Tehokas promptaus ja mallien valinta

AI-koodaustyökalut ovat yhtä hyviä kuin promptit, joilla niitä ohjataan. Tässä oppitunnissa opit muotoilemaan tehokkaita prompteja ohjelmistokehitykseen ja valitsemaan oikean mallin kuhunkin tehtävään.

Promptauksen perusteet kehittäjille

Kehittäjille promptaus eroaa yleiskäytöstä: konteksti on teknistä, tuloksen pitää olla täsmällistä, ja laadun voi usein verifioida automaattisesti (testit, tyyppitarkistus, lint).

Konteksti-ikkuna

Konteksti-ikkuna (context window) on LLM:n "työmuisti" — kuinka paljon tekstiä malli pystyy käsittelemään kerrallaan. Suurempi ikkuna mahdollistaa laajemman koodikannan ymmärtämisen, mutta nostaa kustannuksia ja hidastaa vasteaikaa.

Kehittäjän promptausmallit

1. Konteksti → Tehtävä → Rajoitteet

Tehokkain promptausmalli kehittäjille:

Promptauksen perusrakennemarkdown

KONTEKSTI:
Projekti käyttää Next.js 15 + TypeScript + Supabase.
Kyseessä on käyttäjähallintamoduuli (lib/users/).

TEHTÄVÄ:
Luo funktio, joka hakee käyttäjän profiilin ja
palauttaa sen tyypitetyn vastauksen.

RAJOITTEET:
- Käytä Supabase-clientiä, älä suoria SQL-kyselyitä
- Palauta tyypitetty vastaus (ei any)
- Käsittele virhetilanteet
- Kirjoita JSDoc-kommentit

2. Esimerkkipohjainen promptaus (Few-shot)

Anna mallille esimerkki haluamastasi tulosteesta:

Few-shot promptausmarkdown

Tässä projektissa API-endpointit noudattavat tätä kaavaa:

// Esimerkki: GET /api/users
export async function GET(request: NextRequest) {
const supabase = await createClient()
const { data, error } = await supabase
  .from('users')
  .select('*')
if (error) return NextResponse.json(
  { error: error.message }, { status: 500 }
)
return NextResponse.json(data)
}

Luo vastaava endpoint: GET /api/products

3. Roolipohjainen promptaus

Roolipohjainen promptausmarkdown

Toimi kokeneena TypeScript-kehittäjänä, joka noudattaa
seuraavia periaatteita:
- Strict TypeScript (ei any)
- Funktionaalinen ohjelmointi (ei luokkia)
- Virheenkäsittely Result-tyypillä
- Testit ennen toteutusta (TDD)

Pro-vinkki

Vältä epämääräisiä prompteja kuten "paranna tätä koodia". Kerro sen sijaan täsmällisesti mitä haluat: "lisää virheenkäsittely, TypeScript-tyypit ja JSDoc-kommentit tähän funktioon."

Mallien vertailu kehittäjille

Eri LLM-mallit sopivat eri tehtäviin. Tässä vertailu kehittäjän näkökulmasta:

Tehtävä	Paras valinta	Miksi
Monimutkainen arkkitehtuuri	Claude Opus / GPT-4o	Pitkä konteksti, syvä päättely
Koodin generointi	Claude Sonnet / GPT-4o	Hyvä tasapaino laatu/nopeus
Nopeat korjaukset	Claude Haiku / GPT-4o mini	Nopea, halpa, riittävä laatu
Koodin selittäminen	Mikä tahansa	Kaikki mallit selittävät hyvin
Laaja koodikanta	Gemini 2.5 Pro	Erittäin suuri konteksti-ikkuna

Mallien tasot

LLM-mallit jakautuvat tyypillisesti kolmeen tasoon: Frontier (Opus, GPT-4o) monimutkaisen päättelyn tehtäviin, Balanced (Sonnet, GPT-4o) päivittäiseen kehitykseen, ja Speed (Haiku, GPT-4o mini) nopeisiin yksinkertaisiin tehtäviin. Valitse taso tehtävän monimutkaisuuden mukaan.

Kustannusoptimointi

AI-koodaus tuottaa kustannuksia. Näin optimoit:

1. Oikea malli oikeaan tehtävään

Käytä halpaa mallia yksinkertaisiin tehtäviin (boilerplate, tyylittelyt)
Vaihda frontier-malliin kun tarkkuus on kriittistä (arkkitehtuuri, turvallisuus)

2. Kontekstin hallinta

Rajaa konteksti relevanttiin: älä syötä koko koodikantaa joka kerta
Käytä .cursorignore tai vastaavia tiedostoja turhien tiedostojen poissulkemiseen
Viittaa tiedostoihin nimellä sen sijaan, että liittäisit sisällön

3. Välimuistin hyödyntäminen

Prompt caching vähentää kustannuksia toistuvissa tehtävissä
Moni API tukee system prompt -välimuistia automaattisesti

Yleisiä promptausvirheitä

Virhe	Esimerkki	Korjaus
Liian epämääräinen	"Tee tämä paremmin"	"Lisää virheenkäsittely ja tyypit"
Liikaa kerralla	"Rakenna koko sovellus"	Pilko pienempiin tehtäviin
Ei kontekstia	"Luo komponentti"	Kerro framework, tyyli, sijainti
Ei rajoitteita	"Kirjoita testi"	Kerro framework, kattavuus, tapa

Tietovisa

Mikä on tehokkain tapa promptata AI:ta ohjelmistokehityksessä?

Promptausharjoitus

Valitse yksi ohjelmointitehtävä ja kirjoita kolme eri promptia samalle tehtävälle: 1) Huono prompti (epämääräinen), 2) Hyvä prompti (konteksti + tehtävä + rajoitteet), 3) Few-shot prompti (esimerkin kanssa). Vertaa tuloksia AI-koodaustyökalulla.

Yhteenveto

Tehokas promptaus = konteksti + tehtävä + rajoitteet
Eri mallit sopivat eri tehtäviin — älä käytä frontier-mallia kaikkeen
Kustannuksia optimoidaan mallin valinnalla ja kontekstin rajaamisella
Few-shot promptaus on tehokkain tapa varmistaa oikea tulosmuoto
Seuraavaksi opimme speksilähtöisen kehityksen ja hyväksymiskriteerit