Hur du skriver Gemini 3-prompter som håller vid revidering

Varför de flesta Gemini 3-prompter misslyckas vid revidering — och hur du fixar det

De flesta behandlar skrivandet av prompter som att skriva ett mejl: få det gjort, skicka iväg det, hoppas på det bästa. Med Gemini 3.1 Pro—särskilt på MidassAI Chat—är det ett recept på omarbete. Inte för att modellen är inkonsekvent, utan för att din prompt inte var byggd för att hålla under granskning. Revidering är inte misslyckande—det är där det riktiga arbetet sker. Och om din prompt kollapsar när du frågar "Vänta, vad händer med kantfall X?" eller "Kan du spåra den logiken baklänges?", har du förlorat timmar—inte minuter.

Gemini 3.1 Pro excellerar på djup: resonemang över 100K-token dokument, decomponering av flerstegsarkitekturer, tolkning av temporära videoramar och korsverifiering av påståenden över heterogena källor. Men inget av detta framträder ur vaga direktiv som "Förklara kvantdatorkraft" eller "Förbättra den här koden". Det framträder ur strukturerad avsikt—prompter konstruerade för att överleva revideringscykler genom att koda in begränsningar, fallback-logik och explicita valideringskriterier i förväg.

Vem detta är för:

Tekniska skribenter som reviderar whitepapers mot nytt källmaterial
Backend-utvecklare som validerar beslut om service mesh-design
Forskare som syntetiserar regulatoriska fileringar över jurisdiktioner
Produktchefer som stresstestar funktionsspecifikationer före sprintplanering
Videoanalytiker som extraherar temporal kausalitet (t.ex. "Vid 2:14–2:27, föregår eller följer subjekt A:s gest subjekt B:s verbala cue?")

Detta är inte teoretiska användningsfall. Det är arbetsflöden vi har stresstestat på MidassAI Chat med riktiga användare—och där dåligt strukturerade prompter rutinmässigt misslyckades vid revideringssteg två.

Viktiga punkter

Grundläggande principPrompt durability > initial output speed

Trigger för revidering‘What if…?’ questions expose weak assumptions

Fördel med MidassAIStateful chat context preserves document + reasoning history across revisions

Mall 1: Hämtning av långa dokument med källförankring

Säg inte: "Sammanfatta denna 80-sidiga SEC-filering."

Säg istället:

Du är en compliance-analytiker som granskar Form 10-K för Acme Corp (2024). Hämta och extrahera endast avslöjanden relaterade till cybersäkerhetsriskfaktorer (Item 1C), rättegångskontingenser (Item 3) och ansvarsfriskrivningar för framåtblickande uttalanden (Item 7). För varje extraherad klausul:

Citera ordagrant (max 45 ord)

Ange exakt sidnummer och sectionsrubrik

Flagga eventuella interna motsägelser (t.ex. "risken är 'materiell' på s.22 men 'imateriell' på s.41")

Parafresera inte. Inferera inte. Sammanfatta inte bortom extrahering.

Varför den överlever revidering: Explicit förankring till sida/section tvingar fram trohet. Motsägelsedetektering bygger in självgranskning—så när du senare frågar "Visa mig alla motsägelser flaggade i Section 3", hämtar Gemini 3.1 Pro dem direkt eftersom de loggades under första genomgången, inte infererade i efterhand.

Testa Gemini 3 på MidassAI Chat

Mall 2: Logik stresstestning för beslutsträd

Använd detta när du validerar affärsregler, policytillämpning eller konditionella arbetsflöden:

Du är en systemrevisor som utvärderar lånegodkännandemotorn. Givet dessa tre indata:

Kreditbetyg ≥ 720 → auto-godkänn

Inkomstkvot > 45% → kräv manuell granskning

Tidigare missbetalning inom 24 månader → auto-avvisa

Generera alla möjliga indatakombinationer (n=8) och för varje:

Ange slutligt beslut

Spåra den exakta regelsökvägen (t.ex. "Kredit=730 → auto-godkänn; åsidosätter inkomstkvot=48%")

Identifiera eventuella regelkonflikter (t.ex. "Kredit=690 OCH missbetalning=ja → både avvisning och manuell granskning utlöst")

Output som CSV med kolumner: credit_score, income_ratio_pct, past_default, decision, conflict_flag.

Denna mall tvingar fram uttömmande uppräkning—inte bara "vad händer i det typiska fallet". När du reviderar ("Vad händer om inkomstkvoten är 44,9%?"), gissar inte Gemini 3.1 Pro—det beräknar om hela matrisen i kontext, och behåller tidigare outputs för sida-vid-sida-jämförelse.

