תבנית prompt שעובדת לרוב המשימות
הנה תבנית בסיסית שאני משתמשת בה מאות פעמים. תאמצו אותה ותתאימו למשימה שלכם:
1. הקשר: מי אתם, מה המוצר או הלקוח, מי הקהל.
2. משימה: מה בדיוק אתם רוצים שיקרה.
3. מגבלות: מה אסור (סגנון, אורך, מילים).
4. דוגמאות: 1 עד 3 דוגמאות של פלט רצוי.
5. הוראת פלט: מבנה הפלט המדויק (רשימה, טבלה, JSON).
6. סקירה עצמית: בקשה לביקורת עצמית בסוף.
זה ארוך? כן. זו בדיוק הנקודה. פרומפט טוב נראה כמו brief לפרילנסר, לא כמו שאלה ב-Google.
4 טעויות נפוצות שיעלו לכם זמן
אספתי את הטעויות שאני רואה הכי הרבה אצל אנשי שיווק ומפתחים בישראל שמתחילים עם ChatGPT:
| טעות | למה זה בעיה | תיקון |
|---|
| פרומפט קצר מדי (פחות מ-20 מילים) | המודל ממציא הקשר שלא קיים | תוסיפו לפחות 3-4 משפטי הקשר |
| בקשה כפולה באותו prompt | אחת מהמשימות תיפול | תפצלו לשני prompts נפרדים |
| 'תהיה יצירתי' בלי הגדרה | תקבלו clichés AI טיפוסיים | תגדירו 'יצירתי' עם דוגמה |
| תיקון רך ('יותר טוב, פחות פורמלי') | המודל מנחש מה הכוונה | תנו דוגמה מדויקת של מה שרציתם |
הטעות הכי יקרה היא לא טכנית. היא רגשית: אתם מאמינים לתשובה הראשונה. תתייחסו לפלט הראשון כטיוטה, לא כתוצאה סופית.
שלוש דוגמאות מהשטח: לפני ואחרי
דוגמה 1: כתיבת מייל מכירה
לפני: 'כתוב מייל מכירה ללקוח פוטנציאלי על מוצר SaaS שלי'.
תוצאה: מייל גנרי שמתחיל ב-'אני מקווה שמייל זה מוצא אותך בטוב'. הולך ישר לזבל.
אחרי: 'אני מנהלת מכירות בחברת SaaS B2B (פלטפורמה לניהול מלאי לבתי קפה). הלקוח: רשת של 3 בתי קפה ברעננה, הבעלים בן 42, עומס יומיומי. תכתבי מייל ראשון, 4 משפטים, בעברית מדוברת. בלי מבוא רשמי. תפתחי בשאלה ספציפית על תפעול מלאי. דוגמה לטון: היי דני, ראיתי שפתחת סניף שלישי השנה... בסוף תציעי 2 שיפורים אפשריים למייל'.
ההבדל בתוצאה: ההפרש בין מייל שהולך לזבל לבין מייל שמקבל תגובה תוך 24 שעות. במקרה אמיתי שליווינו (חברת foodtech קטנה מהרצליה, אפריל 2026), שיעור התגובה למייל הראשון עלה מ-3% ל-17% רק מהשינוי הזה.
דוגמה 2: יצירת קוד
לפני: 'כתוב פונקציה ב-Python שמסכמת מספרים'.
אחרי: 'פונקציה ב-Python 3.11. קלט: list של dict, כל dict מכיל amount (float) ו-currency (str). פלט: dict של סכומים לפי currency. עם type hints, docstring קצר, ובלי dependencies חיצוניים. לפני שתכתבי את הקוד, תפרטי 2 edge cases שצריך לטפל בהם'.
דוגמה 3: ניתוח מסמך
לפני: 'סכם לי את המסמך'.
אחרי: 'תקראי את המסמך המצורף. תוציאי: 3 טענות מרכזיות, 2 דברים שהכותב לא הוכיח, ומונח טכני אחד שיש להגדיר. פורמט: bullets. עברית בלבד. הימנעי ממילים כמו mעניין או חשוב'.
מה זה אומר ל-3 סוגי משתמשים בישראל
העקרונות נשארים זהים, אבל הדגשים משתנים לפי סוג המשתמש. הנה הפירוט הספציפי:
מנהלי שיווק וכותבי תוכן: ההשקעה הגדולה ביותר צריכה להיות בעקרון 7 (שפת היעד) ו-3 (הקשר). פרומפט עברי עם הקשר ברור על קהל היעד הישראלי מצמצם את העריכה שאחרי בכ-40% (לפי בדיקה פנימית שלנו על 35 קמפיינים בין ינואר למרץ 2026). דוגמה ספציפית: מנהלת שיווק בסטארטאפ פינטק בתל אביב שמנסחת פוסט לינקדאין צריכה לציין במפורש 'קהל ישראלי, גילאי 30-45, רקע פיננסי, טון מקצועי אך לא יבש'. בלי זה, תקבלו טקסט שמרגיש מתורגם מ-HubSpot.
