OpenAI / GPT-এর অফিসিয়াল গাইডলাইন

১ · Developer বনাম User মেসেজ — ইনস্ট্রাকশন হায়ারার্কি

OpenAI-র API-তে প্রম্পট পাঠানোর সময় দুটি প্রধান মেসেজ রোল ব্যবহার হয় — developer মেসেজDeveloper Messageঅ্যাপ্লিকেশন ডেভেলপার কর্তৃক লেখা নির্দেশনা — মডেলের আচরণ, নিয়ম ও সীমা নির্ধারণ করে। এটি সবসময় user মেসেজের চেয়ে বেশি অগ্রাধিকার পায়। এবং user মেসেজ। developer মেসেজ লেখেন যিনি অ্যাপ্লিকেশনটি বানাচ্ছেন — অর্থাৎ নিয়ম, সীমা, টোন, ফরম্যাট। user মেসেজ আসে শেষ-ব্যবহারকারীর কাছ থেকে — তার প্রশ্ন বা অনুরোধ।

এই ধারণাটা Claude-এর system/user বিভাজনের সাথে অনেকটা মিলে যায়, কিন্তু হুবহু এক নয় — নামকরণ, ডিফল্ট আচরণ ও অগ্রাধিকারের বিস্তারিত নিয়ম প্রোভাইডারভেদে আলাদা। এই তিন প্রোভাইডারের রোল-মেকানিজম পাশাপাশি রেখে সম্পূর্ণ তুলনা আমরা দেখব পাঠ ১৪-এ।

২ · গঠনবদ্ধ প্রম্পট আর্কিটেকচার — Identity, Instructions, Examples, Context

OpenAI-র অফিসিয়াল গাইড একটি নির্দিষ্ট কাঠামো সুপারিশ করে — প্রম্পটকে চারটি আলাদা, স্পষ্টভাবে লেবেল করা অংশে ভাগ করা। Markdown হেডার ও তালিকা দিয়ে প্রতিটি অংশ আলাদা করা হয়; প্রয়োজনে XML ট্যাগ দিয়েও একটি অংশ কোথায় শুরু আর কোথায় শেষ হচ্ছে তা স্পষ্ট করা যায় (যেমনটা পাঠ ০৬-এ বিস্তারিত দেখেছেন)।

# Identity
তুমি একটি ই-কমার্স সাপোর্ট সহকারী, বাংলাদেশি গ্রাহকদের জন্য কাজ করো।

# Instructions
- সবসময় বাংলায় উত্তর দাও, বিনয়ী ও সংক্ষিপ্তভাবে।
- অর্ডার-স্ট্যাটাস প্রশ্নে সবসময় অর্ডার আইডি চাও যদি দেওয়া না থাকে।
- রিফান্ড নীতি নিয়ে অনিশ্চিত হলে অনুমান না করে "সাপোর্ট টিমের সাথে যোগাযোগ করুন" বলো।

# Examples
<example>
Input: আমার অর্ডার কবে আসবে?
Output: অবশ্যই সাহায্য করব। আপনার অর্ডার আইডিটা একটু দিন তো?
</example>

# Context
{{কাস্টমার প্রোফাইল ও সাম্প্রতিক অর্ডার ডেটা এখানে ইনজেক্ট হবে}}

লক্ষ্য করুন — এখানে চারটি অংশের প্রতিটির একটি স্পষ্ট কাজ আছে: Identity বলে দেয় মডেল কে, Instructions বলে দেয় নিয়ম কী, Examples দেখায় প্রত্যাশিত প্যাটার্ন, আর Context-এ থাকে প্রতিটি কলে বদলে যাওয়া ডেটা। এই বিভাজন প্রম্পটকে শুধু পাঠযোগ্যই করে না — মেইনটেইন করাও সহজ করে দেয়, কারণ কোন অংশ বদলালে কী প্রভাব পড়বে তা আগে থেকেই অনুমান করা যায়।

৩ · Few-shot Learning — উদাহরণ থেকে প্যাটার্ন শেখা

পাঠ ০৫-এ যেমন দেখেছেন, বৈচিত্র্যময় input/output উদাহরণ জোড়া দিলে মডেল সেই প্যাটার্নটা নিজে থেকেই ধরে নেয় এবং নতুন ইনপুটে প্রয়োগ করে। OpenAI-র গাইডে এটাকে ফাইন-টিউনিং-এর একটি সস্তা ও দ্রুত বিকল্প হিসেবে উপস্থাপন করা হয়েছে — অনেক ক্ষেত্রে মডেলকে নতুন করে প্রশিক্ষণ না দিয়েই প্রম্পটের মধ্যে কয়েকটি ভালো উদাহরণ দিয়ে একই ফলাফল পাওয়া সম্ভব।

