Prompt Engineering ist die Kunst, die richtige Frage zu stellen, um die beste Ausgabe von einem LLM zu erhalten. Dies ermöglicht eine direkte Interaktion mit dem LLM über einfache Aufforderungen in einfacher Sprache.
In der Vergangenheit erforderte die Arbeit mit Machine Learning-Modellen umfassende Kenntnisse über Datasets, Statistiken und Modellierungstechniken. Derzeit können LLMs auf Englisch und in anderen Sprachen programmiert werden.
Um ein hervorragender Entwickler zu sein, sind keine Programmierkenntnisse erforderlich. Kreativität und Beharrlichkeit werden dich auf deinem Weg jedoch sehr unterstützen. Hier erfahren Sie mehr über einige hilfreiche Eingabeaufforderungstechniken.
Best Practices für Aufforderungen
Machen Sie deutlich, welche Inhalte oder Informationen am wichtigsten sind.
Strukturieren Sie die Aufforderung: Definieren Sie zuerst die Rolle, geben Sie Kontext-/Eingabedaten an und stellen Sie dann die Anweisung bereit.
Verwenden Sie spezifische, vielfältige Beispiele, um das Modell einzugrenzen und genauere Ergebnisse zu erzielen.
Verwenden Sie Einschränkungen, um den Umfang der Modellausgabe einzuschränken. So vermeiden Sie, dass sich die Anweisungen auf sachliche Ungenauigkeiten beziehen.
Zerlegen Sie komplexe Aufgaben in einfachere Aufforderungen.
Das Modell bitten, seine Antworten zu bewerten oder zu prüfen, bevor sie erstellt werden „Beschränken Sie Ihre Antwort auf drei Sätze.“, „Berücksichtigen Sie auf einer Skala von 1 bis 10, wie kurz und prägnant“ Ihre Aussage ist.“ „Glauben Sie, dass das richtig ist?“.
Und vermutlich am wichtigsten:
Sei kreativ! Je kreativer und aufgeschlossener Sie sind, desto bessere Ergebnisse erzielen Sie. LLMs und Prompt Engineering sind noch in den Kinderschuhen und entwickeln sich jeden Tag weiter.
Arten von Aufforderungen
Direkte Aufforderung (keine Aufnahme)
Direkte Aufforderungen, auch als „Null-Aufnahmen“ bezeichnet, sind die einfachste Form einer Aufforderung. Es enthält keine Beispiele für das Modell, nur die Anleitung. Sie können die Anleitung auch als Frage formulieren oder dem Modell eine Rolle zuweisen, wie im zweiten Beispiel gezeigt.
Bitte angeben:
- Anleitung
- Kontext
Ideengenerierung:
Prompt: Can you give me a list of ideas for blog posts for tourists visiting
New York City for the first time?
Aufforderung für die Rolle:
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.
Datenorganisation:
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.
Aufforderung mit Beispielen (eine, wenige und mehrere Aufnahmen)
Die einmalige Aufnahme zeigt dem Modell ein klares, deskriptives Beispiel dafür, was es nachahmen soll.
Ideengenerierung anhand eines Beispiels:
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
Nur wenige und Mehrfach-Eingabeaufforderung zeigen das Modell mehr Beispiele dafür, was Sie tun möchten. Es funktioniert besser als Zero-Shot für komplexere Aufgaben, bei denen die Musterreplikation gewünscht wird oder wenn die Ausgabe auf eine bestimmte Weise strukturiert werden soll, die schwer zu beschreiben ist.
Wenig Schuss-Klassifizierung:
Prompt:
Great product, 10/10: Positive
Didn't work very well: Negative
Super helpful, worth it: Positive
It doesn't work!:
Wenn diese Eingabeaufforderung ausgeführt wird, lautet die Antwort des Modells, dass „Es funktioniert nicht“ positiv oder negativ ist, wie in den Beispielen gezeigt.
Emoji-Antwortantwort für mehrere Aufnahmen:
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!
Das Verfahren hier ist zwar identisch, doch da die Eingabeaufforderung komplexer ist, wurden mehr Beispiele für das Emulieren des Modells bereitgestellt.
Aufforderungen zum Nachdenken
Die Chain of Thought (CoT) führt zu einer Begründung des LLM. Kombinieren Sie es mit Aufforderungen mit wenigen Angaben, um bei komplexeren Aufgaben, die vor dem Antworten eine Begründung benötigen, bessere Ergebnisse zu erhalten.
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:
Nullaufnahme der COT
Wenn wir noch einmal an die Zero-Shot-Aufforderung von vorhin denken, wird bei dieser Herangehensweise eine Zero-Shot-Eingabeaufforderung angenommen und die folgende Anweisung hinzugefügt: „Sehen wir uns Schritt für Schritt an.“ Der LLM kann anhand dieser Anleitung eine Denkkette generieren, wobei in der Regel auch eine genauere Antwort möglich ist. Das ist eine gute Methode, um LLMs zu ermöglichen, richtige Antworten für beispielsweise Probleme mit Wörtern zu generieren.
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.
Strategien für die Iteration
Sie werden begeistert sein, wenn Sie Aufforderungen mehrmals (möglicherweise Dutzende Male) umgeschrieben werden. Hier sind einige Ideen für die Optimierung von Aufforderungen, wenn Sie nicht weiterkommen:
Hinweis:Diese Strategien werden im Laufe der Zeit möglicherweise weniger nützlich oder notwendig.
Wichtige Wörter, Wortgruppen oder Ideen wiederholen
Geben Sie das gewünschte Ausgabeformat an (CSV, JSON usw.)
Verwende Großbuchstaben, um wichtige Punkte oder Anweisungen zu unterstreichen. Sie können auch Übertreibungen oder hyperbolische Formulierungen verwenden. Beispiel: „Ihre Erklärung sollte mit Sicherheit nicht falsch interpretiert werden. Jedes Wort muss verständlich sein.“
Verwenden Sie Synonyme oder alternative Formulierungen. Verwenden Sie beispielsweise statt „Summarize“ an einigen Eingabetext „tldr“. Tausche unterschiedliche Wörter oder Wortgruppen aus und dokumentiere, welche besser funktionieren und welche schlechter sind.
Probieren Sie das Sandwichverfahren mit langen Aufforderungen aus: Fügen Sie dieselbe Anweisung an verschiedenen Stellen hinzu.
Lass dich von einer Aufforderungsbibliothek inspirieren. Prompt Hero und diese Prompt Gallery sind zwei gute Ausgangspunkte.