Mall 3: Dekomponering av kodarkitektur

Hoppa över "Gör den här koden bättre." Istället:

Du är en senior backend-arkitekt som granskar denna Go-mikrotjänst (bilagd: main.go, handlers/user.go, pkg/db/connection.go). För varje fil:

Lista alla exporterade typer/funktioner

Kartlägg beroendeflöde: vilka funktioner anropar vilka, inklusive cross-package-anrop

Identifiera tighta kopplingspunkter (t.ex. handler som direkt instantierar DB-anslutning istället för att acceptera interface)

Föreslå en konkret refaktorering per kopplingspunkt (t.ex. "Extrahera db.Connection till interface; injicera via constructor")

Output som Mermaid-grafkod + punktlista över refaktoreringar.

Gemini 3.1 Pro parserar struktur och avsikt—inte bara syntax. Revidering blir kirurgisk: "Kör om beroendekartläggning efter injicering av Redis-klient—beror user handler nu på cache?" Prompten definierade redan "beroende" precist, så svaret är deterministiskt.

Mall 4: Prompt för temporal videoanalys

För ram-exakt resonemang (kräver videouppladdning till MidassAI Chat):

Analysera uppladdad videoklipp (0:00–3:12, 30fps). Vid tidsstämplar 1:22–1:25 och 2:08–2:11:

Identifiera primär subjektrörelse (t.ex. "vänster arm höjs, sedan paus")

Korrelera med ljudvågsformstoppar (ange ms-alignerade tidsstämplar)

Bestäm temporal ordning: föregår, släpar efter, eller sammanfaller rörelsen med toppen?

Om släpning > 120ms, flagga potentiellt synkroniseringsproblem.

Output tabell: timestamp_range | motion_description | audio_peak_ms | delta_ms | sync_flag.

Detta fungerar eftersom Gemini 3.1 Pro bearbetar multimodala token gemensamt. Revidering är inte "missade du något?"—det är "Analysera om 1:22–1:25 med tightare rörelsetrösklar (sub-pixel optical flow)", och modellen exekuterar om samma protokoll med justerade parametrar.

Mall 5–7: Research Triangulering, Kantfallsgenerering och Korsdomän-Översättning

Research Triangulering: "Jämför FDA:s utkast till vägledning (2024-05), EMA CHMP-rapport (2023-11) och WHO:s tekniska brief (2024-02) om AI-enabled diagnostik. För varje regulation: extrahera definition av 'klinisk validering', lista required evidence types, och notera divergens i tröskelvärden för urvalsstorlek. Output som markdown-tabell med kolumn 'Divergence severity (low/medium/high)'."
Kantfallsgenerering: "Givet denna Python-funktionssignatur def calculate_tax(income: float, state: str, dependents: int) -> float, generera 12 testfall som täcker: negativ inkomst, state='XX' (ogiltig), dependents=−1, income=inf, state='CA' med dependents=0, och 7 ytterligare gränsvillkor. För varje, ange förväntat beteende och varför det är ett meningsfullt kantfall."
Korsdomän-Översättning: "Översätt denna Kubernetes Helm chart README (bilagd) till plain-language produktspec för icke-tekniska säljingenjörer. Bevara alla versionsbegränsningar, resursgränser och failure modes—men ersätt 'initContainer' med 'pre-start health check', 'tolerations' med 'deployment flexibility settings', etc. Inkludera en ordlista som mappar tekniska termer till säljorienterade motsvarigheter."

Varje inbäddar revideringsberedskap: explicit omfång, entydiga framgångskriterier och strukturerade output-format som möjliggör diff-baserad validering.

Din första revideringssäkra prompt börjar nu

Du behöver inte perfekta prompter dag ett. Du behöver prompter som lär sig med dig. Varje gång du frågar "Vad händer om X ändras?", behåller Gemini 3.1 Pro på MidassAI Chat den ursprungliga resonemangskedjan—så revidering är inte att börja om. Det är att lägga till insikt.

Prova att bygga en av dessa mallar live. Ladda upp en 50-sidig PDF, klistra in en 200-raders kodbas, eller släpp in ett 90-sekunders videoklipp. Ställ sedan din första revideringsfråga: "Visa mig där antaganden bryter samman." Det är då du kommer se skillnaden mellan en prompt som ger dig ett svar, och en som ger dig en fungerande grund.

Prova Gemini 3 på MidassAI Chat