AI रिसर्च पढ़ने में 6 मिनट

2026 में प्रॉम्प्ट टेस्टिंग: जो काम करता है उसे बिगाड़े बिना सुधारें

लेखक इमैनुएल अबू चाबके, संस्थापक और संपादक · AIQuickPrompt की संपादकीय टीम द्वारा समीक्षित · प्रकाशक के बारे में

प्रॉम्प्ट टेस्टिंग का अर्थ है सेव किए गए निर्देश को उदाहरणों और स्पष्ट सफलता मानदंडों पर जाँचना। रिग्रेशन टेस्टिंग एक और सवाल पूछती है: क्या नया संस्करण वह काम भी ठीक करता है जो पुराना करता था? ChatGPT, Claude या Gemini का उपयोगी प्रॉम्प्ट बदलने से पहले दोनों संस्करणों को एक जैसे इनपुट पर आज़माएँ। किसी कठिन अनुरोध का अच्छा जवाब बदलाव को जाँचने का कारण है, उसे लाइब्रेरी में अपनाने का प्रमाण नहीं।

बदले हुए संस्करण को लाइब्रेरी में रखने से पहले दो प्रॉम्प्ट संस्करण उन्हीं तीन टेस्ट मामलों से गुजरते हैं
बदले हुए संस्करण को लाइब्रेरी में रखने से पहले दो प्रॉम्प्ट संस्करण उन्हीं तीन टेस्ट मामलों से गुजरते हैं

नवंबर की खबर: प्रॉम्प्ट ऑप्टिमाइज़ेशन में पुराने व्यवहार की जाँच ज़रूरी है

6–10 नवंबर के IJCNLP-AACL 2026 सम्मेलन के लिए Findings में प्रकाशित STEVE, स्वचालित प्रॉम्प्ट ऑप्टिमाइज़ेशन की अस्थिरता का अध्ययन करता है। इसका प्रीप्रिंट 20 सितंबर को आया था। यह नया सम्मेलन प्रकाशन है, आज पहली बार घोषित तकनीक नहीं।

शोधकर्ताओं ने दो समस्याएँ पहचानीं: पहले से सही जवाबों पर फीडबैक बेकार बदलाव ला सकता है, और कठिन उदाहरणों के लिए बार-बार सुधार करने से आसान उदाहरण बिगड़ सकते हैं। उनका तरीका विफलताओं से संशोधन निर्देशित करता है और अलग संरक्षण सेट पर नए संस्करण जाँचता है। उन्होंने दस तर्क-आधारित बेंचमार्क पर अधिक स्थिर नतीजे बताए हैं।

नीचे का व्यावहारिक तरीका रोज़मर्रा की प्रॉम्प्ट लाइब्रेरी के लिए हमारा रूपांतरण है। यह STEVE की पुनरावृत्ति, चैट ऐप का बेंचमार्क या इन टेम्पलेट से शोध जैसे नतीजे मिलने का दावा नहीं है।

काम में प्रॉम्प्ट रिग्रेशन कैसा दिखता है

मान लें कि एक सेव किया गया प्रॉम्प्ट क्लाइंट के ब्रीफ़ से छोटा ईमेल बनाता है। फिर बिना समय-सीमा वाला ब्रीफ़ आता है। आप जोड़ते हैं: ‘लिखने से पहले हमेशा सवाल पूछो।’ इससे गायब तारीख पकड़ में आती है, लेकिन अब पूरे ब्रीफ़ पर भी मॉडल सवाल पूछता है। एक मामला सुधरा, सामान्य मामला कम उपयोगी हो गया।

ज़्यादा सीमित बदलाव आज़माएँ: ‘अगर ब्रीफ़ में ईमेल के लिए ज़रूरी तथ्य न हो, तो उसे गढ़ने के बजाय गायब तथ्यों की सूची दो। वरना ईमेल लिखो।’ यह जाँचने योग्य उदाहरण है, मापा गया नतीजा नहीं।

