אסטרטגיות לעיצוב הנחיות

עיצוב פרומפטים הוא תהליך של יצירת פרומפטים, או בקשות בשפה טבעית, שמניבים תשובות מדויקות ואיכותיות ממודל שפה.

בדף הזה מוסברים מושגים בסיסיים, אסטרטגיות ושיטות מומלצות שיעזרו לכם להתחיל לכתוב הנחיות כדי להפיק את המרב ממודלים של Gemini AI.

מדריכים לכתיבת הנחיות בנושאים ספציפיים

רוצים לקבל אסטרטגיות ספציפיות יותר לכתיבת הנחיות? כדאי לעיין במדריכים הנוספים שלנו לכתיבת הנחיות בנושאים הבאים:

דוגמאות נוספות להנחיות מופיעות בגלריית ההנחיות, שנועדה להציג באופן אינטראקטיבי רבים מהמושגים שמופיעים במדריך הזה.

הוראות ברורות וספציפיות

דרך יעילה ונוחה להתאים אישית את התנהגות המודל היא לספק לו הוראות ברורות וספציפיות. ההוראות יכולות להיות בצורת שאלה, משימות מפורטות או מורכבות כמו מיפוי של חוויית המשתמש והלך הרוח שלו.

קלט

קלט הוא הטקסט הנדרש בהנחיה שרוצים שהמודל יספק לו תגובה. הקלט יכול להיות שאלה שהמודל עונה עליה (קלט של שאלה), משימה שהמודל מבצע (קלט של משימה), ישות שהמודל פועל עליה (קלט של ישות) או קלט חלקי שהמודל משלים או ממשיך (קלט של השלמה).

סוג הקלט הנחיה פלט שנוצר באמצעות AI
שאלה 

    What's a good name for a flower shop that specializes in selling bouquets of
    dried flowers? Create a list of 5 options with just the names.
 

    Here are 10 names for a flower shop specializing in dried flowers:

    1. Everlasting Blooms
    2. Dried & Delightful
    3. The Petal Preserve
    4. Whispers of Wildflowers
    5. Forever Blooms
משימה 
    Give me a simple list of just the things that I must bring on a camping trip. The list should have 5 items.
 
    1. **Tent:** Your shelter from the elements.
    2. **Sleeping Bag:** Stay warm and comfortable.
    3. **Sleeping Pad:** Insulation and cushioning for a good night's sleep.
    4. **Headlamp or Flashlight:** Light for nighttime activities.
    5. **First Aid Kit:** Be prepared for minor injuries.
ישות 

    Classify the following items as [large, small]:
Elephant
Mouse
Snail
 

Here's the classification:

* **Elephant:** Large
* **Mouse:** Small
* **Snail:** Small

השלמה חלקית של קלט

מודלים גנרטיביים של שפה פועלים כמו כלי מתקדם להשלמה אוטומטית. כשמספקים תוכן חלקי, המודל יכול לספק את שאר התוכן או את מה שהוא חושב שהוא המשך של התוכן הזה כתשובה. אם תכללו דוגמאות או הקשר, המודל יוכל להתחשב בהם.

בדוגמה הבאה מופיעה הנחיה עם הוראה וקלט של ישות:

For the given order, return a JSON object that has the fields cheeseburger, hamburger, fries, or
drink, with the value being the quantity.

Order: A burger and a drink.
  
{
  "cheeseburger": 0,
  "hamburger": 1,
  "fries": 0,
  "drink": 1
}

המודל פעל לפי ההנחיה, אבל לפעמים קשה לכתוב את ההוראות בשפה טבעית, והמודל צריך לפרש הרבה מהן. לדוגמה, התפריט של מסעדה יכול להכיל הרבה פריטים. כדי להקטין את הגודל של תגובת ה-JSON, כדאי להשמיט את הפריטים שלא הוזמנו. במקרה כזה, אפשר לתת דוגמה וקידומת לתשובה ולתת למודל להשלים אותה:

Valid fields are cheeseburger, hamburger, fries, and drink.
Order: Give me a cheeseburger and fries
Output:
```
{
  "cheeseburger": 1,
  "fries": 1
}
```
Order: I want two burgers, a drink, and fries.
Output:
  
```
{
  "hamburger": 2,
  "drink": 1,
  "fries": 1
}
```

שימו לב שהמילה cheeseburger לא נכללה בפלט כי היא לא הייתה חלק מההזמנה.

