Guide till promptning

Introduktion

Effektiv promptning gör ElevenLabs Agents mer naturtrogna i stället för robotiska.

En systemprompt är ritningen för din AI-agents personlighet och policyer. I företagsanvändning är den ofta omfattande – den definierar agentens roll, mål, tillåtna verktyg, stegvisa instruktioner för vissa uppgifter och skyddsräcken som beskriver vad agenten inte ska göra. Hur du strukturerar den här prompten påverkar direkt tillförlitligheten.

Grunderna i prompt engineering

En systemprompt är personlighets- och policyritningen för din AI-agent. I företagsanvändning är den ofta omfattande – den definierar agentens roll, mål, tillåtna verktyg, steg-för-steg-instruktioner för vissa uppgifter och skyddsräcken som beskriver vad agenten inte ska göra. Hur du strukturerar den här prompten påverkar direkt tillförlitligheten.

Följande principer utgör grunden för prompt engineering i produktionsklass:

Dela upp instruktioner i tydliga avsnitt

Att dela upp instruktioner i separata avsnitt med markdown-rubriker hjälper modellen att prioritera och tolka dem korrekt. Använd tomrader och radbrytningar för att skilja instruktioner åt.

Varför detta är viktigt för tillförlitligheten: Modeller är tränade att ägna vissa rubriker extra uppmärksamhet (särskilt # Guardrails), och tydliga avsnittsgränser förhindrar att instruktioner flyter ihop så att regler från ett sammanhang påverkar ett annat.

You are a customer service agent. Be polite and helpful. Never share sensitive data. You can look up orders and process refunds. Always verify identity first. Keep responses under 3 sentences unless the user asks for details.

Var så kortfattad som möjligt

Håll varje instruktion kort, tydlig och handlingsinriktad. Ta bort utfyllnadsord och upprepa bara det som är nödvändigt för att modellen ska kunna agera korrekt.

Varför detta är viktigt för tillförlitligheten: Kortfattade instruktioner minskar tvetydighet och tokenanvändning. Varje onödigt ord är en möjlig källa till misstolkning.

# Tone
When you're talking to customers, you should try to be really friendly and approachable, making sure that you're speaking in a way that feels natural and conversational, kind of like how you'd talk to a friend, but still maintaining a professional demeanor that represents the company well.

Betona kritiska instruktioner

Markera kritiska steg genom att lägga till “Det här steget är viktigt” i slutet av raden. Att upprepa de 1–2 viktigaste instruktionerna två gånger i prompten kan förstärka dem.

Varför detta är viktigt för tillförlitligheten: I komplexa promptar kan modeller prioritera nyligt sammanhang framför tidigare instruktioner. Betoning och upprepning säkerställer att kritiska regler inte förbises.

# Goal
Verify customer identity before accessing their account.
Look up order details and provide status updates.
Process refund requests when eligible.

Textnormalisering

Text to Speech-modeller, särskilt snabbare modeller, är bäst på att generera tal från alfabetisk text. Därför är det mer sannolikt att siffror och symboler som ”@” eller ”£” orsakar felaktiga uttal eller rösthallucinationer.

För att lösa detta normaliserar vi icke-alfabetisk text till ord innan den når TTS-modellen (t.ex. 123 -> one-hundred and twenty three, john@gmail.com -> john at gmail dot com) och låter dig välja mellan olika normaliseringsstrategier med olika avvägningar.

Normaliseringsstrategier

Vi stöder två normaliseringsstrategier via agentkonfigurationen text_normalisation_type:

system_prompt (standard) — Lägger till instruktioner i systemprompten som säger åt LLM:en att skriva ut siffror och symboler som ord innan texten når TTS-modellen.

• Ingen extra latens
• LLM:er kan ibland misslyckas med att normalisera korrekt
• Transkriptioner innehåller allt utskrivet med ord (t.ex. “one thousand dollars” i stället för “$1,000”)

elevenlabs — Använder vår TTS-normaliserare för att normalisera text efter LLM-generering och innan den når TTS-modellen.

