System Prompts

En system prompt er et separat instruktionsfelt i API-kaldet, adskilt fra brugerens beskeder. Den beskriver rolle, tone, begrænsninger og outputformat, og den ligger forrest i context window ved hver eneste tur i samtalen. Du sætter den én gang i koden, ikke i hver enkelt besked.

Forskellen til role prompting er placeringen, ikke ordlyden. Skriver du "Du er en erfaren marketingkonsulent" i en almindelig brugerbesked, er det role prompting, og instruktionen bliver bare endnu en tekst i dialoghistorikken. Den samme sætning i system-feltet får en anden vægt, fordi modellerne er trænet til at behandle de to felter forskelligt.

Forskellen til almindelig instruction-following er varigheden. En instruktion i en brugerbesked gælder reelt den besked og måske de næste par ture, indtil den drukner i kontekst. System prompten står uændret i tur 40 som i tur 1. Constitutional AI-lignende principper er beslægtede, men de ligger typisk i modellens træning, ikke i noget du kan redigere.

Under træningen ser modellerne enorme mængder eksempler hvor system-feltet indeholder instruktioner der efterleves, og hvor brugerbeskeder der modsiger dem ikke får lov at vinde. Den asymmetri er indlært adfærd. Resultatet er en højere vægtning af tokens fra system-feltet ved generering af svar, især når der er konflikt mellem kilder.

Dertil kommer en simpel positionseffekt. System prompten står altid først og bliver aldrig skubbet ud af context window af senere beskeder. Instruktioner der gives midt i en lang samtale, konkurrerer derimod med alt hvad der kom bagefter, og deres indflydelse aftager målbart.

En velskrevet system prompt indsnævrer også fordelingen af sandsynlige næste tokens fra start. Angiver du "brug metrics og KPI'er" og "dansk markedskontekst", bliver svar uden tal og med amerikanske eksempler mindre sandsynlige, længe før modellen når til den konkrete sætning. Effekten er statistisk, ikke en regel der håndhæves.

System prompts er ikke en sikkerhedsmekanisme. De påvirker sandsynligheder, de blokerer ikke. Bruger du dem til at forhindre en model i at omtale konkurrenter, læse fortrolige data op eller svare på bestemte spørgsmål, får du en tendens, ikke en garanti. Prompt injection og vedholdende omformuleringer kan omgå dem, og det gælder alle modeller, også Claude Opus 5 og GPT-5.6 Sol.

Lange system prompts giver aftagende udbytte. Over cirka 300 til 400 ord begynder instruktioner at modsige hinanden uden at du opdager det, og modellen prioriterer inkonsistent. To linjer om tone plus en linje om format virker ofte bedre end tyve punkter.

Til engangsopgaver er teknikken overflødig. Skal du have oversat ét dokument eller opsummeret én rapport, hører instruktionen hjemme i selve prompten. System prompten betaler sig først når samme adfærd skal gentages på tværs af mange kald.

Nyere modeller med eksplicit reasoning følger korte system prompts mere pålideligt end tidligere generationer. Detaljerede formuleringer om at tænke skridt for skridt eller dobbelttjekke svaret er blevet unødvendige, fordi den adfærd sker i reasoning-fasen uanset. Behold rolle, domæne, tone og format, og skær metodeinstruktionerne væk.

Omvendt er system prompten stadig det eneste sted du kan lægge ting modellen ikke kan udlede: hvilket produkt den understøtter, hvilken målgruppe der læser med, og hvad den skal gøre når den ikke ved svaret. Det gælder lige så meget for hurtige modeller som Gemini 3.7 Flash og Claude Haiku 4.5, hvor en præcis system prompt ofte kompenserer for mindre kapacitet.