Introduktion: Kunsten at prompte en lille, men mægtig model
Hvis du nogensinde har ønsket, at din AI føltes mere som en hurtigtænkende holdkammerat end en langsom, ordrig konsulent, er Claude Haiku 4.5 din model. Den er konstrueret til hastighed, lav latenstid og omkostningseffektivitet – ideel til hurtig iteration, store arbejdsbelastninger og tætte feedback-loops. Men her er tricket: at få exceptionelle resultater fra Haiku 4.5 handler ikke om at skrive længere prompter. Det handler om at skrive skarpere prompter. I denne guide vil vi udpakke promptstrategier, der konsekvent producerer skarpe, pålidelige outputs fra Claude Haiku 4.5 – og vise dig, hvordan du tilpasser dem til alt fra kodning til indholdsgenerering og letvægtsanalyse.
Hvad gør Claude Haiku 4.5 anderledes – og hvorfor er det vigtigt for prompting
Claude Haiku 4.5 er i “small model”-kategorien, bygget til hastighed og skala, samtidig med at den bevarer stærk ræsonnement for hverdagsopgaver. Det ændrer den måde, du prompter:
- Du får de bedste resultater med strukturerede, eksplicitte instruktioner.
- Korte, høj-signal prompter slår lange, snørklede prompter.
- Trinvis ræsonnement (“tænk trin-for-trin i 3-5 trin”) hjælper den med at holde fokus.
- Den er fantastisk til hurtige udkast, scaffolding og beslutningsstøtte med klare begrænsninger.
Haiku 4.5 er designet til at være omkostningseffektiv i stor skala, hvilket gør den perfekt til at orkestrere multi-turn workflows, bulk indholdstransformationer og retrieval-augmented generation (RAG), hvor latenstid er vigtig.
Stilbemærkning: Denne artikel bruger en praktisk og løsningsorienteret tilgang – optimeret til øjeblikkelig brug i virkelige projekter.
De gyldne regler for Claude Haiku 4.5 prompter
- Skriv den korteste prompt, der stadig fjerner tvetydighed
- Dårligt: “Sammenfat denne rapport.”
- Bedre: “Sammenfat denne rapport for en produktchef. 5 punkter. Inkluder: risici, afhængigheder, næste skridt. Maks. 120 ord.”
Hvorfor det virker: Haiku 4.5 trives, når dine begrænsninger er skarpe. Angiv målgruppe, format, længde og eventuelle must-have elementer.
- Hold roller og mål eksplicitte i system-style opsætningen
- Eksempel: “Du er en præcis teknisk assistent. Mål: (1) svar præcist, (2) minimer tokens, (3) vis kun en 3-trins ræsonnementoversigt, når du bliver bedt om det.”
Hvorfor det virker: Klar rolle + mål guider dekodning, reducerer drift og forbedrer repeterbarheden på tværs af opkald.
- Foretræk checklists over åben formulering
- Eksempel for kodegennemgang: “Gennemgå for: (a) korrekthed, (b) sikkerhed, (c) læsbarhed, (d) testdækning. Output: bestået/ikke bestået pr. element med 1-2 linjers begrundelse.”
Hvorfor det virker: Checklists komprimerer komplekse opgaver til pålidelige, verificerbare delopgaver.
- Eksempel: “Tænk i op til 4 trin, og præsenter derefter kun et endeligt svar.”
Hvorfor det virker: Du får fokuseret ræsonnement uden løbsk ordrighed.
- Kræv strukturerede outputs (altid!)
- Eksempel: “Returner JSON med keys: decision, rationale, risks, next_steps. Ingen ekstra tekst.”
Hvorfor det virker: Struktur muliggør downstream automatisering, forhindrer fyld og holder omkostningerne forudsigelige.
- Forankr modellen med eksempler
- Few-shot eksempler skal være: korte, repræsentative og overensstemmende med din ønskede stil.