• Mer tillförlitlig än LLM-baserad normalisering
• Systemprompten ändras inte
• Transkriptioner behåller naturlig formatering med symboler och siffror (t.ex. “$1,000”)
• Lägger till mindre latens

Du hittar den här konfigurationen på vår plattform under fliken “Agent” genom att klicka på kugghjulsikonen i avsnittet “Voices” för att öppna panelen med gemensamma röstinställningar och konfigurera den längst ned.

Strukturerade data för verktygsindata

När du använder normaliseringsinställningen system_prompt skriver LLM:en ut symboler och siffror som ord i sina svar (t.ex. john at gmail dot com i stället för john@gmail.com). Användartranskriptioner från tal-till-text kan också komma i ett icke-standardiserat format. Det innebär att LLM:en kan använda den ostrukturerade version som finns i konversationssammanhanget när dessa uppgifter används som parametrar i verktygsanrop.

Om en verktygsparameter förväntar sig ett korrekt formaterat värde (t.ex. john@gmail.com, inte john at gmail dot com) måste LLM:en känna till det. Ange det förväntade formatet direkt i verktygsparameterbeskrivningen med ett exempel.

## `lookupAccount` tool parameters
- `email` (required): "The user's email."
- `phone` (required): "The user's phone number."
- `confirmation_code` (required): "The user's confirmation code."

Avsätt ett avsnitt för skyddsräcken

Lista alla icke förhandlingsbara regler som modellen alltid måste följa i ett särskilt avsnitt med # Guardrails. Modeller är tränade att ägna den här rubriken extra uppmärksamhet.

Varför detta är viktigt för tillförlitligheten: Skyddsräcken förhindrar olämpliga svar och säkerställer att policyer följs. Att samla dem i ett särskilt avsnitt gör dem enklare att granska och uppdatera.

# Guardrails
Never share customer data across conversations or reveal sensitive account information without proper verification.
Never process refunds over $500 without supervisor approval.
Never make promises about delivery dates that aren't confirmed in the order system.
Acknowledge when you don't know an answer instead of guessing.
If a customer becomes abusive, politely end the conversation and offer to escalate to a supervisor.

Om du vill veta mer om att utforma effektiva skyddsräcken kan du läsa vår guide om Guardrails.

Verktygskonfiguration för tillförlitlighet

Agenter som kan hantera transaktionsbaserade arbetsflöden kan vara mycket effektiva. För att möjliggöra detta måste de utrustas med verktyg som låter dem utföra åtgärder i andra system eller hämta live-data från dem.

Lika viktigt som promptens struktur är hur du beskriver de verktyg som är tillgängliga för din agent. Tydliga, handlingsinriktade verktygsdefinitioner hjälper modellen att anropa dem korrekt och återhämta sig smidigt efter fel.

Beskriv verktyg exakt med detaljerade parametrar

När du skapar ett verktyg lägger du till beskrivningar för alla parametrar. Det hjälper LLM:en att skapa korrekta verktygsanrop.

Verktygsbeskrivning: “Slår upp kundens orderstatus via order-ID och returnerar aktuell status, beräknat leveransdatum och spårningsnummer.”

Parameterbeskrivningar:

• order_id (obligatorisk): “Den unika orderidentifieraren, formaterad som skrivna tecken (t.ex. ‘ORD123456’)”
• include_history (valfri): “Om värdet är true returneras fullständig orderhistorik, inklusive statusändringar”

Varför detta är viktigt för tillförlitligheten: Parameterbeskrivningar fungerar som intern dokumentation för modellen. De förtydligar formatkrav, obligatoriska respektive valfria fält och godtagbara värden.

Förklara när och hur varje verktyg ska användas i systemprompten

Definiera tydligt i systemprompten när och hur varje verktyg ska användas. Förlita dig inte enbart på verktygsbeskrivningar – ange användningssammanhang och sekvenseringslogik.

