مهندسی سریع هنر پرسیدن سوال درست برای گرفتن بهترین خروجی از یک LLM است. این امکان تعامل مستقیم با LLM را تنها با استفاده از دستورات زبان ساده فراهم می کند.
در گذشته، کار با مدل‌های یادگیری ماشین معمولاً نیازمند دانش عمیق مجموعه داده‌ها، آمار و تکنیک‌های مدل‌سازی بود. امروزه، LLM ها را می توان به زبان انگلیسی و همچنین زبان های دیگر "برنامه ریزی" کرد.
یک مهندس سریع عالی بودن نیازی به تجربه کدنویسی ندارد. با این حال، خلاقیت و پشتکار برای شما در سفر مفید خواهد بود. برای یادگیری برخی از تکنیک های مفید تحریک کننده، ادامه مطلب را بخوانید.
ارائه بهترین شیوه ها
به وضوح ارتباط برقرار کنید که چه محتوا یا اطلاعاتی از همه مهمتر است.
ساختار اعلان: با تعریف نقش آن شروع کنید، داده های متنی/ورودی را ارائه دهید، سپس دستورالعمل را ارائه دهید.
از مثال‌های خاص و متنوع برای کمک به مدل برای محدود کردن تمرکز و ایجاد نتایج دقیق‌تر استفاده کنید.
از محدودیت ها برای محدود کردن دامنه خروجی مدل استفاده کنید. این می تواند به جلوگیری از پر پیچ و خم شدن دستورالعمل ها به اشتباهات واقعی کمک کند.
وظایف پیچیده را به دنباله ای از اعلان های ساده تر تقسیم کنید.
به مدل دستور دهید قبل از تولید پاسخ های خود را ارزیابی یا بررسی کند. ("مطمئن شوید که پاسخ خود را به 3 جمله محدود کنید"، "به کار خود در مقیاس 1-10 برای مختصر امتیاز دهید"، "به نظر شما این درست است؟").
و شاید از همه مهمتر:
خلاق باشید! هرچه خلاق تر و ذهن بازتر باشید، نتایج بهتری خواهید داشت. LLM و مهندسی سریع هنوز در مراحل اولیه خود هستند و هر روز در حال پیشرفت هستند.
انواع درخواست ها
درخواست مستقیم (شات صفر)
دستور مستقیم (همچنین به عنوان شات صفر شناخته می شود) ساده ترین نوع اعلان است. هیچ مثالی برای مدل ارائه نمی دهد، فقط دستورالعمل را ارائه می دهد. شما همچنین می توانید دستورالعمل را به عنوان یک سوال بیان کنید یا به مدل یک "نقش" بدهید، همانطور که در مثال دوم زیر مشاهده می شود.
ارائه کنید:
- دستورالعمل
- برخی زمینه ها
تولید ایده:
Prompt: Can you give me a list of ideas for blog posts for tourists visiting
New York City for the first time?
ترغیب نقش:
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.
سازماندهی داده ها:
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.
درخواست با مثال (یک، چند و چند شات)
درخواست یک شات به مدل یک مثال واضح و توصیفی از آنچه می‌خواهید از آن تقلید کند، نشان می‌دهد.
تولید ایده با استفاده از یک مثال:
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
درخواست چند و چند شات نمونه های بیشتری از آنچه می خواهید انجام دهد را به مدل نشان می دهد. برای کارهای پیچیده‌تر که در آن‌ها تکرار الگو می‌خواهید، یا زمانی که نیاز دارید خروجی به روشی خاص ساخته شود که توصیف آن دشوار است، بهتر از شات صفر کار می‌کند.
طبقه بندی احساسات چند شات:
Prompt:
Great product, 10/10: Positive
Didn't work very well: Negative
Super helpful, worth it: Positive
It doesn't work!:
هنگامی که این دستور اجرا می شود، پاسخ مدل طبقه بندی "این کار نمی کند" را به عنوان مثبت یا منفی، همانطور که در مثال ها نشان داده شده است، خواهد بود.
پیش بینی کننده پاسخ ایموجی چند شات:
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!
در اینجا نیز فرآیند مشابهی وجود دارد، اما از آنجایی که اعلان پیچیده‌تر است، نمونه‌های بیشتری برای تقلید به مدل داده شده است.
تحریک زنجیره ای از فکر
تحریک زنجیره فکر (CoT) LLM را تشویق می کند تا استدلال خود را توضیح دهد. برای به دست آوردن نتایج بهتر در کارهای پیچیده تری که قبل از پاسخ نیاز به استدلال دارند، آن را با چند عکس ترکیب کنید.
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:
صفر شات CoT
با یادآوری دستور صفر شات قبلی، این رویکرد یک دستور صفر شات را می گیرد و یک دستورالعمل اضافه می کند: "بیایید قدم به قدم فکر کنیم." LLM قادر است یک زنجیره فکری از این دستورالعمل ایجاد کند و معمولاً پاسخ دقیق تری نیز دارد. این یک رویکرد عالی برای جذب LLM برای ایجاد پاسخ های صحیح برای مواردی مانند مشکلات کلمه است.
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.
استراتژی های تکرار سریع
یاد بگیرید که عاشق واقعیت بازنویسی چندین بار (احتمالا ده ها) بار باشید. در اینجا چند ایده برای اصلاح درخواست ها در صورت گیر افتادن وجود دارد:
توجه: این استراتژی ها ممکن است در طول زمان با بهبود مدل ها کمتر مفید یا ضروری شوند.
کلمات، عبارات یا ایده های کلیدی را تکرار کنید
فرمت خروجی مورد نظر خود را مشخص کنید (CSV، JSON و غیره)
از تمام کلاه ها برای تاکید بر نکات یا دستورالعمل های مهم استفاده کنید. همچنین می توانید اغراق یا زبان هذلولی را امتحان کنید. به عنوان مثال: "توضیحات شما باید کاملاً غیرممکن باشد که به اشتباه تفسیر شوند. تک تک کلمات باید واضح باشند!"
از مترادف ها یا عبارت های جایگزین استفاده کنید (مثلاً به جای «خلاصه»، سعی کنید «tldr» را به متن ورودی اضافه کنید). کلمات یا عبارات مختلف را عوض کنید و مستند کنید که کدام یک بهتر و کدام بدتر هستند.
تکنیک ساندویچ را با اعلان های طولانی امتحان کنید: همان عبارت را در مکان های مختلف اضافه کنید.
از یک کتابخانه سریع برای الهام گرفتن استفاده کنید. Prompt Hero و این گالری سریع دو مکان خوب برای شروع هستند.