आप बिल्कुल सही कह रहे हैं" मिलता है।
कॉपी-पेस्ट के लिए प्रॉम्प्ट
मेरे निम्नलिखित कथन का उत्तर देने से पहले, कृपया हमेशा पहले मेरे कथन को "तटस्थ प्रश्न प्रारूप" में पुन: तैयार करें। मूल कथन से सहमति या असहमति व्यक्त करने से मना करने के बाद, कृपया तार्किक रूप से उत्तर दें। कथन: [ ]
- मौखिक नमूनाकरण — संभावनाओं के साथ कई योजनाएँ आउटपुट करना
AI हर बार एक ही प्रश्न पूछने पर समान उत्तर लौटाता है (एक घटना जहाँ आउटपुट विविधता ढह जाती है)। इसका प्रतिकार एक पैटर्न है जहाँ आप इसे "चुने जाने की संभावना" के साथ कई उत्तर योजनाएँ आउटपुट करने का निर्देश देते हैं। संभावना वितरण से एक योजना चुनना सामान्य प्रॉम्प्ट के साथ उभरने वाले विचारों को निकाल सकता है।
कॉपी-पेस्ट के लिए प्रॉम्प्ट
निम्नलिखित विषय के लिए, कृपया उनकी संबंधित "चुने जाने की संभावना (%)" के साथ 5 अलग-अलग उत्तर योजनाएँ उत्पन्न करें। कुल संभावना 100% होनी चाहिए। अंत में, संभावना के अनुसार उस वितरण से एक योजना चुनें और प्रस्तुत करें। विषय: [ ]
- प्रतिवास्तविक एंकरिंग — पहले विपरीत उत्तर आउटपुट करना
यह एक पैटर्न है जो संज्ञानात्मक मनोविज्ञान से "एंकरिंग प्रभाव" लागू करता है। AI को पहले उस उत्तर का "पूरी तरह से विपरीत उत्तर" आउटपुट करने का निर्देश देकर जो वह सहज रूप से देना चाहता है, आप एक औसत समाधान की ओर जड़ता को तोड़ते हैं। एक पूर्वानुमानित उत्तर अचानक गहरा हो जाता है।
नोट: "प्रतिवास्तविक एंकरिंग" मेरा गढ़ा हुआ शब्द है। अंतर्निहित सिद्धांत (एंकरिंग प्रभाव) वास्तविक संज्ञानात्मक विज्ञान है, लेकिन यह विशिष्ट पैटर्न एक अनुप्रयोग है।
कॉपी-पेस्ट के लिए प्रॉम्प्ट
निम्नलिखित प्रश्न का उत्तर देने से पहले, पहले उस उत्तर का एक "पूरी तरह से विपरीत उत्तर" उत्पन्न करें जो आप सहज रूप से देना चाहते हैं। इस बात के 5 कारण लिखें कि वह विपरीत योजना सही क्यों हो सकती है। अंत में, उस सत्यापन से गुज़रने के बाद अंतिम उत्तर प्रदान करें। प्रश्न: [ ]
- स्व-पूर्व-मॉर्टम — पहले विफलता के कारणों की सूची बनाना
"प्री-मॉर्टम" एक प्रसिद्ध सोच विधि है जहाँ आप शुरू करने से पहले सोचते हैं "यदि यह परियोजना विफल हुई, तो इसका कारण क्या होगा?" हम इसे AI कार्य निष्पादन पर लागू करते हैं। निष्पादन से पहले विफलता पैटर्न सूचीबद्ध करें और इसे उनसे बचने के तरीके से निष्पादित करें। लंबे कार्यों के लिए प्रभावी।
नोट: मूल प्री-मॉर्टम विधि वास्तविक है, लेकिन इसे AI पर लागू करना मेरा अपना उपयोग है।
कॉपी-पेस्ट के लिए प्रॉम्प्ट
निम्नलिखित कार्य को निष्पादित करने से पहले, पहले "5 अनुमानित कारण सूचीबद्ध करें यदि यह कार्य निम्नतम गुणवत्ता में समाप्त हुआ।" प्रत्येक कारण के लिए एक-पंक्ति का बचाव उपाय लिखें, और उन सभी बचाव उपायों का सख्ती से पालन करते हुए कार्य को निष्पादित करें। कार्य: [ ]