מגבלות

מציינים אילוצים לגבי קריאת ההנחיה או יצירת התשובה. אתם יכולים להגיד למודל מה לעשות ומה לא לעשות. לדוגמה, אתם יכולים לציין הנחיה בפרומפט לגבי אורך הסיכום שאתם רוצים:

Summarize this text in one sentence:
Text: A quantum computer exploits quantum mechanical phenomena to perform calculations exponentially
faster than any modern traditional computer. At very tiny scales, physical matter acts as both
particles and as waves, and quantum computing uses specialized hardware to leverage this behavior.
The operating principles of quantum devices is beyond the scope of classical physics. When deployed
at scale, quantum computers could be used in a wide variety of applications such as: in
cybersecurity to break existing encryption methods while helping researchers create new ones, in
meteorology to develop better weather forecasting etc. However, the current state of the art quantum
computers are still largely experimental and impractical.
    

      Exploiting quantum mechanical phenomena, quantum computers can perform calculations exponentially faster than traditional computers for potential applications like cybersecurity and meteorology, although they are currently largely experimental and impractical.

פורמט התשובה

אתם יכולים לתת הוראות שמציינות את הפורמט של התשובה. לדוגמה, אתם יכולים לבקש שהתשובה תהיה בפורמט של טבלה, רשימה עם תבליטים, הצגה עצמית קצרה, מילות מפתח, משפט או פסקה. ההוראה הבאה למערכת אומרת למודל להיות יותר שיחתי בתשובה שלו:

    All questions should be answered comprehensively with details, unless the user requests a concise response specifically.
  
    What is a smart way to make a business that sells DVD's in 2025?
  
Starting a business selling DVDs in 2025 presents significant challenges due to the overwhelming dominance of digital streaming and on-demand services; a "smart" approach would therefore require a highly specialized niche, a strong value proposition beyond just the disc, and likely a focus on community or collector markets rather than mainstream consumption.

Here's a breakdown of what a smart DVD business in 2025 would likely entail:

1. Extreme Niche Specialization: You cannot compete with streaming libraries. Your business must focus on what digital doesn't offer easily or at all. This could include:

    * Out-of-Print & Rare Titles: Sourcing films or TV shows that have never been released digitally or are currently unavailable on major streaming platforms.
    ....

עיצוב התשובות באמצעות אסטרטגיית ההשלמה

אסטרטגיית ההשלמה יכולה לעזור גם בעיצוב התשובה. בדוגמה הבאה, המודל מתבקש ליצור טיוטה של חיבור:

Create an outline for an essay about hummingbirds.
  
Here is a possible outline for an essay about hummingbirds:

I. Introduction
A. Hook: Start with a captivating fact or description about hummingbirds (e.g., their speed, iridescent colors, or tiny size).
B. Background: Briefly introduce hummingbirds – where they are found (Americas), their reputation as unique birds.
C. Thesis Statement: State the main point of the essay, which could be about the remarkable adaptations, behaviors, and ecological importance of hummingbirds.

II. Appearance and Identification
.....

בהנחיה לא צוין פורמט לטיוטה, והמודל בחר פורמט בשבילכם. כדי שהמודל יחזיר תרשים בפורמט מסוים, אפשר להוסיף טקסט שמייצג את תחילת התרשים ולתת למודל להשלים אותו על סמך התבנית שיצרתם.