# Tools
You have access to the following tools:
## `getOrderStatus`
Use this tool when a customer asks about their order. Always call this tool before providing order information—never rely on memory or assumptions.
**When to use:**
- Customer asks "Where is my order?"
- Customer provides an order number
- Customer asks about delivery estimates
**How to use:**
1. Collect the order ID from the customer
2. Call `getOrderStatus` with the order ID
3. Present the results to the customer in natural language
**Error handling:**
If the tool returns "Order not found", ask the customer to verify the order number and try again.
## `processRefund`
Use this tool only after verifying:
1. Customer identity has been confirmed
2. Order is eligible for refund (within 30 days, not already refunded)
3. Refund amount is under $500 (escalate to supervisor if over $500)
**Required before calling:**
- Order ID (from `getOrderStatus`)
- Refund reason code
- Customer confirmation
This step is important: Always confirm refund details with the customer before calling this tool.

Ange förväntade format i verktygsparameterbeskrivningar

När verktyg kräver strukturerade identifierare (e-postadresser, telefonnummer, koder) ska du göra det förväntade formatet tydligt i parameterbeskrivningen med ett exempel. Detta är särskilt viktigt eftersom normalisering och tal-till-text-transkribering kan skapa värden i talad form i konversationssammanhanget. Se strukturerade data för verktygsindata för bakgrund.

## `lookupAccount` tool parameters
- `email` (required): "The customer's email address."

Hantera fel i verktygsanrop smidigt

Verktyg kan ibland misslyckas på grund av nätverksproblem, saknade data eller andra fel. Ta med tydliga instruktioner för återställning i systemprompten.

Varför detta är viktigt för tillförlitligheten: Verktygsfel är oundvikliga i produktion. Utan tydliga hanteringsinstruktioner kan agenter hallucinera svar eller ge felaktig information.

# Tool error handling
If any tool call fails or returns an error:
1. Acknowledge the issue to the customer: "I'm having trouble accessing that information right now."
2. Do not guess or make up information
3. Offer alternatives:
   - Try the tool again if it might be a temporary issue
   - Offer to escalate to a human agent
   - Provide a callback option
4. If the error persists after 2 attempts, escalate to a supervisor
**Example responses:**
- "I'm having trouble looking up that order right now. Let me try again... [retry]"
- "I'm unable to access the order system at the moment. I can transfer you to a specialist who can help, or we can schedule a callback. Which would you prefer?"

För detaljerad vägledning om att bygga tillförlitliga verktygsintegrationer kan du läsa vår dokumentation om klientverktyg, webhook-verktyg och MCP-verktyg.

Arkitekturmönster för företagsagenter

Även om starka promptar och verktyg utgör grunden för agenters tillförlitlighet kräver produktionssystem genomtänkt arkitektur. Företagsagenter hanterar komplexa arbetsflöden som ofta går utöver vad en enda, monolitisk prompt klarar.

Håll agenter specialiserade

Alltför breda instruktioner eller stora kontextfönster ökar latensen och minskar noggrannheten. Varje agent bör ha en smal, tydligt definierad kunskapsbas och uppsättning ansvarsområden.

Varför detta är viktigt för tillförlitligheten: Specialiserade agenter har färre specialfall att hantera, tydligare framgångskriterier och snabbare svarstider. De är enklare att testa, felsöka och förbättra.

Använd mönster med samordnare och specialister

För komplexa uppgifter utformar du arbetsflöden med flera agenter som lämnar över uppgifter mellan specialiserade agenter – och till mänskliga operatörer vid behov.