- Mønster: Instruktion → 1-2 kompakte eksempler → Nyt input.
- Tip: Hold eksempler domænespecifikke (f.eks. din brand voice, din kodestil).
- Begræns tone, længde og format
- “Tone: neutral-professionel.”
- “Format: 5 punkter, hver ≤18 ord.”
- For kode: “Target: Python 3.11, Pydantic v2. Brug type hints. Inkluder en 1-block test.”
- Lær den, hvordan man siger “Jeg ved det ikke”
- Tilføj: “Hvis der mangler data eller er tvetydighed, skal du først stille et enkelt afklarende spørgsmål. Hvis du stadig er usikker, skal du sige ‘ukendt’.”
Hvorfor det virker: Reducerer selvsikre forkerte svar og holder loops effektive.
- Brug retrieval og send relevante uddrag, ikke hele corpora
- Angiv kun de top 1-3 relevante bidder.
- Pre-trim boilerplate for at maksimere signaldensiteten.
- Label snippets: [Policy], [Excerpt], [Email], [Spec].
- Adskil politik fra opgave
- Politik: “Output aldrig PII, hold dig under 150 tokens, citer kilder, hvis de er angivet.”
- Brugeropgave: “Sammenfat e-mailkæden for salgsleadet.”
Hvorfor det virker: Renere promptarkitektur, lettere vedligeholdelse.
Promptmønstre, der konsekvent virker
Mønster A: Den “Tight Brief”
Brug, når du har brug for hastighed og konsistens til rutineopgaver.
Template:
- Rolle: “Du er en [rolle].”
- Mål: “Dit mål er at [mål].”
- Begrænsninger: målgruppe, længde, tone, format.
- Evalueringsrubrik: 2-4 punktkriterier.
- Input delimiter: “Input starter/slutter med ===.”
- Output schema: “Returner [format]. Ingen ekstra tekst.”
Mønster B: “Critique then Create”
For udkast af højere kvalitet med minimale ekstra tokens.
- Trin 1 (internt): “Vurder lydløst relevans, huller og risici i 3 punkter.”
- Trin 2 (output): “Producer udkastet, der løser disse problemer.”
- For at holde output rent skal du angive: “Vis ikke kritikken; anvend den kun.”
Mønster C: “Compare-and-Choose”
Brug, når valg er opgaven.
- “Givet mulighederne A-D, score på: nøjagtighed (40), klarhed (30), overholdelse (30). Returner vinderen og en begrundelse på 2 sætninger.”
Mønster D: “Chain of Checks”
For sikkerhed, overholdelse eller politikoverholdelse.
- “Før du svarer, skal du bekræfte: (1) tilladt af politikken, (2) inden for rammerne, (3) ingen manglende oplysninger. Hvis nogen fejler, skal du stoppe og stille 1 afklarende spørgsmål.”
Mønster E: “Delta-Edit”
Til redigeringer af eksisterende tekst.
- “Returner kun den minimale diff: ‘Ændre X til Y, fordi Z.’ Bevar eksisterende stil. Maks. 8 ændringer.”
Mønster F: “Code Scaffold”
- “Generer en minimal, kørbar baseline med TODOs. Inkluder tests. Hold funktioner ≤30 linjer. Tilføj docstrings og type hints.”
Eksempler med stor effekt til hverdagens workflows
Indholdssammenfatning
Prompt:
“Du er en præcis analytiker. Sammenfat følgende rapport for en produktleder.
- Output: 5 punkter (≤18 ord hver) for: resultat, risici, afhængigheder, næste skridt, metrics.
- Hvis der mangler data, skal du skrive ‘ukendt’ for det punkt.
===
[Indsæt rapport]
===”
E-mailudkast
Prompt:
“Du er en professionel assistent. Udarbejd et svar, der er: kort, varmt, afgørende. Inkluder: (1) påskønnelse, (2) 1 klar beslutning, (3) 1 spørgsmål.