Create an outline for an essay about hummingbirds.
I. Introduction
   *
  
Okay, here is an outline for an essay about hummingbirds, starting from the introduction you provided:

I. Introduction
* Hook: Start with a captivating fact or description about hummingbirds (e.g., their speed, iridescent colors, or tiny size).
* Background: Briefly introduce hummingbirds – where they are found (Americas), their reputation as unique birds, and their general characteristics.
* Thesis Statement: State the main point of the essay, focusing on the remarkable adaptations, behaviors, and ecological significance that make hummingbirds extraordinary.
.....

הנחיות ישירות (Zero-shot) לעומת הנחיות עם כמה דוגמאות (Few-shot)

אתם יכולים לכלול בהנחיה דוגמאות שמראות למודל איך נראית תשובה נכונה. המודל מנסה לזהות דפוסים וקשרים מהדוגמאות ומיישם אותם כשהוא יוצר תגובה. הנחיות שמכילות כמה דוגמאות נקראות הנחיות עם כמה דוגמאות, ואילו הנחיות שלא מספקות דוגמאות נקראות הנחיות ללא דוגמאות. הנחיות עם כמה דוגמאות משמשות בדרך כלל כדי לשלוט בעיצוב, בניסוח, בהיקף או בדפוס הכללי של התשובות של המודל. כדאי להשתמש בדוגמאות ספציפיות ומגוונות כדי לעזור למודל לצמצם את המיקוד שלו וליצור תוצאות מדויקות יותר.

מומלץ תמיד לכלול בדוגמאות שלכם כמה דוגמאות של למידה עם הקשר מועט. הנחיות בלי דוגמאות של few-shot כנראה יהיו פחות יעילות. למעשה, אם הדוגמאות ברורות מספיק ומציגות את המשימה, אפשר להסיר את ההוראות מההנחיה.

ההנחיה הבאה היא הנחיית zero-shot שבה המודל מתבקש לבחור את ההסבר הטוב ביותר.

Please choose the best explanation to the question:

Question: How is snow formed?
Explanation1: Snow is formed when water vapor in the air freezes into ice
crystals in the atmosphere, which can combine and grow into snowflakes as they
fall through the atmosphere and accumulate on the ground.
Explanation2: Water vapor freezes into ice crystals forming snow.
Answer:
  
Explanation1 is the better explanation because it provides more detail on the
process, including how ice crystals combine and grow into snowflakes as they
fall through the atmosphere.

אם תרצו שהמודל ייתן תשובות תמציתיות, תוכלו לכלול בהנחיה דוגמאות שבהן התשובות תמציתיות.

ההנחיה הבאה כוללת שתי דוגמאות שבהן ניתנת עדיפות להסברים קצרים יותר. בתשובה אפשר לראות שהדוגמאות עזרו למודל לבחור את ההסבר הקצר יותר (Explanation2) במקום ההסבר הארוך יותר (Explanation1) כמו שהוא עשה קודם.

Below are some examples showing a question, explanation, and answer format:

Question: Why is the sky blue?
Explanation1: The sky appears blue because of Rayleigh scattering, which causes
shorter blue wavelengths of light to be scattered more easily than longer red
wavelengths, making the sky look blue.
Explanation2: Due to Rayleigh scattering effect.
Answer: Explanation2

Question: What is the cause of earthquakes?
Explanation1: Sudden release of energy in the Earth's crust.
Explanation2: Earthquakes happen when tectonic plates suddenly slip or break
apart, causing a release of energy that creates seismic waves that can shake the
ground and cause damage.
Answer: Explanation1

Now, Answer the following question given the example formats above:

Question: How is snow formed?
Explanation1: Snow is formed when water vapor in the air freezes into ice
crystals in the atmosphere, which can combine and grow into snowflakes as they
fall through the atmosphere and accumulate on the ground.
Explanation2: Water vapor freezes into ice crystals forming snow.
Answer:
  
Answer: Explanation2

מספר אופטימלי של דוגמאות

מודלים כמו Gemini יכולים לזהות דפוסים באמצעות כמה דוגמאות, אבל יכול להיות שתצטרכו להתנסות במספר הדוגמאות שתספקו בהנחיה כדי לקבל את התוצאות הכי טובות. יחד עם זאת, אם תכללו יותר מדי דוגמאות, יכול להיות שהמודל יתחיל להתאים יתר על המידה את התשובה לדוגמאות.

