Meta-Prompting

Meta-prompting flytter opgaven et niveau op. I stedet for at bede modellen løse problemet, beder du den producere, analysere eller omskrive den instruktion, der senere skal løse problemet. Outputtet er tekst om prompting, ikke svaret på den underliggende opgave.

Forskellen til chain-of-thought er tydelig i hvad der genereres. Chain-of-thought udvider ræsonnementet inden for én besvarelse af opgaven. Meta-prompting producerer et artefakt, en prompt, som du kan gemme, redigere og køre igen mod andre inputs.

Self-consistency arbejder på samme prompt kørt flere gange og udvælger det hyppigste svar. Meta-prompting ændrer derimod selve prompten, så variansen mindskes fra starten. Automatic prompting er den mest beslægtede teknik, men den forudsætter typisk et testsæt og en scoringsmekanisme, der søger blandt kandidater. Meta-prompting kan køres manuelt i en enkelt runde uden måling, hvilket både er styrken og den vigtigste svaghed.

En vag prompt som "skriv noget om klimaforandringer" efterlader et meget stort rum af plausible fortsættelser. Modellen betinger på det, der står, og når hverken format, længde, målgruppe eller formål er angivet, fordeles sandsynligheden bredt. Resultatet bliver en generisk tekst, fordi den generiske tekst er den mest sandsynlige fortsættelse.

Meta-prompting tvinger de manglende parametre frem som eksplicit tekst. Når analysen af prompten står i context window, betinges den efterfølgende generering på den. Det er teknisk set samme mekanisme som few-shot, blot med kravspecifikation i stedet for eksempler.

Der er også en asymmetri mellem at generere og at kritisere. At pege på hvad der mangler i en kort instruktion er en snævrere opgave end at skrive en god tekst fra bunden. Træningsdata indeholder store mængder redaktionel kritik, kravspecifikationer og briefs, så mønstret er velrepræsenteret.

Hvis din prompt allerede specificerer format, længde, målgruppe og afgrænsning, tilføjer et meta-lag ingen information. Så bruger du tokens og en ekstra runde på at få formuleringer tilbage, der siger det samme.

Meta-prompting løser ikke manglende viden. Er problemet at modellen ikke kender dine data, dine interne regler eller begivenheder efter træningsdatoen, hjælper en bedre formuleret prompt ikke. Der skal hentes materiale ind, typisk via RAG eller direkte i konteksten.

Den største risiko er falsk tryghed. Den forbedrede prompt ser gennemarbejdet ud, men modellen kender ikke dit faktiske formål og udfylder hullerne med plausible gæt. Du kan ende med opfundne målgrupper, en påtvunget afsnitsstruktur og krav, du aldrig har stillet. Uden en sammenligning på reelle inputs ved du ikke, om den nye prompt er bedre eller bare længere.

Reasoning-modeller som Claude Opus 5, GPT-5.6 Sol og Gemini 3.1 Pro udfører selv en del af afklaringen internt, før de svarer. Her giver den klassiske "analysér min prompt først"-runde mindre udbytte end tidligere. Gevinsten ligger nu primært i genbrug, ikke i enkeltbesvarelser.

Meta-prompting bliver mest værd, når den genererede prompt skal køre mange gange. Et almindeligt mønster er at lade en stor model skrive og revidere instruktionen, mens en billigere model som Claude Haiku 4.5, Gemini 3.7 Flash eller GPT-5 nano udfører selve arbejdet i produktion.

Det forudsætter, at prompten testes mod den model, der faktisk skal bruge den. En instruktion, der fungerer på en stor model, kan være for lang eller for implicit til en lille. I multi-agent-opsætninger, hvor én komponent skriver instruktioner til de næste, forplanter en skæv formulering sig gennem alle efterfølgende trin uden at nogen fanger den.