- Maks. 120 ord. Ingen hilsen-afslutninger; jeg tilføjer dem.”
SQL-generering fra schema
Prompt:
“Du er en SQL-assistent. Givet et Postgres schema, skriv en enkelt forespørgsel.
- Begrænsninger: ANSI SQL, ingen CTE'er medmindre nødvendigt, brug indekser, hvor det er underforstået.
- Output: kun kodeblok. Derefter 1-sætningsforklaring.
Schema:
===
[Schema]
===
Task: [Question]”
Kodegennemgang
Prompt:
“Du er en sikkerhedsbevidst kodegennemgangsperson.
- Check: korrekthed, sikkerhed, læsbarhed, tests.
- Output: JSON-array af resultater med felterne: severity, file, line, issue, fix.
- Maks. 6 resultater. Hvis ingen, returner [].
===
[Diff or file]
===”
RAG spørgsmålsbesvarelse
Prompt:
“Du er en jordnær respondent. Brug KUN de angivne kilder.
- Citer kilde-ID'er i parentes som [S1]. Hvis svaret ikke er i kilderne, skal du sige 'ikke fundet i kilder'.
- Output: 2-4 sætninger; derefter 3 punkter mærket 'Citater'.
Sources:
[S1] …
[S2] …
Question: …”
Evalueringsrubrikker til at bage ind i prompter
- Nøjagtighed først: “Straffe ikke-understøttede påstande. Foretræk 'ukendt' frem for at gætte.”
- Kortfattethed: “Svar over 150 tokens er ikke-kompatible.”
- Struktur: “Fejl svar, der ikke matcher JSON-skemaet.”
- Sikkerhed: “Afvis opgaver, der inkluderer legitimationsoplysninger, hemmeligheder eller PII.”
Tricks til pålidelighed og lav latenstid
- Brug eksplicitte afgrænsere (===, <<<json>>>). Forhindrer utilsigtet overlap mellem sektioner.
- Label alt. Haiku 4.5 respekterer labels som [Context], [Policy], [Task], [Output].
- Angiv token-budgetter: “Target 120-180 tokens; overskrid aldrig 220.”
- Foretræk simple ord. Undgå billedsprog, medmindre det er nødvendigt.
- Undgå multi-hop instruktioner i en enkelt sætning; opdel i nummererede trin.
Almindelige faldgruber – og hvordan man løser dem
- Faldgrube: Vage mål.
Fix: Angiv mål + målgruppe + begrænsninger.
- Faldgrube: Overdrevent lang kontekst.
Fix: Send kun de 1-3 mest relevante snippets.
- Faldgrube: Ustrukturerede outputs.
Fix: Påkræv JSON eller bullet schema.
- Faldgrube: Hallucinerede kilder.
Fix: Instruer: “Citer kun angivne kilder; ellers sig 'ikke fundet i kilder'.”
- Faldgrube: Ubeslutsomme svar.
Fix: Angiv en beslutningsrubrik, og kræv et enkelt valg.
Avanceret: Opbygning af et promptbibliotek til Haiku 4.5
- Opret genanvendelige makroer (f.eks. Tone: Neutral, Output: JSON Schema A, Safety: Basic).
- Version prompts med semantiske navne (email_draft_v3_compact).
- AB-test varianter: ændre én variabel ad gangen (format vs. tone vs. rubrik).
- Vedligehold et “failure museum” af prompter, der producerede dårlige resultater, og hvorfor.
Hvornår skal man vælge Haiku 4.5 vs. større modeller
- Vælg Haiku 4.5, når du har brug for: hastighed, omkostningskontrol, storstilet opgaverouting, strukturerede outputs eller iterative loops.
- Vælg større modeller, når du har brug for: dyb multi-hop ræsonnement, ny syntese på tværs af støjende dokumenter eller kompleks kodegenerering på tværs af store kodebaser.