דפוסים לעומת דפוסים לא מומלצים

יותר יעיל להשתמש בדוגמאות כדי להראות למודל דפוס לפעולה מאשר להשתמש בדוגמאות כדי להראות למודל דפוס לא רצוי שצריך להימנע ממנו.

‫⛔ תבנית שלילית:

Don't end haikus with a question:
Haiku are fun
A short and simple poem
Don't you enjoy them?

‫✅ תבנית חיובית:

Always end haikus with an assertion:
Haiku are fun
A short and simple poem
A joy to write

עיצוב עקבי

כדי להימנע מתשובות בפורמטים לא רצויים, חשוב לוודא שהמבנה והפורמט של הדוגמאות עם מעט נתונים זהים. אחת המטרות העיקריות של הוספת דוגמאות עם מעט נתונים בהנחיות היא להראות למודל את פורמט התשובה. לכן, חשוב לוודא שהפורמט עקבי בכל הדוגמאות, ובמיוחד לשים לב לתגי XML, לרווחים, למעברי שורה ולמפרידי הדוגמאות.

הוספת הקשר

אתם יכולים לכלול בהנחיה הוראות ומידע שהמודל צריך כדי לפתור בעיה, במקום להניח שלמודל יש את כל המידע הנדרש. המידע ההקשרי הזה עוזר למודל להבין את האילוצים והפרטים של מה שאתם מבקשים ממנו לעשות.

בדוגמה הבאה, המודל מתבקש לספק הנחיות לפתרון בעיות בנתב:

What should I do to fix my disconnected wifi? The light on my Google
Wifi router is yellow and blinking slowly.
  
  A yellow blinking light on your Google Wifi router usually indicates a problem
  with the internet connection. Here are some steps to troubleshoot and fix the
  issue:
  1. Restart your router and modem:
    - Unplug your modem from the power outlet and wait for 30 seconds.
    - Plug your modem back in and wait for it to fully boot up.
    - Unplug your Google Wifi router and wait for 30 seconds.
    - Plug your Google Wifi router back in and wait for it to fully boot up.
.....

התשובה נראית כמו מידע כללי לפתרון בעיות שלא ספציפי לנתב או לסטטוס של נוריות ה-LED.

כדי להתאים אישית את התשובה לנתב הספציפי, אפשר להוסיף להנחיה את מדריך פתרון הבעיות של הנתב כהקשר שאליו אפשר להתייחס כשמספקים תשובה.

Answer the question using the text below. Respond with only the text provided.
Question: What should I do to fix my disconnected wifi? The light on my Google Wifi router is yellow and blinking slowly.

Text:
Color: Slowly pulsing yellow
What it means: There is a network error.
What to do:
Check that the Ethernet cable is connected to both your router and your modem and both devices are turned on. You might need to unplug and plug in each device again.

Color: Fast blinking yellow
What it means: You are holding down the reset button and are factory resetting this device.
What to do:
If you keep holding down the reset button, after about 12 seconds, the light will turn solid yellow. Once it is solid yellow, let go of the factory reset button.

Color: Solid yellow
What it means: Router is factory resetting.
What to do:
This can take up to 10 minutes. When it's done, the device will reset itself and start pulsing white, letting you know it's ready for setup.

Color: Solid red
What it means: Something is wrong.
What to do:
Critical failure. Factory reset the router. If the light stays red, contact Wifi customer support.
  
Check that the Ethernet cable is connected to both your router and your modem and both devices are turned on. You might need to unplug and plug in each device again.

