วิศวกรรมที่รวดเร็วคือศาสตร์แห่งการถามคําถามที่เหมาะสมเพื่อให้ได้ผลลัพธ์ที่ดีที่สุดจาก LLM วิธีนี้ทําให้สามารถโต้ตอบกับ LLM ได้โดยตรงโดยใช้เพียงข้อความแจ้ง
ที่ผ่านมา การทํางานกับโมเดลแมชชีนเลิร์นนิงมักต้องอาศัยความรู้เชิงลึก ของชุดข้อมูล สถิติ และเทคนิคการสร้างแบบจําลอง ปัจจุบัน LLM สามารถเขียนว่า "ตารางรายการ" ในภาษาอังกฤษ และภาษาอื่นๆ
การเป็นวิศวกรที่เก่งกาจไม่ต้องใช้การเขียนโค้ด อย่างไรก็ตาม ความคิดสร้างสรรค์และความต่อเนื่องจะมีประโยชน์ต่อการเดินทางของคุณเป็นอย่างมาก อ่านต่อเพื่อดู เทคนิคการแจ้งเตือนที่เป็นประโยชน์
ส่งเสริมแนวทางปฏิบัติที่ดีที่สุด
สื่อสารอย่างชัดเจนว่าเนื้อหาหรือข้อมูลใดสําคัญที่สุด
จัดโครงสร้างการร้องขอ: เริ่มต้นโดยกําหนดบทบาท ให้บริบท/ข้อมูล จากนั้นให้คําแนะนํา
ใช้ตัวอย่างที่เจาะจงและหลากหลายเพื่อช่วยให้โมเดลจํากัดโฟกัสและสร้างผลลัพธ์ที่แม่นยําขึ้น
ใช้ข้อจํากัดเพื่อจํากัดขอบเขตของเอาต์พุตของโมเดล วิธีนี้จะช่วยหลีกเลี่ยงความผิดพลาด จากการคํานวณข้อมูลที่ไม่ถูกต้อง
แบ่งงานที่ซับซ้อนออกเป็นลําดับย่อยๆ ตามข้อความแจ้ง
สั่งให้โมเดลประเมินหรือตรวจสอบคําตอบของตนเองก่อนที่จะสร้าง ("อย่าลืมจํากัดคําตอบเป็น 3 ประโยค", "ให้คะแนนงานของคุณในขนาด 1-10 เพื่อความกระชับ" "คุณคิดว่าถูกต้องหรือไม่")
และอาจสําคัญที่สุด
ทําให้สร้างสรรค์ ยิ่งคุณคิดอย่างสร้างสรรค์และ เปิดกว้างมากเท่าไหร่ ผลลัพธ์ของคุณก็จะยิ่งดีขึ้นเท่านั้น LLM และวิศวกรรมที่รวดเร็ว ยังอยู่ในขั้นทารกและมีการพัฒนาอยู่ตลอดเวลา
ประเภทของข้อความแจ้ง
การแสดงข้อความแจ้งโดยตรง (ศูนย์ภาพ)
การแจ้งโดยตรง (หรือที่เรียกว่าการถ่ายแบบ Zero-shot) เป็นการแจ้งในรูปแบบที่ง่ายที่สุด ซึ่งไม่ได้แสดงตัวอย่างของโมเดล แต่เป็นเพียงตัวอย่าง นอกจากนี้ คุณยังสร้างวลีคําสั่งเป็นคําถาม หรือให้ "บทบาท" แก่โมเดล ดังที่เห็นในตัวอย่างที่ 2 ด้านล่าง
ระบุ:
- โรงเรียนฝึกอบรม
- บริบทบางอย่าง
การสร้างแนวคิด:
Prompt: Can you give me a list of ideas for blog posts for tourists visiting
New York City for the first time?
การแสดงบทบาท:
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.
การจัดระเบียบข้อมูล:
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.