- अंशांकित आत्मविश्वास प्रॉम्प्टिंग — आत्मविश्वास स्तर बताना
AI की सबसे बड़ी कमजोरी है "गलत होने पर भी पूरे आत्मविश्वास से बातें कहना।" इसे रोकने के लिए, एक पैटर्न का उपयोग करें जहाँ इसे प्रत्येक दावे के साथ "आत्मविश्वास स्तर (0-100%)" देना होगा। मतिभ्रम दिखाई देने लगते हैं, जिससे सूचना की विश्वसनीयता का न्याय करना बहुत आसान हो जाता है।
कॉपी-पेस्ट के लिए प्रॉम्प्ट
निम्नलिखित प्रश्न का उत्तर देते समय, कृपया प्रत्येक दावे के साथ "0-100% का आत्मविश्वास स्तर" संलग्न करें। 50% से कम को "अनुमान" और केवल 70% या अधिक को "तथ्य" लेबल करें। साथ ही, प्रत्येक आत्मविश्वास स्तर के लिए एक-पंक्ति का आधार प्रदान करें। प्रश्न: [ ]
चाहे आप उन्हें मानक तकनीकों के रूप में सीखें या पेपर और सिद्धांतों से गुप्त तरकीबों के रूप में संचालित करें, अधिकांश स्रोत मुफ्त में उपलब्ध हैं। जो नोटिस करते हैं, उनके साथ अंतर बढ़ना शुरू होता है।
अध्याय 8: AI को "हाथ और पैर" देना — वे MCP जिन्हें आपको स्थापित करना चाहिए
अब तक, हमने प्रॉम्प्ट के बारे में बात की है। यह अध्याय AI को "हाथ और पैर" देने के बारे में है।
MCP (मॉडल कॉन्टेक्स्ट प्रोटोकॉल) AI को बाहरी सेवाओं और डेटा से जोड़ने के लिए एक खुला सामान्य मानक है। सीधे शब्दों में कहें, यह AI में "वास्तविक दुनिया को छूने के लिए खिड़कियाँ" जोड़ने का एक तंत्र है। इसे स्थापित करने से Claude एक चैटबॉट से "हाथ और पैर वाले एजेंट" में बदल जाता है।
चूँकि MCP एक खुला मानक है, एक बार जब आप इसे Claude Code या Codex में सेट कर लेते हैं, तो उसी वातावरण को आगे बढ़ाया जा सकता है। यहाँ, मैंने चार को चुना है जो वास्तव में सामग्री निर्माताओं के लिए उपयोगी हैं।
- Supadata MCP — वीडियो से एक ही बार में ट्रांसक्रिप्ट निकालना
यह एक MCP है जो YouTube, TikTok, Instagram और X (पूर्व में Twitter) वीडियो से एक ही बार में ट्रांसक्रिप्ट निकाल सकता है। विदेशी सामग्री अनुसंधान, प्रतियोगी वीडियो विश्लेषण और रुझान समझना बहुत तेज़ हो जाता है। बिना उपशीर्षक वाले वीडियो के लिए भी, स्वचालित प्रतिलेखन फ़ंक्शन द्वारा इसे कवर किया जा सकता है।
उपयोग उदाहरण:
निम्नलिखित YouTube/TikTok/X वीडियो URL से ट्रांसक्रिप्ट निकालें और इसे 5 प्रमुख बिंदुओं में सारांशित करें। URL: [ ]
आप विदेशी वायरल वीडियो देखने के समय लेने वाले कार्य से मुक्त हो सकते हैं।
- Firecrawl MCP — वेबसाइटों को स्वच्छ Markdown में बदलना