הוספת קידומות

קידומת היא מילה או ביטוי שמוסיפים לתוכן ההנחיה, ויכולה לשמש למספר מטרות, בהתאם למיקום שלה:

  • קידומת קלט: הוספת קידומת לקלט מאותתת למודל על חלקים בעלי משמעות סמנטית בקלט. לדוגמה, הקידומות 'אנגלית:' ו'צרפתית:' מציינות שתי שפות שונות.
  • קידומת לפלט: למרות שהפלט נוצר על ידי המודל, אפשר להוסיף קידומת לפלט בהנחיה. קידומת הפלט מספקת למודל מידע על התשובה הצפויה. לדוגמה, הקידומת של הפלט 'JSON:' מסמנת למודל שהפלט צריך להיות בפורמט JSON.
  • קידומת לדוגמה: בהנחיות עם מעט דוגמאות, הוספת קידומות לדוגמאות מספקת תוויות שהמודל יכול להשתמש בהן כשיוצר את הפלט, וכך קל יותר לנתח את תוכן הפלט.

בדוגמה הבאה, 'Text:‎' הוא קידומת הקלט ו-'The answer is:‎' הוא קידומת הפלט.

Classify the text as one of the following categories.
- large
- small
Text: Rhino
The answer is: large
Text: Mouse
The answer is: small
Text: Snail
The answer is: small
Text: Elephant
The answer is:
  
The answer is: large

פירוק ההנחיות לרכיבים

בתרחישי שימוש שבהם נדרשות הנחיות מורכבות, אפשר לעזור למודל להתמודד עם המורכבות הזו על ידי פירוק הדברים לרכיבים פשוטים יותר.

  1. פירוט ההוראות: במקום לכלול הרבה הוראות בהנחיה אחת, כדאי ליצור הנחיה אחת לכל הוראה. אתם יכולים לבחור איזו הנחיה לעבד על סמך הקלט של המשתמש.

  2. הנחיות משורשרות: למשימות מורכבות שכוללות כמה שלבים עוקבים, אפשר להגדיר כל שלב כהנחיה ולשרשר את ההנחיות ברצף. בשרשרת הרציפה הזו של הנחיות, הפלט של הנחיה אחת ברצף הופך לקלט של ההנחיה הבאה. הפלט של ההנחיה האחרונה ברצף הוא הפלט הסופי.

  3. תגובות מצטברות: צבירה היא מצב שבו רוצים לבצע משימות מקבילות שונות בחלקים שונים של הנתונים ולצבור את התוצאות כדי ליצור את הפלט הסופי. לדוגמה, אפשר להנחות את המודל לבצע פעולה אחת על החלק הראשון של הנתונים, לבצע פעולה אחרת על שאר הנתונים ולצבור את התוצאות.

ניסוי עם פרמטרים של מודל

כל קריאה שאתם שולחים למודל כוללת ערכי פרמטרים שקובעים איך המודל ייצור תשובה. המודל יכול להפיק תוצאות שונות עבור ערכים שונים של פרמטרים. כדאי לנסות ערכים שונים של פרמטרים כדי לקבל את הערכים הכי טובים למשימה. הפרמטרים שזמינים למודלים שונים עשויים להיות שונים. הפרמטרים הנפוצים ביותר הם:

  1. ‫Max output tokens: מציין את המספר המקסימלי של טוקנים שאפשר ליצור בתשובה. כל טוקן הוא בערך באורך של ארבעה תווים. ‫100 טוקנים תואמים בערך ל-60-80 מילים.

  2. טמפרטורה: הטמפרטורה שולטת במידת האקראיות בבחירת האסימון. הטמפרטורה משמשת לדגימה במהלך יצירת התגובה, שמתרחשת כשמחילים את topP ואת topK. טמפרטורות נמוכות טובות להנחיות שדורשות תשובה יותר דטרמיניסטית או פחות פתוחה, ואילו טמפרטורות גבוהות יכולות להוביל לתוצאות יותר מגוונות או יצירתיות. טמפרטורה של 0 היא דטרמיניסטית, כלומר תמיד נבחרת התגובה עם ההסתברות הכי גבוהה.