काम में प्रॉम्प्ट रिग्रेशन कैसा दिखता है
टेस्ट इनपुटज़रूरी व्यवहार
पूरा ब्रीफ़गैरज़रूरी सवालों के बिना ईमेल लिखना
ज़रूरी तारीख के बिना ब्रीफ़गायब तारीख पहचानना; उसे न गढ़ना
विरोधी तारीखों वाला ब्रीफ़लिखने से पहले विरोध बताना

पाँच चरणों में AI प्रॉम्प्ट कैसे जाँचें

बार-बार होने वाले एक काम से शुरू करें। नया जवाब देखने से पहले स्वीकृति नियम तय करें, ताकि अच्छी भाषा किसी छूटी ज़रूरत को न छिपाए।

  • मूल संस्करण रखें: संपादन से पहले मौजूदा प्रॉम्प्ट सेव करें।
  • छोटा केस सेट बनाएँ: सामान्य इनपुट, ज्ञात विफलता और विरोधी या अधूरा इनपुट शामिल करें। वास्तविक उदाहरण मिलते जाएँ तो जोड़ें।
  • एक ज़रूरत बदलें: देखी गई विफलता सुधारें, असंबंधित निर्देश न लिखें।
  • समान स्थितियों में तुलना करें: जहाँ उपलब्ध हों, वही मॉडल, इनपुट, टूल और सेटिंग रखें। अलग बातचीत इस्तेमाल करें ताकि पिछले जवाब असर न डालें।
  • हर केस देखें: बदलाव तभी रखें जब वह समस्या हल करे और ज़रूरी व्यवहार भी बचाए। अनिश्चित केस दोहराएँ और मतभेद दर्ज करें।
प्रस्तावित प्रॉम्प्ट एक मामला सुधारता है लेकिन पहले सफल मामले में विफल होता है, इसलिए सेव किए संस्करण को बदलने के बजाय दोबारा संशोधन के लिए लौटता है
प्रस्तावित प्रॉम्प्ट एक मामला सुधारता है लेकिन पहले सफल मामले में विफल होता है, इसलिए सेव किए संस्करण को बदलने के बजाय दोबारा संशोधन के लिए लौटता है

कॉपी करने योग्य टेम्पलेट: लक्षित प्रॉम्प्ट संशोधन माँगें

प्लेसहोल्डर में वास्तविक विफलता और अपनी ज़रूरतें भरें। क्लाइंट की गोपनीय जानकारी हटाएँ। पहले संशोधन प्रस्ताव माँगें, फिर मामलों पर खुद चलाएँ; ऑप्टिमाइज़र की व्याख्या टेस्ट का नतीजा नहीं है।

इस दोबारा उपयोग होने वाले प्रॉम्प्ट को संशोधित करें: {{baseline_prompt}}
देखी गई विफलता: {{failed_input_and_output}}
ज़रूरी व्यवहार: {{acceptance_rules}}
जो व्यवहार नहीं बदलना चाहिए: {{preservation_rules}}
सबसे छोटा उपयोगी बदलाव सुझाएँ।
बदला प्रॉम्प्ट, हर बदलाव का कारण और जाँचने योग्य संभावित रिग्रेशन दें।
टेस्ट चलाने या सटीकता बढ़ने का दावा न करें।

कॉपी करने योग्य टेम्पलेट: प्रॉम्प्ट मूल्यांकन टेस्ट कार्ड

अपेक्षित व्यवहार को इकट्ठा किए जवाबों से अलग रखें। तथ्य वाले काम के लिए सत्यापित संदर्भ इस्तेमाल करें; लेखन में लंबाई, प्रमाणित दावे और ज़रूरी फ़ील्ड जैसे दिखने वाले मानदंड रखें। AI समीक्षक समस्या ढूँढ़ सकता है, लेकिन अनिश्चित निर्णय इंसान करे।