यह एक MCP है जो किसी भी वेबसाइट को स्वच्छ Markdown में बदल देता है जिसे AI आसानी से पढ़ सकता है। यह JavaScript के साथ रेंडर किए गए पेजों को भी संसाधित कर सकता है। प्रतियोगी लेखों, LPs या समाचार साइटों को AI द्वारा पढ़वाना और संरचनात्मक विश्लेषण या सुधार प्रस्ताव आउटपुट करना तेज़ हो जाता है।
उपयोग उदाहरण:
निम्नलिखित URL को Firecrawl के साथ Markdown में बदलें और उस लेख में अपील की संरचना और कमजोरियों का विश्लेषण करें। URL: [ ]
जो लोग हर बार हाथ से कॉपी-पेस्ट करते हैं, वे यहाँ अपना समय वापस पा सकते हैं।
- Google Knowledge Graph MCP — इकाई जानकारी तक सीधी पहुँच
यह एक MCP है जहाँ AI Google खोज के दाईं ओर दिखाई देने वाले "सूचना पैनल" के स्रोत डेटा तक सीधे पहुँच सकता है। आप वास्तविक लोगों, स्थानों, संगठनों और अवधारणाओं पर संरचित डेटा खींच सकते हैं। तथ्य-जाँच और व्यक्ति/संगठन जानकारी के सत्यापन में सटीकता बदल जाती है। यह सूचना प्रकाशकों के लिए एक जीवन रेखा बन जाता है।
उपयोग उदाहरण:
Google Knowledge Graph के साथ "[व्यक्ति/संगठन का नाम]" पर जानकारी प्राप्त करें, और फिर मेरे लेख में तथ्यात्मक संबंधों की जाँच करें।
- Memory MCP — AI को स्थायी स्मृति देना
AI में एक कमजोरी है कि "बातचीत का इतिहास हर बार शुरू से रीसेट हो जाता है।" Memory MCP इसे हल करता है। परियोजना के निर्णय, आपकी प्राथमिकताएँ और पिछली बातचीत में सीखे गए नियम सत्र समाप्त होने के बाद भी बने रहते हैं।
उपयोग उदाहरण:
निम्नलिखित प्राथमिकताओं, आधारों और चल रही परियोजना जानकारी को Memory MCP में स्थायी स्मृति के रूप में पंजीकृत करें। अगली बार से, काम करने से पहले हमेशा पहले इस सामग्री का संदर्भ लें।
जितना अधिक आप हर सत्र में एक ही आधार को फिर से चिपकाते हैं, उतना ही अधिक आप प्रभाव महसूस करेंगे। जैसे-जैसे सत्र दोहराए जाते हैं, Claude एक "साथी जो आपको समझता है" में विकसित होता है।
इन चार के साथ, आपके पास "इनपुट (वीडियो, वेब, इकाई जानकारी)" और "स्मृति" दोनों हैं। पहले तीन के साथ एकत्र की गई जानकारी को Memory MCP का उपयोग करके AI में संचित करें। जब चार एक साथ काम करते हैं तो प्रभाव व्यक्तिगत रूप से उपयोग करने से अधिक होता है।
अध्याय 9: Claude Code और Codex के साथ स्वचालन — 5 बिंदु और नुकसान
यदि आप Claude Code या Codex के साथ स्वचालन को "किसी तरह चला" रहे हैं, तो आप काफी कुछ खो रहे हैं। यह अध्याय स्वचालन के साथ परिणाम प्राप्त करने के लिए पाँच बिंदुओं के साथ-साथ उनके संबंधित नुकसानों का परिचय देता है।
- हमेशा प्लान मोड डालें
स्वचालन की जीवन रेखा इसे अचानक निष्पादित नहीं करने देना है। प्लान मोड में, आपके अनुमोदन से पहले संपादित किए जाने वाले फ़ाइल नामों, फ़ंक्शन नामों और चरणों के अनुक्रम को ठोस बनाएं। इसे हमेशा डालें।