  3. ‫topK: הפרמטר topK משנה את האופן שבו המודל בוחר טוקנים לפלט. ערך topK של 1 מציין שהאסימון שנבחר הוא האסימון הסביר ביותר מבין כל האסימונים באוצר המילים של המודל (נקרא גם פענוח חמדני), ואילו ערך topK של 3 מציין שהאסימון הבא נבחר מבין 3 האסימונים הסבירים ביותר באמצעות הטמפרטורה. בכל שלב של בחירת אסימון, מתבצעת דגימה של topK האסימונים עם ההסתברויות הכי גבוהות. לאחר מכן, הטוקנים מסוננים עוד יותר על סמך topP, והטוקן הסופי נבחר באמצעות דגימה לפי טמפרטורה.

  4. ‫topP: הפרמטר topP משנה את האופן שבו המודל בוחר טוקנים לפלט. הטוקנים נבחרים מהסבירים ביותר לסבירים פחות עד שסכום ההסתברויות שלהם שווה לערך topP. לדוגמה, אם לאסימונים A,‏ B,‏ ו-C יש הסתברות של 0.3,‏ 0.2 ו-0.1, והערך של topP הוא 0.5, אז המודל יבחר באסימון A או באסימון B כאסימון הבא באמצעות הטמפרטורה, ויפסול את C כמועמד. ערך ברירת המחדל של topP הוא 0.95.

  5. ‫stop_sequences: הגדרת רצף עצירה כדי להנחות את המודל להפסיק ליצור תוכן. רצף העצירה יכול להיות כל רצף של תווים. כדאי להימנע משימוש ברצף של תווים שעשויים להופיע בתוכן שנוצר.

אסטרטגיות לחידוד הנחיות

לפעמים צריך לבצע כמה איטרציות של עיצוב הנחיה כדי לקבל באופן עקבי את התשובה שמחפשים. בקטע הזה מפורטות כמה פעולות שאפשר לנסות כשמשפרים את ההנחיות:

  1. שימוש בניסוח שונה: שימוש במילים או בניסוח שונים בהנחיות לרוב יוביל לתשובות שונות מהמודל, גם אם המשמעות של כולן זהה. אם אתם לא מקבלים את התוצאות הרצויות מההנחיה, נסו לנסח אותה מחדש.

    Version 1:
How do I bake a pie?

Version 2:
Suggest a recipe for a pie.

Version 3:
What's a good pie recipe?

  2. מעבר למשימה דומה: אם לא הצלחתם לגרום למודל לפעול לפי ההוראות שנתתם לו למשימה מסוימת, נסו לתת לו הוראות למשימה דומה שתשיג את אותה תוצאה.

    ההנחיה הזו אומרת למודל לסווג ספר באמצעות קטגוריות מוגדרות מראש:

    Which category does The Odyssey belong to:
thriller
sci-fi
mythology
biography
  
        The Odyssey belongs to the category of **mythology**. 

    Here's why:

    * **Mythology:** The Odyssey tells the story of Odysseus, a hero from Greek mythology, and his
    journey home after the Trojan War. It features gods, monsters, and supernatural events common to
    Greek mythology.
.....

    התשובה נכונה, אבל המודל לא נשאר בגבולות האפשרויות. אתם רוצים שהמודל ישיב רק עם אחת מהאפשרויות במקום משפט מלא. במקרה כזה, אפשר לנסח מחדש את ההוראות כשאלה אמריקאית ולבקש מהמודל לבחור אפשרות.

    Multiple choice problem: Which of the following options describes the book The Odyssey?
Options:
    


      

    • thriller
      • 

    • sci-fi
      • 

    • mythology
      • 

    • biography

    The correct answer is mythology.

  3. לשנות את הסדר של התוכן בהנחיה: לפעמים הסדר של התוכן בהנחיה משפיע על התשובה. נסו לשנות את סדר התוכן ולראות איך זה משפיע על התשובה.

