---
title: "Ano ang prompt engineering? Pagsulat ng instruction sa LLM"
description: "Ang prompt engineering ay pagsulat at pag-test ng instruction para laging tama ang output ng LLM. Mga pangunahing technique, paano i-test, at tips para sa Arabic."
url: https://broadrouter.com/fil/glossary/prompt-engineering/
lang: fil
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Isinalin mula sa Ingles sa tulong ng AI. [Basahin ang orihinal sa Ingles](https://broadrouter.com/glossary/prompt-engineering/) (na-update noong 2026-11-15).

# Prompt engineering

Na-update 2026-11-15

Ang prompt engineering ay ang proseso ng pagsulat, pag-aayos at pag-test ng mga instruction na ibinibigay sa isang language model para palagi itong makagawa ng output na tumutugon sa mga requirement mo. Sakop nito ang mga role message, malinaw na instruction, mga example, format, at pagsukat ng resulta gamit ang mga test case.

Tinatawag ding: prompting, paggawa ng prompt, pagsulat ng prompt, prompt design, prompting techniques

Isang specification ang prompt. Ang prompt engineering ay ang mahusay na pagsulat nito at ang pag-check kung sinusunod ito ng model.

## Paano ito gumagana

Ayon sa gabay ng OpenAI, ang prompt engineering ay “the process of writing effective instructions for a model” para “consistently generates content that meets your requirements.” (Salin ng BroadRouter: “ang proseso ng pagsulat ng epektibong instruction para sa isang model” para “palagi itong makabuo ng content na tumutugon sa mga requirement mo.”) Halos pareho ang mga pangunahing technique sa iba’t ibang vendor:

| Technique | Ano ang gagawin |
| --- | --- |
| Mga role | Ilagay ang mga patakaran sa [system prompt](https://broadrouter.com/fil/glossary/system-prompt/) (o developer message) at ang request sa user message |
| Istruktura | Ayusin ang system prompt ayon sa identity, instructions, examples, context; gumamit ng Markdown heading at XML tag para markahan ang mga seksyon |
| Mga example | Magdagdag ng ilang pares ng input at output ([few-shot prompting](https://broadrouter.com/fil/glossary/few-shot-prompting/)) na sumasakop sa iba’t ibang kaso |
| Reasoning | Humingi ng step-by-step na pag-iisip ([chain of thought](https://broadrouter.com/fil/glossary/chain-of-thought/)), o gumamit ng reasoning model |
| Format ng output | Humingi ng fixed na format, o gumamit ng [structured output](https://broadrouter.com/fil/glossary/structured-output/) kung sinusuportahan ito ng API |
| Stability | I-pin ang bersyon ng model para hindi magbago ang kilos nito nang hindi mo alam |

Ayon sa overview ng Anthropic, magsimula sa tatlong bagay: malinaw na success criteria, paraan para i-test laban dito, at unang draft ng prompt. Sa praktika, ibig sabihin nito ay isang [eval](https://broadrouter.com/fil/glossary/eval/) set.

Isang maikling example, bago at pagkatapos. Ang “bago” ay simpleng “ibuod ang ticket na ito”. Ang “pagkatapos” ay nagbibigay ng role (nagbubuod ng support ticket para sa engineering team), humihingi ng 3 bullet point (ang problema, ang epekto sa customer, ang susunod na hakbang), pinapagamit ang mismong salita ng customer para sa mga error message, at ipinagbabawal ang panghuhula ng sanhi:

```text
Before: Summarize this ticket.

After:  You summarize support tickets for an engineering team.
        Write 3 bullet points: the problem, the customer impact, the next step.
        Use the customer's words for error messages. Do not guess at causes.
        <ticket>...</ticket>
```

Para sa mga agent, isang bahagi lang ang prompt ng mas malaking context. Pinaghihiwalay ng post ng Anthropic tungkol sa context engineering ang prompt engineering, “methods for writing and organizing LLM instructions” (Salin ng BroadRouter: “mga paraan ng pagsulat at pag-aayos ng mga instruction sa LLM”), at ang [context engineering](https://broadrouter.com/fil/glossary/context-engineering/), na namamahala sa lahat ng iba pang nakikita ng model.