नुकसान: प्लान मोड को छोड़कर समानांतर निष्पादन पर कूदना। योजना गेट के बिना समानांतरीकरण केवल तेज गति से गलत प्रस्तुतियाँ बड़े पैमाने पर उत्पन्न करता है। गति तभी मूल्यवान है जब दिशा सही हो।
- कॉन्फिग फ़ाइलों में स्थायी नियम, प्रॉम्प्ट में प्रति-समय निर्देश
"हर बार पालन किए जाने वाले स्थायी नियमों" को हर प्रॉम्प्ट में भरना एक विशिष्ट शुरुआती गलती है। स्थायी नियमों को कॉन्फ़िगरेशन फ़ाइलों (Codex के लिए AGENTS.md, Claude Code के लिए CLAUDE.md) में लिखें, और प्रॉम्प्ट में केवल "इस बार के निर्देश" डालें।
नुकसान: कॉन्फ़िगरेशन फ़ाइल को बहुत बड़ा बनाना। यदि यह आकार सीमा से अधिक हो जाता है, तो सामग्री काट दी जाएगी। यदि फ़ाइल बड़ी हो जाती है, तो मानक अभ्यास इसे निर्देशिका पदानुक्रम द्वारा विभाजित करना है।
- उप-एजेंटों को "विशिष्ट + प्रतिबंधित अनुमतियाँ" होनी चाहिए
उप-एजेंटों को "1 कार्य = 1 विशिष्ट भूमिका" सौंपें और उन्हें केवल न्यूनतम आवश्यक उपकरण दें।
नुकसान: डिफ़ॉल्ट रूप से उप-एजेंट मूल के सभी उपकरण अनुमतियाँ प्राप्त करते हैं। चूँकि वे पूर्ण अनुमतियों के साथ शुरू करते हैं, यदि आप स्पष्ट रूप से प्रतिबंधित नहीं करते हैं तो यह दुर्घटनाओं का कारण बन सकता है। साथ ही, उप-एजेंट अधिक टोकन की खपत करते हैं क्योंकि वे कई मॉडल और उपकरण चलाते हैं। चूँकि समानांतरीकरण = बढ़ी हुई लागत संरचनात्मक रूप से अपरिहार्य है, इसे चलाने लायक कार्यों तक सीमित करें।
- "बहुत अधिक न भरें" MCP के लिए सही उत्तर है
मैंने अध्याय 8 में MCP का परिचय दिया, लेकिन इसे ज़्यादा करना वर्जित है। जितने अधिक MCP आप जोड़ते हैं, प्रत्येक संदेश का संदर्भ उतना ही अधिक बढ़ता है, जिससे उपयोग सीमा प्रभावित होती है। जिन MCP का आप उपयोग नहीं करते, उन्हें निष्क्रिय करें। यह बुनियादी है।
नुकसान: सब कुछ MCP-बनाना और 10 या 20 प्लग इन करना। संदर्भ को कम करने के अलावा, सुरक्षा जोखिम भी बढ़ते हैं। इसे 3-5 तक सीमित करना सुरक्षित है जिनका आप वास्तव में हर दिन उपयोग करते हैं।
- दोहराए जाने वाले काम को "स्किल्स" के रूप में पैकेज करें
उन वर्कफ़्लो के लिए जिनका आप बार-बार उपयोग करते हैं, हर बार प्रॉम्प्ट को कॉपी-पेस्ट न करें; इसे एक स्किल के रूप में पैकेज करें। Claude Code और Codex दोनों में दोहराए जाने वाले काम को परिभाषा फ़ाइलों में संक्षेपित करने और उन्हें लगातार कॉल करने के तंत्र हैं।
नुकसान: स्किल-किए बिना हर बार प्रॉम्प्ट को कॉपी-पेस्ट करके संचालन। भिन्नता जमा होती है, और मानसिक भार बढ़ता रहता है। कोई भी वर्कफ़्लो जिसके 2-3 ठोस उपयोग उदाहरण हों, स्किल-किए जाने के लिए तैयार है। उन्हें Claude Code और Codex दोनों में एक ही स्किल का उपयोग करने के आधार पर लिखना यह सुनिश्चित करता है कि यदि आप उपकरण बदलते हैं तब भी कोई लागत नहीं है।