แจ้งให้พร้อมตัวอย่าง (1, 2 - 3, หลายช็อต)
ข้อความแจ้งแบบครั้งเดียวจะแสดงตัวอย่างแบบอธิบายที่ชัดเจนของ สิ่งที่คุณอยากเลียนแบบ
การสร้างแนวคิดโดยใช้ตัวอย่างหนึ่งรายการ:
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
การแจ้งเตือนไม่กี่ภาพหรือมัลติช็อตจะแสดงตัวอย่างสิ่งอื่นๆ ที่คุณต้องการให้ทํา ซึ่งมีประสิทธิภาพดีกว่า 0 ช็อตสําหรับงานที่ซับซ้อนมากขึ้นซึ่งต้องการการจําลองรูปแบบหรือเมื่อต้องการให้มีเอาต์พุตของโครงสร้างในรูปแบบที่เจาะจงซึ่งอธิบายได้ยาก
การจัดหมวดหมู่ความเห็นบางส่วน:
Prompt:
Great product, 10/10: Positive
Didn't work very well: Negative
Super helpful, worth it: Positive
It doesn't work!:
เมื่อมีการเรียกใช้พรอมต์นี้ คําตอบของโมเดลจะเป็นการจัดประเภทว่า "ไม่ทํางาน" เป็นค่าบวกหรือลบตามที่แสดงในตัวอย่าง
ตัวคาดการณ์การตอบสนองหลายช็อต:
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!
ขั้นตอนเดียวกันนี้ แต่เนื่องจากแบบถามตอบมีความซับซ้อนมากขึ้น จึงทําให้ตัวอย่างมีการจําลองมากขึ้น
กระตุ้นความคิด
Chain of Thought (CoT) กระตุ้นให้ LLM อธิบายเหตุผล ใช้ร่วมกับการตรวจสอบภาพเดียวเพื่อให้ได้ผลลัพธ์ที่ดีขึ้นสําหรับงานที่ซับซ้อนมากขึ้นซึ่งจําเป็นต้องให้เหตุผลก่อนการตอบกลับ
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:
แบบ Cot-shot
วิธีนี้เป็นการย้ําเตือนแบบ 0 ช็อตก่อนหน้านี้ วิธีนี้จึงแจ้งให้ผู้ชมทราบแบบคร่าวๆ และเพิ่มวิธีการว่า "มาคิดทีละขั้นตอนกัน" LLM สามารถสร้างห่วงโซ่ความคิดจากคําสั่งนี้ และมักจะเป็นคําตอบที่ถูกต้องกว่านี้ด้วย นี่เป็นวิธีที่ดีในการทําให้ LLM สร้างคําตอบที่ถูกต้องสําหรับสิ่งต่างๆ เช่น ปัญหาของคํา
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.
กลยุทธ์การวนซ้ําอย่างรวดเร็ว
เรียนรู้ว่ารักการเขียนข้อมูลซ้ําหลายต่อหลายครั้ง (หลายสิบ) ครั้ง ต่อไปนี้คือไอเดียบางอย่างในการปรับแต่งข้อความแจ้งหากคุณติดขัด
หมายเหตุ: กลยุทธ์เหล่านี้อาจมีประโยชน์น้อยลงหรือไม่จําเป็นเมื่อเวลาผ่านไปเนื่องจากมีการปรับปรุงโมเดล
ซ้ําคํา วลี หรือแนวคิด
ระบุรูปแบบเอาต์พุตที่คุณต้องการ (CSV, JSON ฯลฯ)
ใช้ตัวพิมพ์ใหญ่ทั้งหมดเพื่อเน้นประเด็นสําคัญหรือวิธีการ นอกจากนี้ คุณยังสามารถ ลองใช้คําที่เกินจริงหรือภาษาไฮเปอร์โบลิก เช่น "คําอธิบายของคุณไม่ควรตีความอย่างผิดพลาดได้ ทุกถ้อยคําจะต้องชัดเจน!"
ใช้คําพ้องหรือวลีอื่น (เช่น แทนที่จะป้อน "สรุป" ให้ลองเพิ่ม "tldr" ต่อท้ายข้อความที่ป้อน) สลับใช้คําหรือวลีต่างๆ และบันทึกว่าวลีใดทํางานได้ดีกว่าและแย่กว่า
ลองใช้เทคนิคแซนด์วิชที่มีข้อความแจ้งแบบยาว เพิ่มคําแถลงเดียวกันในที่ต่างๆ
ใช้คลังข้อความแจ้งเพื่อแสดงแรงบันดาลใจ Prompt Hero และแกลเลอรีข้อความแจ้งนี้เป็นสองจุดเริ่มต้นที่ดี