काम: {{task_name}}
मूल संस्करण: {{baseline_version}}
प्रस्तावित संस्करण: {{candidate_version}}
मॉडल और तारीख: {{model_and_date}}
टूल और सेटिंग: {{tools_and_settings}}
टेस्ट इनपुट: {{test_input}}
अपेक्षित व्यवहार: {{expected_behavior}}
मूल आउटपुट: {{baseline_output}}
प्रस्तावित आउटपुट: {{candidate_output}}
जाँचें: ज़रूरी तथ्य, फ़ॉर्मैट, गायब जानकारी और गैरज़रूरी चरण।
हर संस्करण के लिए पास, फेल या अनिश्चित लिखें और प्रमाण दें।
निर्णय: प्रस्ताव रखें, बदलें या अस्वीकार करें।
अनसुलझे सवाल: {{review_notes}}

संस्करण AIQuickPrompt में रखें, फिर अपने काम के टूल में जाँचें

मूल संस्करण, प्रस्ताव और दोबारा इस्तेमाल होने वाला टेस्ट कार्ड लाइब्रेरी में सेव करें। ‘क्लाइंट ईमेल — गायब तारीख जाँच’ जैसा स्पष्ट नाम दें और बदलते इनपुट के लिए पुनः उपयोग योग्य वेरिएबल रखें। प्रस्ताव को रोज़मर्रा का संस्करण बनाने से पहले बदलाव और जाँचा गया मॉडल दर्ज करें।

AIQuickPrompt प्रॉम्प्ट स्टोरेज, पुनः उपयोग योग्य वेरिएबल और संस्करण इतिहास देता है। यहाँ इन सुविधाओं से काम व्यवस्थित होता है; तुलना आप चुने हुए AI टूल में खुद चलाते और नतीजे दर्ज करते हैं। प्रॉम्प्ट सेव करने से रिग्रेशन टेस्ट अपने आप नहीं चलते।

अगर AI Optimise इस्तेमाल करते हैं, तो सुझाई गई भाषा को भी इन्हीं जाँचों वाला प्रस्ताव मानें। पूरे संपादन क्रम के लिए हमारी प्रॉम्प्ट ऑप्टिमाइज़ेशन गाइड पढ़ें; बदलाव रखने के प्रमाण चाहिए हों तो यह टेस्ट कार्ड इस्तेमाल करें।

हर हफ़्ते इस्तेमाल होने वाला एक प्रॉम्प्ट चुनें। मौजूदा संस्करण सेव करें, अच्छे जवाब की ज़रूरतें लिखें और समान मामलों पर छोटा बदलाव जाँचें। जाँच में सफल संस्करण को उन प्रमाणों के साथ रखें जिनसे अगली बार उस पर भरोसा कर सकें।

और पढ़ें

इस लेख से जुड़े मूल स्रोत और व्यावहारिक गाइड।

अक्सर पूछे जाने वाले सवाल

प्रॉम्प्ट रिग्रेशन टेस्टिंग क्या है?

यह जाँचती है कि संशोधन से पहले काम करने वाला व्यवहार बिगड़ा तो नहीं। मूल और प्रस्तावित संस्करण समान प्रतिनिधि इनपुट पर चलाएँ और स्पष्ट ज़रूरतों से तुलना करें।

प्रॉम्प्ट जाँचने के लिए कितने उदाहरण चाहिए?

कोई सार्वभौमिक न्यूनतम नहीं है। सामान्य मामलों और ज्ञात विफलताओं से शुरू करें, फिर काम की विविधता और परिणामों के अनुसार बढ़ाएँ। छोटा मैनुअल टेस्ट शुरुआत है, उत्पादन स्तर की विश्वसनीयता का प्रमाण नहीं।

क्या यह STEVE के स्वचालित प्रॉम्प्ट ऑप्टिमाइज़ेशन को दोहराता है?

नहीं। ये टेम्पलेट शोध से प्रेरित मैनुअल समीक्षा में मदद करते हैं। ये STEVE का ऑप्टिमाइज़र लागू नहीं करते और न उसके प्रकाशित बेंचमार्क प्रदर्शन को स्थापित करते हैं।

पढ़ना जारी रखें