Arkitekturmönster:

1. Samordnaragent: Dirigerar inkommande förfrågningar till lämpliga specialiserade agenter baserat på avsiktsklassificering
2. Specialiserade agenter: Hanterar domänspecifika uppgifter (fakturering, schemaläggning, teknisk support osv.)
3. Eskalering till människa: Definierade överlämningskriterier för komplexa eller känsliga ärenden

Fördelar med detta mönster:

• Varje specialist har en fokuserad prompt och mindre kontext
• Enklare att uppdatera enskilda specialister utan att påverka systemet
• Tydliga mätvärden per domän (lösningsgrad för fakturering, framgångsgrad för schemaläggning osv.)
• Minskad latens per interaktion (mindre promptar, snabbare inferens)

Definiera tydliga överlämningskriterier

När du utformar arbetsflöden med flera agenter ska du ange exakt när och hur kontrollen ska överföras mellan agenter eller till mänskliga operatörer.

# Goal
Route customer requests to the appropriate specialist agent based on intent.
## Routing logic
**Billing specialist:** Customer mentions payment, invoice, refund, charge, subscription, or account balance
**Technical support specialist:** Customer reports error, bug, issue, not working, broken
**Scheduling specialist:** Customer wants to book, reschedule, cancel, or check appointment
**Human escalation:** Customer is angry, requests supervisor, or issue is unresolved after 2 specialist attempts
## Handoff process
1. Classify customer intent based on first message
2. Provide brief acknowledgment: "I'll connect you with our [billing/technical/scheduling] team."
3. Transfer conversation with context summary:
   - Customer name
   - Primary issue
   - Any account identifiers already collected
4. Do not repeat information collection that already occurred

# Personality
You are a billing specialist for Acme Corp. You handle payment issues, refunds, and subscription changes.
# Goal
Resolve billing inquiries by:
1. Verifying customer identity
2. Looking up account and billing history
3. Processing refunds (under $500) or escalating (over $500)
4. Updating subscription settings when requested
# Guardrails
Never access account information without identity verification.
Never process refunds over $500 without supervisor approval.
If the customer's issue is not billing-related, transfer back to the orchestrator agent.

För detaljerad vägledning om att bygga arbetsflöden med flera agenter kan du läsa vår dokumentation om arbetsflöden.

Modellval för tillförlitlighet i företag

Valet av rätt modell beror på dina prestandakrav – särskilt latens, noggrannhet och tillförlitlighet vid verktygsanrop. Olika modeller erbjuder olika avvägningar mellan hastighet, resonemangsförmåga och kostnad.

Förstå avvägningarna

Latens: Mindre modeller (med färre parametrar) svarar vanligtvis snabbare, vilket gör dem lämpliga för frekventa interaktioner med låg komplexitet.

Noggrannhet: Större modeller har bättre resonemangsförmåga och hanterar komplexa uppgifter i flera steg bättre, men med högre latens och kostnad.

Tillförlitlighet vid verktygsanrop: Alla modeller hanterar inte verktygs-/funktionsanrop med samma precision. Vissa är mycket bra på strukturerade utdata, medan andra kan behöva mer uttryckliga promptar.

Modellrekommendationer per användningsfall

Baserat på driftsättningar med miljontals agentinteraktioner framträder följande mönster:

• GLM 5.2 eller GPT-6 Luna (rekommenderad startpunkt): Bäst för allmänna företagsagenter där latens, noggrannhet och kostnad alla måste balanseras. Ger låg till måttlig latens med stark prestanda för verktygsanrop och rimlig kostnad per interaktion. Perfekt för kundsupport, schemaläggning, orderhantering och hantering av allmänna förfrågningar.

• DeepSeek Flash 4.1 eller Gemini 3.5 Flash-Lite (ultralåg latens): Bäst för frekventa, enkla interaktioner där hastighet är avgörande. Ger lägst latens med bred allmänkunskap, men lägre prestanda för komplexa verktygsanrop. Kostnadseffektivt i stor skala för inledande dirigering/triage, enkla vanliga frågor, mötesbekräftelser och grundläggande datainsamling.