स्वचालन का सार AI पर "सब कुछ डंप करने" या इसे "व्यवस्थित करने" के बीच का अंतर है। प्लान मोड डालें, कॉन्फिग फ़ाइलें व्यवस्थित करें, अनुमतियाँ प्रतिबंधित करें, MCP को कम करें और दोहराव को स्किल करें। चलाने से पहले पहले इन पाँच तंत्रों को सेट करें। यह अकेला तय करता है कि स्वचालन "त्वरण" बन जाता है या "भगोड़ा।"
अध्याय 10: यह अप्रचलित है — प्रॉम्प्ट की आदतें जिन्हें आपको रोकना चाहिए
अंतिम अध्याय जोड़ने के बारे में नहीं, बल्कि घटाने के बारे में है। मैं तीन आदतों को कवर करूंगा जिन्हें भारत में लंबे समय से "सही" माना जाता रहा है लेकिन नवीनतम शोध और विशिष्टताओं में पुनर्विचार किया जा रहा है।
- हर चीज़ में "आप एक विशेषज्ञ हैं..." जोड़ना
एक व्यक्तित्व देने वाले प्रॉम्प्ट एक क्लासिक प्रमुख हैं। हालाँकि, हाल के शोध बताते हैं कि वे "सर्वशक्तिमान नहीं हैं।" जबकि विशेषज्ञ व्यक्तित्व सुरक्षा और मॉडरेशन कार्यों के लिए प्रभावी हैं, रिपोर्ट बताती हैं कि वे तथ्यात्मक पहचान और तर्क में वास्तव में सटीकता कम करते हैं।
दूसरे शब्दों में, एक व्यक्तित्व एक "सार्वभौमिक टेम्पलेट" नहीं है, बल्कि एक "पिनपॉइंट तकनीक है जिसका उपयोग आवेदन चुनकर किया जाना चाहिए।" इसे सुरक्षा निर्णय, नैतिक निर्णय या मॉडरेशन से जोड़ना ठीक है। लेकिन तथ्य-खोज, विश्लेषण, कोड जनरेशन या तर्क कार्यों के लिए, इसे अनावश्यक रूप से न जोड़ें। इस अंतर के प्रति सचेत रहने मात्र से सटीकता एक स्तर ऊपर चली जाती है।
- यांत्रिक रूप से "चरण दर चरण सोचें" जोड़ना
"चरण दर चरण सोचें" और "आइए चरण दर चरण सोचें" को भी लंबे समय से सबसे मजबूत प्रॉम्प्ट माना जाता था। हालाँकि, हाल के मॉडल इस ओर विकसित हो रहे हैं कि मॉडल स्वयं निर्णय करता है कि कब और कितना सोचना है। हर बार "सोचें" लिखने की तकनीकी आवश्यकता कम हो रही है।
भविष्य के संचालन में यांत्रिक रूप से सोचने के निर्देश जोड़ने के बजाय कार्य के उद्देश्य, बाधाओं और अपेक्षित प्रारूप को स्पष्ट करने पर ध्यान केंद्रित करना चाहिए। और तर्क की आवश्यकता वाले जटिल कार्यों के लिए, मॉडल के स्वयं के सोच फ़ंक्शन को चालू करें और निर्णय AI पर छोड़ दें। यह नई पीढ़ी के मॉडल के साथ अधिक संगत है।
- प्रॉम्प्ट को हाथ से लिखना और अंतर्ज्ञान से फ़ाइन-ट्यून करना
यह शायद सबसे बड़ा बिंदु है। कई भारतीय प्रॉम्प्ट को "कला के काम" के रूप में हाथ से लिखते हैं और शब्द चयन और अंतर्ज्ञान से उन्हें फ़ाइन-ट्यून करते हैं। इस बीच, वैश्विक पेशेवर प्रॉम्प्ट को "कोड" के रूप में मानते हैं। वे डिज़ाइन करते हैं, संस्करण नियंत्रित करते हैं, परीक्षण करते हैं और मूल्यांकन मानदंड (eval) के साथ स्कोर करते हुए अनुकूलित करते हैं।