    Version 1:
[examples]
[context]
[input]

Version 2:
[input]
[examples]
[context]

Version 3:
[examples]
[input]
[context]

תשובות חלופיות

תשובת גיבוי היא תשובה שמוחזרת על ידי המודל אם ההנחיה או התשובה מפעילות מסנן בטיחות. דוגמה לתשובה חלופית היא: "אני לא יכול לעזור בזה, כי אני רק מודל שפה".

אם המודל מגיב בתשובת ברירת מחדל, נסו להגדיל את הטמפרטורה.

דברים שיש להימנע מהם

  • לא מומלץ להסתמך על מודלים ליצירת מידע עובדתי.
  • צריך להשתמש בזהירות בבעיות מתמטיות ובלוגיות.

Gemini 3

מודלים של Gemini 3 מיועדים להסקת מסקנות מתקדמת ולביצוע הוראות. הם מגיבים הכי טוב להנחיות ישירות ומובנות היטב, שבהן המשימה והמגבלות מוגדרות בצורה ברורה. כדי לקבל את התוצאות הטובות ביותר מ-Gemini 3, מומלץ לפעול בהתאם לשיטות המומלצות הבאות:

עקרונות ליצירת הנחיות

  • היו מדויקים וישירים: ציינו את המטרה שלכם בצורה ברורה ותמציתית. מומלץ להימנע משפה מיותרת או משכנעת מדי.
  • שימוש במבנה עקבי: כדאי להשתמש בתווים ברורים להפרדה בין חלקים שונים בהנחיה. תגים בסגנון XML (למשל, ‫<context>, <task>) או כותרות ב-Markdown. בוחרים פורמט אחד ומשתמשים בו באופן עקבי בהנחיה אחת.
  • הגדרת פרמטרים: הסבירו במפורש כל מונח או פרמטר לא ברור.
  • שליטה ברמת הפירוט של הפלט: כברירת מחדל, Gemini 3 מספק תשובות ישירות ויעילות. אם אתם רוצים תשובה יותר מפורטת או כזו שכתובה בסגנון של שיחה, אתם צריכים לבקש את זה במפורש בהוראות.
  • טיפול עקבי בקלט מולטי-מודאלי: כשמשתמשים בטקסט, בתמונות, באודיו או בסרטונים, צריך להתייחס אליהם כאל קלט מאותו סוג. חשוב לוודא שההוראות מתייחסות בבירור לכל אחת מהשיטות לפי הצורך.
  • תעדוף הוראות קריטיות: כדאי להוסיף את ההגבלות ההתנהגותיות החיוניות, את הגדרות התפקיד (פרסונה) ואת הדרישות לגבי פורמט הפלט בהוראות המערכת או בתחילת ההנחיה למשתמש.
  • מבנה להקשרים ארוכים: כשמספקים כמויות גדולות של הקשר (למשל, מסמכים, קוד), צריך לספק את כל ההקשר קודם. ממקמים את ההוראות או השאלות הספציפיות בסוף ההנחיה.
  • הקשר של העוגן: אחרי בלוק גדול של נתונים, כדאי להשתמש במשפט מעבר ברור כדי לקשר בין ההקשר לבין השאילתה, למשל: "בהתבסס על המידע שלמעלה..."

שיפור היכולות של הסקת מסקנות ותכנון

אתם יכולים להשתמש ביכולות המתקדמות של Gemini 3 כדי לשפר את איכות התשובות שלו למשימות מורכבות. לשם כך, אתם יכולים לבקש ממנו לתכנן או לבקר את עצמו לפני שהוא מספק את התשובה הסופית.

דוגמה – תכנון מפורש:

Before providing the final answer, please:
1. Parse the stated goal into distinct sub-tasks.
2. Check if the input information is complete.
3. Create a structured outline to achieve the goal.

דוגמה – ביקורת עצמית:

Before returning your final response, review your generated output against the user's original constraints.
1. Did I answer the user's *intent*, not just their literal words?
2. Is the tone authentic to the requested persona?

דוגמאות להנחיות מובנות

שימוש בתגים או ב-Markdown עוזר למודל להבחין בין הוראות, הקשר ומשימות.