• Claude Sonnet 5.5 (komplext resonemang): Bäst för problemlösning i flera steg, nyanserade bedömningar och komplex verktygsorkestrering. Ger högst noggrannhet och resonemangsförmåga med utmärkt tillförlitlighet vid verktygsanrop, men med högre latens och kostnad. Perfekt för uppgifter där misstag är kostsamma, till exempel teknisk felsökning, finansiell rådgivning, regelefterlevnadskänsliga arbetsflöden och komplexa beslut om återbetalning/eskalering.

Modellutbudet från leverantörer ändras ofta. Kontrollera aktuella alternativ och priser på sidan Models innan du väljer en modell för produktion.

Jämför med dina faktiska promptar

Modellprestanda varierar avsevärt beroende på promptstruktur och uppgiftskomplexitet. Innan du väljer en modell:

1. Testa 2–3 kandidatmodeller med din faktiska systemprompt
2. Utvärdera med riktiga användarfrågor eller syntetiska testfall
3. Mät latens, noggrannhet och framgångsgrad för verktygsanrop
4. Optimera för den bästa avvägningen utifrån dina specifika krav

För detaljerade alternativ för modellkonfiguration kan du läsa vår Models-dokumentation.

Iteration och testning

Tillförlitlighet i produktion kommer från kontinuerlig iteration. Även välkonstruerade promptar kan misslyckas i verklig användning. Det viktiga är att lära av dessa misslyckanden och förbättra genom disciplinerat testande.

Konfigurera utvärderingskriterier

Koppla konkreta utvärderingskriterier till varje agent för att övervaka resultat över tid och kontrollera regressioner.

Viktiga mätvärden att följa:

• Uppgiftsgenomförandegrad: Andelen användaravsikter som hanteras framgångsrikt
• Eskaleringsgrad: Andelen konversationer som kräver mänsklig hjälp

För detaljerad vägledning om att konfigurera utvärderingskriterier i ElevenLabs, se Framgångsutvärdering.

Analysera felmönster

När agenter underpresterar identifierar du mönster i problematiska interaktioner:

• Var ger agenten felaktig information? → Förstärk instruktionerna i specifika avsnitt
• När misslyckas den med att förstå användarens avsikt? → Lägg till exempel eller förenkla språket
• Vilka användarinmatningar får den att bryta karaktär? → Lägg till skyddsräcken för specialfall
• Vilka verktyg misslyckas oftast? → Förbättra felhanteringen eller parameterbeskrivningarna

Granska konversationstranskriptioner där användarnöjdheten var låg eller uppgifter inte slutfördes.

Gör riktade förbättringar

Uppdatera specifika avsnitt i prompten för att åtgärda identifierade problem:

1. Avgränsa problemet: Identifiera vilket promptavsnitt eller vilken verktygsdefinition som orsakar fel
2. Testa ändringar med specifika exempel: Använd konversationer som tidigare misslyckades som testfall
3. Gör en ändring i taget: Isolera förbättringar för att förstå vad som fungerar
4. Utvärdera på nytt med samma testfall: Kontrollera att ändringen löste problemet utan att skapa nya problem

Konfigurera datainsamling

Konfigurera agenten så att den sammanfattar data från varje konversation. Då kan du analysera interaktionsmönster, identifiera vanliga användarförfrågningar och kontinuerligt förbättra prompten utifrån verklig användning.

För detaljerad vägledning om att konfigurera datainsamling i ElevenLabs, se Datainsamling.

Använd simulering för regressionstestning

Innan du driftsätter promptändringar i produktion testar du mot en uppsättning kända scenarier för att fånga regressioner.

För vägledning om att testa agenter programmatiskt, se Simulera konversationer.

Produktionsaspekter

Företagsagenter behöver ytterligare skyddsåtgärder utöver promptkvalitet. Driftsättningar i produktion måste ta hänsyn till felhantering, regelefterlevnad och smidig degradering.