## Bakit ito mahalaga

-   **Kalidad nang walang training.** Ang mas magandang prompt ang pinakamurang ayos na puwedeng subukan, bago ang [fine-tuning](https://broadrouter.com/fil/glossary/fine-tuning/) o mas malaking model.
-   **Gastos.** Ipinapadala ulit ang system prompt sa bawat request. Tanggalin ang hindi nakakaapekto sa output; tingnan ang [pagbabawas ng prompt token](https://broadrouter.com/fil/blog/reduce-prompt-tokens/).
-   **Migration.** Puwedeng iba ang kilos sa ibang model ng prompt na inayos para sa isang model. Patakbuhin ulit ang eval set mo kapag lumipat ka.

## Sa BroadNet Inference

Tinatanggap ng mga chat model ng BroadNet ang karaniwang `messages` list ng Chat Completions, kaya gumagana gaya ng dati ang system, user at assistant role at ang mga few-shot example. Puwede mong subukan ang mga prompt sa [playground](https://broadrouter.com/fil/guides/try-broadnet-inference-playground/) bago magsulat ng code. Para sa Arabic na output, tinatalakay ng [Arabic prompt engineering](https://broadrouter.com/fil/blog/arabic-prompt-engineering/) ang register, dialect, mga numero at right-to-left na format.

Dokumentado ang structured output para sa [GLM 5.3](https://broadrouter.com/fil/models/glm-5.3/) at [Qwen3.8 27B](https://broadrouter.com/fil/models/qwen3.8-27b/). Sa DeepSeek V4.1 Flash, GLM 5.3 at Qwen3.8 27B, kasama ang reasoning sa `max_tokens`, kaya kailangan din ng espasyo sa budget ang prompt na “think step by step” (mag-isip nang paisa-isang hakbang).

## Mga tanong

### Kailangan pa ba ang prompt engineering sa mga mas bagong model?

Oo, pero nagbabago ang mga diskarte. Mahusay nang sumunod ang mga mas bagong model sa simple at tiyak na instruction, kaya ang karamihan ng trabaho ay ang malinaw na paglalahad ng requirement, pagbibigay ng example at pag-test sa totoong input.

### Kailan dapat mag-fine-tune na lang?

Kapag pumapalya pa rin sa malaking bahagi ng mga kaso ang isang prompt na maayos na na-test at may mga example, o kapag masyado itong mahaba para ipadala sa bawat request. Ayon din sa docs ng Anthropic, may mga layunin, gaya ng mas mababang latency o gastos, na mas madaling maabot sa pagpili ng ibang model.

### Dapat ba akong magsulat ng prompt sa Arabic para sa Arabic na output?

Puwede ang alinman. Sabihin kung anong register o dialect ang gusto mo, at paano hahawakan ang mga numero at halo-halong text. Kinukumpara ng post tungkol sa Arabic prompt engineering ang dalawang paraan.

## Tingnan din

-   [System prompt](https://broadrouter.com/fil/glossary/system-prompt/) (termino)
-   [Few-shot prompting](https://broadrouter.com/fil/glossary/few-shot-prompting/) (termino)
-   [Chain-of-thought (CoT)](https://broadrouter.com/fil/glossary/chain-of-thought/) (termino)
-   [Context engineering](https://broadrouter.com/fil/glossary/context-engineering/) (termino)
-   [Eval (LLM evaluation)](https://broadrouter.com/fil/glossary/eval/) (termino)
-   [Structured output](https://broadrouter.com/fil/glossary/structured-output/) (termino)
-   [Subukan ang BroadNet Inference sa browser, walang account](https://broadrouter.com/fil/guides/try-broadnet-inference-playground/) (gabay)
-   [Arabic prompt engineering: register, RTL, numeral at halo-halong text](https://broadrouter.com/fil/blog/arabic-prompt-engineering/) (artikulo)
-   [Bawasan ang prompt token: sinukat na tipid sa system prompt at tools](https://broadrouter.com/fil/blog/reduce-prompt-tokens/) (artikulo)
-   [Bago mag-fine-tune: tukuyin muna ang problemang lulutasin](https://broadrouter.com/fil/blog/fine-tuning-readiness/) (artikulo)

Subukan ito sa totoong workload mo. May US$5 na panimulang credit ang mga bagong account para sa Gemma at transcription. Kailangan ng top-up para sa DeepSeek, GLM, at Qwen3.8.

[Magsimula](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-glossary-prompt-engineering&utm_content=page-cta) ·

**Mga source**

-   [OpenAI API docs, prompt engineering guide (sinuri noong 2026-11-15)](https://developers.openai.com/api/docs/guides/prompt-engineering)
-   [Anthropic docs, prompt engineering overview (sinuri noong 2026-11-15)](https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/overview)
-   [Anthropic Engineering, Effective context engineering for AI agents (sinuri noong 2026-11-15)](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents)