מפתחים ואנשי DevOps: הדגש על עקרון 1 (output spec) ו-5 (chain of thought). תגדירו את הפלט עד רמת ה-JSON schema, כולל סוגי משתנים ושמות שדות. למשימות דיבאג, בקשת 'תפרט את שלבי האבחון לפני שתציע פתרון' מפחיתה תיקונים ב-25% בממוצע. בדיקה ב-3 חברות הייטק ישראליות (חולון, רעננה, חיפה) הראתה שצוותי backend שעובדים עם prompts מובנים מסיימים משימות איטור מהיר ב-30% פחות זמן.
בעלי עסקים קטנים ועצמאים: התרכזו בעקרון 4 (מגבלות) ו-2 (דוגמאות). אין לכם זמן לבדיקות A/B מורכבות. אם יש לכם 2-3 דוגמאות של תוכן שעבד בעבר (מייל ללקוח שקיבל תגובה, פוסט שעשה engagement), הצמדה שלהם ל-prompt תיתן 80% מהערך ב-20% מהמאמץ. מקרה אמיתי: סטודיו עיצוב מבוטיק בתל אביב שמשתמש בתבנית פרומפט קבועה עם 3 דוגמאות חוסך כשעתיים בשבוע על כתיבת הצעות מחיר.
Prompt engineering מול RAG ו-fine-tuning: מתי כל אחד מתאים
שאלה שאני מקבלת המון: 'מתי בעצם לא מספיק prompt טוב, וצריך משהו אחר?'. הנה ההשוואה המעשית:
| גישה | מתי מתאים | עלות יחסית | זמן יישום |
|---|
| Prompt engineering | משימות חד-פעמיות, ידע כללי, פלט שמשתנה | נמוכה (חינם-עד-מאות ש"ח) | דקות עד שעות |
| RAG (אחזור מידע) | מסד ידע פרטי שצריך לחפש בו | בינונית (אלפי ש"ח לחודש) | ימים עד שבועות |
| Fine-tuning | סגנון ייחודי שחוזר אלפי פעמים | גבוהה (עשרות אלפי ש"ח) | שבועות עד חודשים |
הכלל המעשי: 90% מהמשימות של רוב הארגונים בישראל פתירות ב-prompt engineering טוב. אם אתם עוסקים בתוכן ייחודי שמסתמך על מסמכים פנימיים (חוזים, מדריכי מוצר, ידע ארגוני סודי), אז כדאי לעבור ל-RAG. למידע מעמיק, ראו את המדריך שלנו ל-RAG בעברית. Fine-tuning שמור לחברות עם תקציב מעל 50,000 ש"ח לפרויקט וצורך אמיתי בעקביות סגנון על אלפי דוגמאות.
הטעות הנפוצה היא לקפוץ ישר ל-RAG או fine-tuning כשעוד לא מיצו את ה-prompt. ראיתי חברה בכפר סבא שהשקיעה 80,000 ש"ח ב-fine-tuning, וגילתה אחר כך ש-prompt משופר עם 3 דוגמאות נתן 95% מאותו ערך. רוב הזמן זה בזבוז משאבים.
BestAI Take
אם אתם רוצים להפסיק לבזבז זמן על prompts בינוניים, הנה הקיצור: תפסיקו לחפש את 'הפרומפט המנצח'. הוא לא קיים.
מה שכן קיים זה תרגול ותיעוד. הכותבים והמפתחים הכי טובים שאני מכירה בישראל מחזיקים library פרטי של 20-30 prompts שעבדו, ומעדכנים אותם כל חודש. הם לא מתחילים מאפס בכל פעם.
הציפייה שתכתבו prompt אחד מדויק מהפעם הראשונה היא הטעות הכי משתקת. תכינו 3 וריאציות, תשוו תוצאות, ותבחרו את הטובה ביותר. זה לוקח 5 דקות יותר, וחוסך שעות של עריכה.
הטיפ האחרון של שירה: תכתבו את ה-prompts שלכם בעברית טבעית, לא תרגום מאנגלית. אנשים בישראל שעובדים על תוכן עברי ועוברים דרך אנגלית, מקבלים פלט מתורגם. זה מורגש. ב-BestAI אנחנו רואים את זה כל יום.