- Hybridmønster: Brug Haiku 4.5 til at triagere, opdele og udarbejde udkast; eskaler hårde tilfælde til en større model.
Forresten: Hvis du orkestrerer multi-step prompting, kan et AI-arbejdsområde, der understøtter gemte skabeloner, multi-turn memory per projekt og nem RAG-opsætning, reducere iterationstiden dramatisk. Værktøjer, der giver dig mulighed for at standardisere roller, begrænsninger og outputskemaer på tværs af prompter, hjælper dig med at skalere disse bedste praksisser på tværs af teamet.
Copy-paste promptskabeloner, du kan tilpasse i dag
- Ultra-compact brief
“Du er en [rolle]. Mål: [mål].
Målgruppe: [målgruppe]. Format: [format]. Længde: [N ord/tokens].
Begrænsninger: [regler].
Returner kun det endelige output.”
- Beslutningsmemo
“Du er en produkanalytiker. Udarbejd et beslutningsmemo.
Inkluder sektioner: Kontekst (2 sætninger), Valgmuligheder (3 punkter), Risici (3 punkter), Anbefaling (1 afsnit), Næste skridt (3 punkter). Længde ≤180 ord.”
- Afklar-og-svar
“Du er en omhyggelig assistent. Hvis opgaven mangler 1 kritisk information, skal du stille 1 afklarende spørgsmål. Ellers skal du svare direkte i ≤120 ord.”
- JSON QA checker
“Du er en verifikator. Valider følgende svar i forhold til spørgsmålet.
Returner JSON: { valid: boolean, reason: string, missing: string[] }.”
- Safe grounded responder
“Du er jordnær. Brug kun de angivne kilder. Hvis det ikke understøttes, skal du sige 'ukendt'. Citer kilde-ID'er i parentes.”
Vigtigste takeaways
- Vær specifik, ikke lang: komprimer hensigt og begrænsninger.
- Struktur vinder: kræv skemaer, lister eller JSON.
- Begræns tænkningen: begræns trin, tokens og omfang.
- Foretræk eksempler: korte, målrettede few-shots.
- Adskil politik fra opgave: modulære prompter skalerer bedre.
- Brug Haiku 4.5 til hastighedsfølsomme, store, strukturerede opgaver – og eskaler kun, når det er nødvendigt.
Næste skridt
- Gør dine hyppigste opgaver til promptskabeloner.
- Tilføj checklists og outputskemaer til hver prompt.
- AB-test to versioner af hver prompt i en uge, og adopter vinderen.
- Opbyg et letvægts “promptbibliotek”, som hele dit team kan genbruge.
FAQ
Q1:Hvilke prompter fungerer bedst med Claude Haiku 4.5?
Korte, specifikke prompter med eksplicitte roller, begrænsninger og strukturerede outputs. Brug checklists, tringrænser og JSON-skemaer til at øge nøjagtigheden og konsistensen.
Q2:Hvordan reducerer jeg hallucinationer med Haiku 4.5?
Forankr modellen med kun de top relevante snippets, og kræv citater fra angivne kilder. Hvis der mangler bevis, skal du instruere den i at sige “ukendt”.
Q3:Skal jeg bruge few-shot eksempler med Haiku 4.5?
Ja – angiv 1-2 kompakte eksempler, der matcher din ønskede stil og struktur. Hold eksempler domænespecifikke og kortere end dine forventede outputs.
Q4:Hvornår skal jeg vælge Haiku 4.5 frem for en større model?
Vælg Haiku 4.5 til hurtige, omkostningsfølsomme opgaver, der drager fordel af struktur: sammenfatning, RAG-svar, kodegennemgang checklists og udarbejdelse af udkast. Brug større modeller til dybere multi-hop ræsonnement.
Q5:Hvad er det ideelle outputformat til automatiserings workflows?
JSON eller tæt strukturerede punkter. Definer nøjagtige keys, længdegrænser og overholdelsesregler, så outputs passer pænt ind i downstream systemer.