Hantera fel i alla verktygsintegrationer

Varje externt verktygsanrop är en möjlig felpunkt. Se till att prompten innehåller uttrycklig felhantering för:

• Nätverksfel: “Jag har problem med att ansluta till vårt system. Låt mig försöka igen.”
• Saknade data: “Jag ser inte den informationen i vårt system. Kan du bekräfta uppgifterna?”
• Tidsgränsfel: “Det här tar längre tid än väntat. Jag kan eskalera till en specialist eller försöka igen.”
• Behörighetsfel: “Jag har inte åtkomst till den informationen. Låt mig koppla dig till någon som kan hjälpa till.”

Exempel på promptar

Följande exempel visar hur du tillämpar principerna i den här guiden på verkliga användningsfall i företag. Varje exempel innehåller kommentarer som visar vilka tillförlitlighetsprinciper som används.

Exempel 1: Agent för teknisk support

# Personality
You are a technical support specialist for CloudTech, a B2B SaaS platform.
You are patient, methodical, and focused on resolving issues efficiently.
You speak clearly and adapt technical language based on the user's familiarity.
# Environment
You are assisting customers via phone support.
Customers may be experiencing service disruptions and could be frustrated.
You have access to diagnostic tools and the customer account database.
# Tone
Keep responses clear and concise (2-3 sentences unless troubleshooting requires more detail).
Use a calm, professional tone with brief affirmations ("I understand," "Let me check that").
Adapt technical depth based on customer responses.
Check for understanding after complex steps: "Does that make sense?"
# Goal
Resolve technical issues through structured troubleshooting:
1. Verify customer identity using email and account ID
2. Identify affected service and severity level
3. Run diagnostics using `runSystemDiagnostic` tool
4. Provide step-by-step resolution or escalate if unresolved after 2 attempts
This step is important: Always run diagnostics before suggesting solutions.
# Guardrails
Never access customer accounts without identity verification. This step is important.
Never guess at solutions—always base recommendations on diagnostic results.
If an issue persists after 2 troubleshooting attempts, escalate to engineering team.
Acknowledge when you don't know the answer instead of speculating.
# Tools
## `verifyCustomerIdentity`
**When to use:** At the start of every conversation before accessing account data
**Parameters:**
- `email` (required): Customer email in standard written format (e.g., "user@company.com"). Convert from spoken format: "at" → "@", "dot" → ".", remove spaces between words.
- `account_id` (optional): Account ID if customer provides it
**Error handling:**
If verification fails, ask customer to confirm email spelling and try again.
## `runSystemDiagnostic`
**When to use:** After verifying identity and understanding the reported issue
**Parameters:**
- `account_id` (required): From `verifyCustomerIdentity` response
- `service_name` (required): Name of affected service (e.g., "api", "dashboard", "storage")
**Usage:**
1. Confirm which service is affected
2. Run diagnostic with account ID and service name
3. Review results before providing solution
**Error handling:**
If diagnostic fails, acknowledge the issue: "I'm having trouble running that diagnostic. Let me escalate to our engineering team."
# Error handling
If any tool call fails:
1. Acknowledge: "I'm having trouble accessing that information right now."
2. Do not guess or make up information
3. Offer to retry once, then escalate if failure persists

Principer som visas:

• ✓ Tydlig uppdelning i avsnitt (# Personality, # Goal, # Tools osv.)
• ✓ En åtgärd per rad (se numrerade steg i # Goal)
• ✓ Kortfattade instruktioner (tonavsnittet är kort och tydligt)
• ✓ Betoning av kritiska steg (“This step is important”)
• ✓ Formatkonvertering i parameterbeskrivningar (normalisering av e-postadresser)
• ✓ Särskilt avsnitt för skyddsräcken
• ✓ Exakta verktygsbeskrivningar med vägledning om när/hur/fel
• ✓ Uttryckliga instruktioner för felhantering

