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:
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-kommentit2. Esimerkkipohjainen promptaus (Few-shot)
Anna mallille esimerkki haluamastasi tulosteesta:
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/products3. Roolipohjainen promptaus
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
Tarkistettu 28.7.2026. Tämä taulukko vanhenee nopeammin kuin mikään muu tällä kurssilla — Opus 5 julkaistiin 24.7. ja GPT-5.6 -perhe 9.7.2026, eli kahden viikon sisällä toisistaan. Älä opettele taulukkoa ulkoa: opettele tasot. Kun luet tätä myöhemmin, tarkista nykytilanne mallin oman hinnoittelusivun ja
--model-listauksen kautta (claude --help,codex --help) — ja katso alla oleva "Miten tarkistat tämän itse".
Eri LLM-mallit sopivat eri tehtäviin. Valitse taso tehtävän mukaan — älä aja frontieria kaikkeen.
Closed frontier (API / IDE)
| Malli | Taso | Best for |
|---|---|---|
| Claude Fable 5 | Peak frontier | Pitkät agenttiset runit, monimutkainen autonomia, “days-long” -työ |
| Claude Opus 5 | Frontier workhorse | Agentic coding, arkkitehtuuri, enterprise-työ. 1M ctx, jopa 128K output, adaptiivinen ajattelu ja viisiportainen effort-asetus; Claude Codessa myös /fast |
| Claude Sonnet 5 | Balanced | Päivittäinen koodaus, hyvä laatu/hinta/nopeus |
| Claude Haiku 4.5 | Speed | Fan-out, mekaaniset korjaukset, halpa volume |
| GPT-5.6 Sol | Peak frontier (OpenAI) | Vaativin coding + agentic + computer use; alias gpt-5.6 → Sol |
| GPT-5.6 Terra | Balanced | Arki / Codex-työ halvemmalla kuin Sol |
| GPT-5.6 Luna | Speed | Nopea volume, edullisin GPT-5.6 -taso |
| Cursor Composer 2 (ym.) | Speed (IDE) | Nopeat monen tiedoston iteraatiot editorissa |
Kontekstiikkuna näissä frontier-/balanced-malleissa on tyypillisesti ~1M tokenia (Haiku pienempi).
Hinta on osa mallivalintaa, ei erillinen kysymys. Karkeat listahinnat $/M tokenia (sisään/ulos), heinäkuu 2026:
| Malli | Sisään | Ulos | Suhde halvimpaan |
|---|---|---|---|
| Claude Opus 5 | $5 | $25 | ~4× |
| GPT-5.6 Sol | $5 | $30 | ~5× |
| GPT-5.6 Terra | $2.50 | $15 | ~2.5× |
| GPT-5.6 Luna | $1 | $6 | 1× |
| DeepSeek V4 Flash | ~$0.14 | ~$0.28 | ~0.05× |
Ero Lunan ja Solin välillä on viisinkertainen ulostulossa, ja ero Flashin ja Solin välillä on kaksi kertaluokkaa. Sama tehtävä väärällä tasolla ei ole hieman kalliimpi — se on moninkertaisesti kalliimpi, ja juuri siksi tason valinta on tekninen päätös eikä makuasia.
Halpa taso, joka ei ole enää huono
DeepSeek V4 Flash (0731, julkaistu 31.7.2026) on tämän kesän merkittävin hintamuutos. 284B MoE, josta 13B aktiivista, 1M kontekstin ikkuna — ja listahinta noin $0.14 / $0.28 miljoonalta tokenilta. Se on suuruusluokkaa halvempi kuin frontier-tason mallit.
Kiinnostavaa ei ole hinta yksin vaan se, mitä siitä saa: SWE-bench Verified 79.0 % vastaan V4-Pron 80.6 %, ja Terminal Bench 2.1 -tuloksessa 82.7 Flash ohittaa oman lippulaivansa (72.1). Eli agenttisessa, terminaalipainotteisessa työssä halvempi malli pärjää tässä mittauksessa paremmin kuin kalliimpi saman talon malli.
Lue benchmarkit kuten lukisit myyntimateriaalia. DeepSWE-luku 54.4 on valmistajan itse raportoima ja ajettu heidän omalla harness-toteutuksellaan, jota ei ole vielä julkaistu — kukaan ulkopuolinen ei ole voinut toistaa sitä. Riippumatonta, kontaminaatiovapaata ajoa ei elokuun 2026 alussa ole. Tämä ei tarkoita että luvut olisivat vääriä; se tarkoittaa ettei niitä ole tarkistettu. Sama sääntö pätee jokaiseen malliin tässä taulukossa.
Milloin tämä on oikea valinta: suuret volyymit, fan-out, mekaaniset korjaukset, pitkät ajot joissa hinta kertautuu vuoro vuorolta — eli täsmälleen ne kuormat, joissa tehdas viikolla 3 palaa. Kokeile sitä siellä missä ero näkyy, älä siellä missä arkkitehtuuripäätös maksaa väärästä valinnasta.