यह इतना अलग क्यों है? कारण सरल है। हाथ से लिखा अंतर्ज्ञान "उन 10% मामलों का पता नहीं लगा सकता जहाँ एक प्रॉम्प्ट जो 90% इनपुट के लिए काम करता है, विनाशकारी रूप से विफल हो जाता है।" इसलिए, वे पहले "सही उत्तर क्या माना जाता है" के लिए एक स्कोरकार्ड बनाते हैं और उसके विरुद्ध प्रॉम्प्ट को मापते हैं।
आज आप "eval सोच" की ओर पहला कदम उठा सकते हैं:
(1) एक ही प्रॉम्प्ट को 5 बार चलाएँ और आउटपुट में भिन्नता देखें। (2) अच्छे आउटपुट में समान 3 शर्तें लिखें (यह एक सरल eval है)। (3) प्रॉम्प्ट के शब्द स्तर पर कई संस्करण बनाएँ और उनकी तुलना करें जब तक वे उन 3 शर्तों को पूरा न कर लें।
वैसे, एक ही अर्थ वाले शब्दों के साथ भी, आउटपुट बदल जाता है। AI की प्रतिक्रिया "Calculate" और "Compute" के बीच सूक्ष्म रूप से भिन्न होती है। हाथ से लिखा अंतर्ज्ञान इस शब्द-स्तर के अंतर को नियंत्रित नहीं कर सकता। यही कारण है कि अपने मस्तिष्क को "मापें और सुधारें" में बदलने का मूल्य है।
मैंने अध्याय 1 से 9 तक कई तकनीकों को जोड़ने का परिचय दिया है। लेकिन जो बढ़ते हैं, वे यह भी तय करते हैं कि क्या "रोकना" है।
निष्कर्ष — प्रॉम्प्ट "विचार के लिए खाका" बन गए हैं
अब तक, मैंने लगभग 40 तकनीकों और जानकारी का परिचय दिया है। अंत में, मैं इस लेख में जो बताना चाहता था, उसे एक चीज़ में संक्षेपित करूंगा।
प्रॉम्प्ट अब "निर्देश" नहीं हैं। वे "विचार के लिए खाका" हैं।
अध्याय 1 में, हमने सोचने के तरीके को ही पारित किया। अध्याय 2 में, हमने निकास से पीछे की ओर काम किया। अध्याय 3 में, हमने AI को एक सेना के रूप में संचालित किया। अध्याय 4 से 6 में, हमने प्रॉम्प्ट के बाहरी भाग = संदर्भ, आंतरिक संरचना और हार्नेस को डिज़ाइन किया। अध्याय 7 में, हमने गुप्त तरकीबों का उपयोग किया; अध्याय 8 में, हमने MCP के साथ AI को हाथ और पैर दिए; अध्याय 9 में, हमने स्वचालन तंत्र स्थापित किए; और अध्याय 10 में, हमने पुरानी आदतों को छोड़ा।
उन सभी में समानता यह है कि वे लिखते हैं "क्या आउटपुट करना है" नहीं, बल्कि "इसे कैसे सोचना और चलना है।" आदेश बनाम खाका। यह अंतर तय करता है कि AI "सिर्फ एक सुविधाजनक उपकरण" बना रहता है या "स्व-चलने वाले साथी" में बदल जाता है।
यहाँ प्रस्तुत तकनीकों के लिए न तो प्रतिभा और न ही अंग्रेजी कौशल की आवश्यकता है। आपको बस आज से अपने प्रॉम्प्ट की एक पंक्ति को थोड़ी अलग संरचना के साथ लिखने का प्रयास करना है। एक पैटर्न को कॉपी और पेस्ट करें जिसने आपकी रुचि पकड़ी और इसे आज़माएँ। यही आपका पहला कदम होगा।
अंत तक पढ़ने के लिए धन्यवाद। मुझे उम्मीद है कि यह लेख AI के साथ आपके रिश्ते को एक स्तर ऊपर उठाने के लिए एक उत्प्रेरक का काम करेगा।
AI के बारे में यहाँ परामर्श लें 👇