Exempel 2: Agent för återbetalningar inom kundservice

# Personality
You are a refund specialist for RetailCo.
You are empathetic, solution-oriented, and efficient.
You balance customer satisfaction with company policy compliance.
# Goal
Process refund requests through this workflow:
1. Verify customer identity using order number and email
2. Look up order details with `getOrderDetails` tool
3. Confirm refund eligibility (within 30 days, not digital download, not already refunded)
4. For refunds under $100: Process immediately with `processRefund` tool
5. For refunds $100-$500: Apply secondary verification, then process
6. For refunds over $500: Escalate to supervisor with case summary
This step is important: Never process refunds without verifying eligibility first.
# Guardrails
Never process refunds outside the 30-day return window without supervisor approval.
Never process refunds over $500 without supervisor approval. This step is important.
Never access order information without verifying customer identity.
If a customer becomes aggressive, remain calm and offer supervisor escalation.
# Tools
## `verifyIdentity`
**When to use:** At the start of every conversation
**Parameters:**
- `order_id` (required): Order ID in uppercase alphanumeric format (e.g., "ORD123456"). Convert from spoken format: spell out letters and spoken digits to written form, no spaces.
- `email` (required): Customer email in standard written format (e.g., "john.smith@retailco.com"). Convert from spoken format: "at" → "@", "dot" → ".", remove spaces between words.
## `getOrderDetails`
**When to use:** After identity verification
**Returns:** Order date, items, total amount, refund eligibility status
**Error handling:**
If order not found, ask customer to verify order number and try again.
## `processRefund`
**When to use:** Only after confirming eligibility
**Required checks before calling:**
- Identity verified
- Order is within 30 days
- Order is eligible (not digital, not already refunded)
- Refund amount is under $500
**Parameters:**
- `order_id` (required): From previous verification
- `reason_code` (required): One of "defective", "wrong_item", "late_delivery", "changed_mind"
**Usage:**
1. Confirm refund details with customer: "I'll process a $[amount] refund to your original payment method. It will appear in 3-5 business days. Does that work for you?"
2. Wait for customer confirmation
3. Call this tool
**Error handling:**
If refund processing fails, apologize and escalate: "I'm unable to process that refund right now. Let me escalate to a supervisor who can help."

Principer som visas:

• ✓ Specialiserat agentomfång (endast återbetalningar, inte allmän support)
• ✓ Tydliga arbetsflödessteg i avsnittet # Goal
• ✓ Upprepad betoning av kritiska regler (återbetalningsgränser, verifiering)
• ✓ Detaljerad verktygsanvändning med “när det ska användas” och “obligatoriska kontroller”
• ✓ Formatkonvertering i parameterbeskrivningar (order-ID:n, e-postadresser)
• ✓ Uttrycklig felhantering per verktyg
• ✓ Tydligt definierade eskaleringskriterier

Bästa praxis för formatering

Hur du formaterar prompten påverkar hur effektivt språkmodellen tolkar den:

• Använd markdown-rubriker: Strukturera avsnitt med # för huvudavsnitt och ## för underavsnitt
• Föredra punktlistor: Dela upp instruktioner i lättöverskådliga punkter
• Använd tomrum: Separera avsnitt och instruktionsgrupper med tomrader
• Skriv rubriker med normal versalisering: # Goal, inte # GOAL
• Var konsekvent: Använd samma formateringsmönster genom hela prompten

Vanliga frågor

Nästa steg

Den här guiden ger grunden för tillförlitligt agentbeteende genom promptteknik, verktygskonfiguration och arkitektoniska mönster. För att bygga system redo för produktion kan du fortsätta med:

• Workflows: Utforma orkestrering med flera agenter och överlämningar till specialister
• Utvärdering av resultat: Konfigurera mätvärden och utvärderingskriterier
• Datainsamling: Samla in strukturerade insikter från konversationer
• Testning: Implementera regressionstestning och simulering
• Skyddsräcken: Konfigurera innehållsmoderering för säkra agentsvar
• Integritet: Säkerställ efterlevnad och dataskydd
• Vår Docs-agent: Se en komplett fallstudie där dessa principer används

För stöd med driftsättning i företagsskala, kontakta vårt team.