דוגמה ל-XML:

<role>
You are a helpful assistant.
</role>

<constraints>
1. Be objective.
2. Cite sources.
</constraints>

<context>
[Insert User Input Here - The model knows this is data, not instructions]
</context>

<task>
[Insert the specific user request here]
</task>

דוגמה לשימוש ב-Markdown:

# Identity
You are a senior solution architect.

# Constraints
- No external libraries allowed.
- Python 3.11+ syntax only.

# Output format
Return a single code block.

דוגמה לתבנית שמשלבת שיטות מומלצות

התבנית הזו כוללת את העקרונות המרכזיים לכתיבת הנחיות ל-Gemini 3. חשוב תמיד לחזור על התהליך ולשנות את ההגדרות בהתאם לתרחיש השימוש הספציפי שלכם.

הוראה למערכת:

<role>
You are Gemini 3, a specialized assistant for [Insert Domain, e.g., Data Science].
You are precise, analytical, and persistent.
</role>

<instructions>
1. **Plan**: Analyze the task and create a step-by-step plan.
2. **Execute**: Carry out the plan.
3. **Validate**: Review your output against the user's task.
4. **Format**: Present the final answer in the requested structure.
</instructions>

<constraints>
- Verbosity: [Specify Low/Medium/High]
- Tone: [Specify Formal/Casual/Technical]
</constraints>

<output_format>
Structure your response as follows:
1. **Executive Summary**: [Short overview]
2. **Detailed Response**: [The main content]
</output_format>

הנחיה למשתמש:

<context>
[Insert relevant documents, code snippets, or background info here]
</context>

<task>
[Insert specific user request here]
</task>

<final_instruction>
Remember to think step-by-step before answering.
</final_instruction>

מודלים גנרטיביים מאחורי הקלעים

בקטע הזה ננסה לענות על השאלה – האם התשובות של מודלים גנרטיביים הן אקראיות או דטרמיניסטיות?

התשובה הקצרה היא כן לשתי השאלות. כשמזינים הנחיה למודל גנרטיבי, נוצרת תשובה טקסטואלית בשני שלבים. בשלב הראשון, המודל הגנרטיבי מעבד את הנחיית הקלט ומפיק התפלגות הסתברויות על פני אסימונים (מילים) אפשריים שסביר שיגיעו בהמשך. לדוגמה, אם מזינים את הטקסט "הכלב קפץ מעל ... ", המודל הגנרטיבי יפיק מערך של המילים הסבירות הבאות:

[("fence", 0.77), ("ledge", 0.12), ("blanket", 0.03), ...]

התהליך הזה הוא דטרמיניסטי. מודל גנרטיבי ייצור את אותה ההתפלגות בכל פעם שיוזן לו אותו טקסט הנחיה.

בשלב השני, המודל הגנרטיבי ממיר את ההתפלגויות האלה לתגובות טקסט בפועל באמצעות אחת מכמה אסטרטגיות פענוח. שיטת פענוח פשוטה יכולה לבחור את האסימון הסביר ביותר בכל פעימה. התהליך הזה תמיד יהיה דטרמיניסטי. אבל במקום זאת, אפשר לדגום באופן אקראי את ההתפלגות שהוחזרה על ידי המודל כדי ליצור תגובה. התהליך הזה יהיה סטוכסטי (אקראי). אפשר לשלוט במידת האקראיות בתהליך הפענוח הזה באמצעות הגדרת הטמפרטורה. טמפרטורה של 0 פירושה שרק האסימונים הסבירים ביותר נבחרים, ואין אקראיות. לעומת זאת, טמפרטורה גבוהה מוסיפה מידה גבוהה של אקראיות לאסימונים שנבחרים על ידי המודל, וכתוצאה מכך התשובות של המודל יהיו יותר לא צפויות ומפתיעות. ב-Gemini 3, מומלץ לא לשנות את טמפרטורת ברירת המחדל של 1.0 כדי למנוע תוצאות לא צפויות.

השלבים הבאים