৪ · কনটেক্সচুয়াল গ্রাউন্ডিং ও RAG-এর জন্য ইনপুট

মডেলের প্রশিক্ষণ ডেটার বাইরে থাকা তথ্য — যেমন আপনার কোম্পানির প্রোডাক্ট ক্যাটালগ, অভ্যন্তরীণ নীতিমালা, বা সাম্প্রতিক ডেটা — সরাসরি প্রম্পটের Context অংশে যুক্ত করে দিলে মডেল তার উপর ভিত্তি করে উত্তর দিতে পারে। এই কৌশলকেই বলা হয় কনটেক্সচুয়াল গ্রাউন্ডিং, এবং এটাই RAG (Retrieval-Augmented Generation)-এর ভিত্তি — যা নিয়ে বিস্তারিত আসছে পাঠ ২৪-এ।

৫ · সবচেয়ে গুরুত্বপূর্ণ নুয়ান্স — স্ট্যান্ডার্ড মডেল বনাম রিজনিং মডেল

এখানেই OpenAI-র গাইডলাইনের সবচেয়ে ব্যবহারিক অংশ, এবং এমন একটি জায়গা যেখানে ভুল করলে আউটপুট খারাপ হয়ে যায় — কারণ দুই ধরনের মডেলের জন্য পরামর্শ সরাসরি বিপরীত।

❌ কম কার্যকর (রিজনিং মডেলের জন্য, অপ্রয়োজনীয়):

এই কোডে বাগ খুঁজে বের করো। প্রথমে প্রতিটি ফাংশন লাইন বাই লাইন পড়ো, তারপর
প্রতিটি ভ্যারিয়েবলের টাইপ চেক করো, তারপর ধাপে ধাপে চিন্তা করে বলো সমস্যাটা কোথায়।

✅ বেশি কার্যকর (রিজনিং মডেলের জন্য):

এই কোডে একটি বাগ আছে যা কখনো কখনো ভুল টোটাল হিসেব দেয়। বাগটা খুঁজে বের করে
ঠিক করো।

অর্থাৎ — মডেল কী ধরনের তা জানাটাই প্রথম সিদ্ধান্ত হওয়া উচিত। এটি লেসন ১৮-এ (মডেল ও thinking/effort সঠিকভাবে বেছে নেওয়া) আরও বিস্তারিত আলোচনা হবে। এই সাথে সাধারণ একটি নিয়মও মনে রাখা ভালো — বড় মডেল জটিল প্রম্পট বোঝায় দক্ষ, ছোট মডেল দ্রুত ও সস্তা; কাজের জটিলতা অনুযায়ী মডেল বাছাই করা উচিত, অভ্যাসের বশে নয়।

৬ · প্রম্পট ক্যাশিং — স্ট্যাটিক কনটেন্ট আগে রাখুন

OpenAI-র পরামর্শ সহজ কিন্তু গুরুত্বপূর্ণ — যে কনটেন্ট বারবার একই থাকে (system/developer নির্দেশনা, টুল সংজ্ঞা, রেফারেন্স ডকুমেন্ট) সেটা সবসময় প্রম্পটের শুরুতে রাখুন, আর যেটা প্রতিবার বদলায় (ব্যবহারকারীর প্রশ্ন) রাখুন শেষে। এই ক্রম বজায় রাখলে ক্যাশিং সিস্টেম পুনরাবৃত্ত অংশটুকু চিনতে পারে এবং পুনরায় প্রসেস না করেই খরচ ও লেটেন্সি বাঁচায়। কীভাবে এটি ৯০% পর্যন্ত সাশ্রয় করতে পারে তা বিস্তারিতভাবে দেখব পাঠ ১৬-এ।

৭ · কোড-ভার্সনড প্রম্পট — প্রম্পটকে প্রোডাকশন কোডের মতো ম্যানেজ করা

প্রোডাকশন অ্যাপ্লিকেশনে প্রম্পট যদি এলোমেলোভাবে কোথাও একটি স্ট্রিং হিসেবে লেখা থাকে, তাহলে সেটা টেস্ট করা, রিভিউ করা বা পরিবর্তনের ইতিহাস ট্র্যাক করা কঠিন হয়ে পড়ে। OpenAI-র সুপারিশ — প্রম্পটকে সরাসরি অ্যাপ্লিকেশন কোডের মধ্যে সংরক্ষণ করুন, পরিবর্তনশীল মানগুলোর জন্য টাইপড ফাংশন আর্গুমেন্ট বা স্কিমা ব্যবহার করুন। এর ফলে প্রম্পট বদলানো মানেই একটি সাধারণ কোড পরিবর্তন — যা কোড-রিভিউ, ইউনিট টেস্ট এবং স্বাভাবিক ডেপ্লয়মেন্ট প্রক্রিয়ার মধ্য দিয়ে যেতে পারে, ঠিক অন্য যেকোনো কোড পরিবর্তনের মতো।