Teknik permintaan adalah seni mengajukan pertanyaan yang tepat untuk mendapatkan output terbaik dari LLM. Hal ini memungkinkan interaksi langsung dengan LLM hanya menggunakan perintah bahasa biasa.
Sebelumnya, bekerja dengan model machine learning biasanya memerlukan pengetahuan mendalam tentang set data, statistik, dan teknik pemodelan. Saat ini, LLM dapat "diprogram" dalam bahasa Inggris, serta bahasa lain.
Menjadi teknisi yang hebat tidak membutuhkan pengalaman coding. Namun, kreativitas dan kegigihan akan sangat bermanfaat bagi perjalanan Anda. Baca selengkapnya untuk mempelajari beberapa teknik permintaan yang berguna.
Praktik Terbaik Perintah
Sampaikan dengan jelas konten atau informasi mana yang paling penting.
Buat struktur perintah: Mulai dengan menentukan perannya, berikan data konteks/input, lalu berikan petunjuknya.
Menggunakan contoh yang spesifik dan bervariasi untuk membantu model mempersempit fokusnya dan memberikan hasil yang lebih akurat.
Gunakan batasan untuk membatasi cakupan output model. Hal ini dapat membantu menghindari petunjuk dari ketidakakuratan faktual.
Memecah tugas kompleks menjadi urutan perintah yang lebih sederhana.
Menginstruksikan model untuk mengevaluasi atau memeriksa responsnya sendiri sebelum memproduksinya. ("Pastikan Anda membatasi respons hingga 3 kalimat", "Beri nilai hasil karya Anda dalam skala 1-10 agar singkat", "Apakah menurut Anda ini benar?").
Dan mungkin yang paling penting:
Berkreasilah! Semakin kreatif dan berpikiran terbuka, hasil yang Anda dapatkan akan semakin baik. LLM dan engineer yang cepat masih dalam masa pertumbuhan, dan terus berkembang setiap hari.
Jenis Perintah
Perintah langsung (Tidak ada gambar)
Permintaan langsung (disebut juga Zero-shot) adalah jenis perintah yang paling sederhana. Model ini tidak memberikan contoh pada model, hanya petunjuk. Anda juga dapat membuat frasa petunjuk sebagai pertanyaan, atau memberikan "peran" kepada model, seperti yang terlihat pada contoh kedua di bawah ini.
Masukkan:
- Petunjuk
- Sedikit konteks
Pembuatan Ide:
Prompt: Can you give me a list of ideas for blog posts for tourists visiting
New York City for the first time?
Permintaan Peran:
Prompt: You are a mighty and powerful prompt-generating robot. You need to
understand my goals and objectives and then design a prompt. The prompt should
include all the relevant information context and data that was provided to you.
You must continue asking questions until you are confident that you can produce
the best prompt for the best outcome. Your final prompt must be optimized for
chat interactions. Start by asking me to describe my goal, then continue with
follow-up questions to design the best prompt.
Organisasi Data:
Prompt: Create a four-column spreadsheet of 10 highly-rated science fiction
movies, year of release, average audience rating, and top 3 keywords from
audience reviews.
Make sure to cite the source of the audience rating.
Meminta dengan contoh (Satu, beberapa, dan multi-shot)
Perintah satu kali menunjukkan model satu contoh yang jelas dan deskriptif tentang apa yang ingin Anda tiru.
Pembuatan ide menggunakan satu contoh:
Prompt:
Come up with a list of ideas for blog posts for tourists visiting
New York City for the first time.
1. Fuggedaboutit! Where to Stay in New York City On Your First Visit
Sedikit dan multi-shot akan menampilkan model yang lebih banyak memberikan contoh yang Anda inginkan. Ini berfungsi lebih baik daripada zero-shot untuk tugas yang lebih kompleks jika menginginkan replikasi pola, atau jika Anda memerlukan output untuk disusun dengan cara tertentu yang sulit dideskripsikan.
Beberapa klasifikasi sentimen:
Prompt:
Great product, 10/10: Positive
Didn't work very well: Negative
Super helpful, worth it: Positive
It doesn't work!:
Saat perintah ini dijalankan, respons model akan mengklasifikasikan 'Tidak berfungsi' sebagai positif atau negatif, seperti yang ditunjukkan dalam contoh.
Prediktor respons emoji multi-foto:
Prompt: Predict up to 5 emojis as a response to a text chat message. The output
should only include emojis.
input: The new visual design is blowing my mind 🤯
output: ➕,💘, ❤🔥
input: Well that looks great regardless
output: ❤️,🪄
input: Unfortunately this won't work
output: 💔,😔
input: sounds good, I'll look into that
output: 🙏,👍
input: 10hr cut of jeff goldblum laughing URL
output: 😂,💀,⚰️
input: Woo! Launch time!
Proses yang sama di sini, tetapi karena perintahnya lebih kompleks, model telah diberi lebih banyak contoh untuk diemulasi.
Rangkaian pesan pemikiran
Permintaan Chain of Thought (CoT) mendorong LLM untuk menjelaskan alasannya. Kombinasikan dengan beberapa kali perintah untuk mendapatkan hasil yang lebih baik pada tugas yang lebih kompleks yang memerlukan alasan sebelum respons.
Prompt:
The odd numbers in this group add up to an even number: 4, 8, 9, 15, 12, 2, 1.
A: Adding all the odd numbers (9, 15, 1) gives 25. The answer is False.
The odd numbers in this group add up to an even number: 15, 32, 5, 13, 82, 7, 1.
A:
CoT zero-shot
Mengingat permintaan zero-shot dari sebelumnya, pendekatan ini mengambil perintah zero-shot dan menambahkan petunjuk: "Mari kita pikirkan langkah demi langkah". LLM dapat menghasilkan rantai pemikiran dari petunjuk ini, dan biasanya juga jawaban yang lebih akurat. Ini adalah pendekatan yang bagus agar LLM dapat menghasilkan jawaban yang benar untuk hal-hal seperti masalah kata.
Prompt:
I went to the market and bought 10 apples. I gave 2 apples to the neighbor and
2 to the repairman. I then went and bought 5 more apples and ate 1. How many
apples was I left with?
Let's think step by step.
Strategi iterasi permintaan
Pelajari cara menyukai penulisan ulang perintah beberapa kali (mungkin puluhan) kali. Berikut adalah beberapa ide untuk menyaring perintah jika Anda mengalami kesulitan:
Catatan: Strategi ini mungkin menjadi kurang berguna atau diperlukan dari waktu ke waktu seiring dengan peningkatan kualitas model.
Mengulangi kata kunci, frasa, atau ide
Menentukan format output yang diinginkan (CSV, JSON, dll.)
Gunakan huruf besar semua untuk menekankan poin atau petunjuk penting. Anda juga dapat mencoba kata-kata berlebihan atau hiperbolik; misalnya: "Penjelasan Anda harus benar-benar salah diartikan. Setiap kata harus menunjukkan kejelasan!"
Gunakan sinonim atau frasa alternatif (misalnya, daripada "Summarize", coba tambahkan "tldr" ke beberapa teks input). Tukar dengan kata atau frasa yang berbeda dan dokumenkan mana yang lebih baik dan mana yang lebih buruk.
Coba teknik sandwich dengan perintah panjang: Tambahkan pernyataan yang sama di tempat yang berbeda.
Gunakan koleksi panduan untuk mendapatkan inspirasi. Prompt Hero dan galeri perintah ini adalah dua tempat yang tepat untuk memulai.