Open-weight / open-source -sukupolvi
Trillion-luokan MoE-mallit kilpailevat nyt closed frontierin kanssa erityisesti long-horizon coding -kuormissa:
| Malli | Lab | Koko (ilmoitettu) | Huomio kehittäjälle |
|---|---|---|---|
| Kimi K3 | Moonshot | ~2.8T MoE, 1M ctx | Open-weight -lupaus; API (kimi-k3) ensin — painot julkaisuun erikseen |
| GLM-5.2 | Zhipu / Z.AI | ~744B MoE (~40B active), 1M ctx | MIT, painot saatavilla; vahva coding/agent -profiili, edullisempi self-host/API |
| Qwen3.8 (Max Preview) | Alibaba | ~2.4T, multimodal | Preview API/Qoderissä; open-weight “soon” — tarkista lisenssi ja card ennen tuotantoa |
| DeepSeek V4 Pro (verrokki) | DeepSeek | ~1.6T MoE | Usein samassa open-leaderboard-vertailussa; MIT |
Pro-vinkki
Open-weight ≠ heti self-host. Tarkista: onko checkpoint julki, lisenssi (MIT vs. modified), active params (palvelukustannus), ja onko malli vahva sinun harnessissasi (Claude Code / Codex / oma agentti) — benchmarkit riippuvat ajotavasta.
Tehtävä → malli (käytännön ohjenuora)
| Tehtävä | Suositus | Miksi |
|---|---|---|
| Vaativa arkkitehtuuri / pitkä agentti | Fable 5 tai GPT-5.6 Sol (tai Opus 5) | Peak reasoning + pitkä juoksu |
| Päivittäinen feature-työ | Sonnet 5 tai GPT-5.6 Terra | Riittävä laatu, parempi hinta/nopeus |
| Nopeat korjaukset / fan-out | Haiku 4.5, Luna, Composer 2 | Halpa ja nopea |
| Self-host / data ei saa lähteä | GLM-5.2 (nyt) · Kimi K3 / Qwen3.8 kun painot + lisenssi ok | Open-weight -kontrolli |
| Budget coding API | GLM-5.2, DeepSeek V4 Pro, Luna | Near-frontier halvemmalla |
Miten tarkistat tämän itse
Tämän sivun taulukko on kuvaus hetkestä. Taito, joka ei vanhene, on osata tarkistaa tilanne itse — se on viiden minuutin rutiini, ei tutkimusprojekti:
- Mitä työkalusi tarjoaa juuri nyt.
claude --helpjacodex --helplistaavat käytettävissä olevat mallit; Claude Codessa/modelnäyttää nykyisen ja vaihtoehdot. Tämä on ainoa lista, joka koskee sinun ajoasi. - Mitä se maksaa. Kummankin toimittajan hinnoittelusivu, sarake sisään ja ulos erikseen. Kirjoita suhdeluku muistiin, älä absoluuttista hintaa — suhde säilyy pidempään kuin luku.
- Onko se hyvä sinun tehtävässäsi. Yleinen leaderboard kertoo vähemmän kuin oma mittarisi: ota yksi oikea tehtävä viime viikolta, aja se kahdella tasolla ja vertaa lopputulosta ja hintaa. Kymmenen minuuttia tätä kertoo enemmän kuin mikään vertailutaulukko.
Pro-vinkki
Kun luet tämän kuukausia myöhemmin ja mallien nimet ovat vaihtuneet: tasot eivät ole. Peak frontier / workhorse / balanced / speed -jako on pysynyt läpi useamman mallisukupolven, ja se on se, mitä tässä kannattaa oppia.
Mallien tasot
Kehittäjän portfolio 2026: Peak frontier (Fable 5, GPT-5.6 Sol) vaativaan autonomiaan, Frontier workhorse (Opus 5) vakavaan agentic codingiin, Balanced (Sonnet 5, Terra) arkeen, Speed (Haiku, Luna, Composer) volumeen, sekä Open-weight (Kimi K3, GLM-5.2, Qwen3.8) self-host/kustannus/riippumattomuus -tarpeisiin. Valitse taso tehtävän mukaan — ei brändin.
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
.cursorignoretai 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 |
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 peak frontieria (Fable / Sol) kaikkeen
- Kustannuksia optimoidaan mallin valinnalla (Sonnet/Terra/Haiku/Luna) ja kontekstin rajaamisella
- Open-weight (Kimi K3, GLM-5.2, Qwen3.8) on vaihtoehto kontrolliin ja budjettiin — tarkista painot ja lisenssi
- Few-shot promptaus on tehokkain tapa varmistaa oikea tulosmuoto
- Seuraavaksi opimme speksilähtöisen kehityksen ja hyväksymiskriteerit — siirtymä: prompting → spec-driven