Generated Knowledge Prompting

Generated Knowledge Prompting deler opgaven i to trin. Først beder du modellen om at nedskrive relevante fakta om emnet uden at svare på spørgsmålet. Derefter beder du om selve svaret, med den nedskrevne viden som grundlag.

Forskellen til chain-of-thought er hvad der produceres i første trin. Chain-of-thought producerer et ræsonnement, altså en kæde af slutninger der peger mod ét bestemt svar. Generated Knowledge producerer et sæt frit stående påstande om emnet, som endnu ikke er bundet til spørgsmålet. Det gør teknikken bedre til åbne spørgsmål uden ét korrekt svar, hvor problemet ikke er en fejl i logikken, men at for lidt relevant materiale er i spil.

Forskellen til RAG er kilden. RAG henter tekst fra et eksternt indeks og lægger den i context window. Her kommer materialet fra modellen selv. Du får ingen garanti for korrekthed, men du får dækning af emner hvor du ikke har et indeks, og du får det uden opsætning.

En sprogmodel genererer hvert token betinget af alt hvad der står i context window. Når baggrundsviden står eksplicit i prompten, indgår den i den betingelse. Uden trinnet skal svaret bygge på det, der implicit aktiveres af spørgsmålets formulering alene, og det er typisk et smallere udsnit.

Spørgsmål er ofte korte og fattige på signaler. Et spørgsmål om kaffe indeholder ordet kaffe, men ikke ordene koffein, cortisol eller tolerance. Ved at skrive de fakta ud først, tilføjer du de termer til konteksten, og de efterfølgende tokens genereres med dem til stede.

Der sker også en strukturel adskillelse. Når fakta og konklusion produceres i samme sætning, bliver de faktuelle påstande valgt sammen med et flydende svar, og formuleringens rytme får indflydelse på hvad der nævnes. Adskiller du trinnene, vælges faktapåstandene uden pres fra en konklusion, der allerede er under opbygning.

Teknikken giver falsk tryghed på præcise facts. Genereret viden ser autoritativ ud, fordi den står opstillet i punktform med tal og enheder. Er et tal forkert, bliver fejlen båret videre til konklusionen og fremstår nu underbygget. På datoer, priser, versionsnumre, lovtekst og dosering er retrieval det rigtige valg, ikke generering.

Den hjælper heller ikke på lukkede opgaver med al information i prompten. Skal du regne på tal, du selv har givet, eller omskrive en tekst du har vedhæftet, tilføjer et videnstrin kun tokens og støj.

Og der er en risiko for indsnævring. Den genererede viden bliver til den ramme, svaret bygges inden i. Rammer første trin skævt, arver andet trin skævheden, og svaret bliver internt konsistent og alligevel forkert.

På reasoning-modeller som Claude Opus 5, GPT-5.6 Sol og Gemini 3.1 Pro er trinnet ofte overflødigt. De udfører en tilsvarende opsamling af baggrund internt før svaret. Du får stadig værdi, hvis du vil se og redigere grundlaget, eller hvis du styrer hvilke aspekter der skal med. På mindre modeller som GPT-5 nano, Claude Haiku 4.5 og Gemini 3.7 Flash er den eksplicitte version stadig mærkbar.

Kør de samme tyve spørgsmål med og uden videnstrinnet, og sammenlign svarene parvis. Uden den sammenligning kan du ikke skelne mellem svar der er bedre, og svar der bare er længere.

Tjek særligt om påstandene i trin to faktisk stammer fra trin et. Sker det ofte, at konklusionen indeholder tal og forbehold, der ikke stod i den genererede viden, fungerer opdelingen ikke efter hensigten, og du betaler tokens for en facade.