Compreender as solicitações para melhorar a qualidade da conclusão

Concluído

A construção rápida pode ser difícil. Na prática, o prompt age para configurar os pesos do modelo para concluir a tarefa desejada, mas é mais uma arte do que uma ciência, muitas vezes exigindo experiência e intuição para criar um prompt bem-sucedido.

Quando você envia prompts bem construídos para o modelo, o modelo retorna melhores conclusões.

Em nosso bot de recomendação de caminhadas, um ótimo prompt do sistema ajuda o modelo a se preparar para recomendar caminhadas apropriadas. E um bom usuário solicita refina ainda mais as recomendações que o modelo retorna.

Nesta unidade, falamos sobre os conceitos e padrões gerais que podem ser usados para construir prompts e analisamos algumas técnicas que podem ser usadas para melhorar a qualidade dos acabamentos.

Noções Básicas

Os prompts de texto são como os usuários interagem com os modelos GPT. Os modelos de linguagem generativa tentam produzir a próxima série de palavras que são mais prováveis de seguir do texto anterior. É como se estivéssemos dizendo Qual é a primeira coisa que vem à sua mente quando digo <prompt>?

À medida que você desenvolve prompts complexos, é útil ter esse comportamento fundamental em mente. Independentemente do prompt, o modelo está simplesmente respondendo com o que ele determina que é mais provável seguir do prompt.

Componentes de prompt

Ao usar a API de conclusão, não há diferenciação entre as diferentes partes do prompt, mas ainda é útil dissecar o prompt em suas partes componentes - pois o objetivo é pensar na construção do prompt.

Instruções

As instruções são provavelmente o componente de prompt mais comumente usado. Eles são a parte do prompt que diz ao modelo o que fazer e podem variar de simples a complexos. Por exemplo, Recomende caminhadas para Você é um entusiasta de caminhadas que ajuda as pessoas a descobrir caminhadas divertidas em sua área. Você é otimista e amigável. Você se apresenta quando diz olá pela primeira vez. Ao ajudar as pessoas, você sempre pergunta onde elas estão localizadas e a intensidade de caminhada desejada para informar a recomendação de caminhada que você fornece.

Conteúdo principal

Conteúdo primário refere-se a algum tipo de texto sendo processado ou transformado pelo modelo. Normalmente é usado em conjunto com instruções. Por exemplo, você fornecerá três sugestões para caminhadas próximas que variam em duração depois de obter essas informações.

O conteúdo primário pode ser muito mais longo, como pedir ao modelo para resumir um artigo da Wikipédia.

Exemplos

Prompts bem-sucedidos geralmente dependem da prática de aprendizagem "one-shot" ou "few-shot". Isso se refere à inclusão de um ou mais exemplos do comportamento desejado do modelo, normalmente incluindo pares de entrada e saída. Isso não é aprender no sentido de que o modelo é permanentemente alterado, mas sim que os exemplos condicionam melhor o modelo a responder como desejado apenas para a inferência atual.

O uso de prompts sem exemplos é por vezes referido como aprendizagem "zero-shot".

Hike request: I live near Seattle and would like an easy hike.
Recommendation: That's great to hear, the Seattle area has some of the best hikes in the nation! You should try Little Si, you'll love it.

Hike request: I want to go on a hike in the North Cascades that will blow my mind.
Recommendation: You won't find a bad hike in the North Cascades. However, I hear the Sahale Arm stops people in their tracks with its beauty.

Hike request: I'd like to find a strenuous hike that's just like the Enchantments, but without as many people.
Recommendation:

Deixa

As pistas atuam como o "jumpstart" para a saída do modelo, ajudando a direcionar o modelo para a saída desejada. Muitas vezes, é um prefixo no qual o modelo pode se basear. Uma sugestão pode direcionar a conclusão para incluir elementos-chave. Eles são frequentemente usados juntamente com instruções.

O exemplo a seguir mostra uma única dica para resumir muitas avaliações de trilha.

Pedido	Conclusão
As revisões de trilhas são uma consideração importante sobre se os caminhantes fazem uma caminhada, porque a revisão lista as condições atuais da trilha. [...] Resuma a revisão das trilhas acima: As principais conclusões das avaliações de trilhas são:	que a trilha Mailbox Peak está lamacenta agora e os mosquitos são ruins quando você fica acima da linha da árvore. Há também muitas pessoas na trilha a partir do meio da manhã.

Conteúdo de suporte

O conteúdo de suporte é uma informação que o modelo pode utilizar para influenciar a saída de alguma forma. Ele difere do conteúdo principal porque não é o destino ou tarefa principal, mas normalmente é usado junto com o conteúdo principal. Exemplos comuns incluem informações contextuais, como a data atual, o nome do usuário, preferências do usuário e assim por diante.

Melhores práticas

• Seja específico. Seja o mais direto possível. Restrinja o espaço operacional.
• Seja descritivo. Utilize analogias.
• Duplique. Às vezes, pode ser necessário repetir-se perante o modelo. Dê instruções antes e depois do seu conteúdo principal, utilize uma instrução e uma pista, entre outros.
• A ordem importa. A ordem em que você apresenta informações para o modelo pode afetar a saída. Se você colocar instruções antes do seu conteúdo ("resumir o seguinte...") ou depois ("resumir o acima...") pode fazer a diferença na saída. Até a ordem de alguns exemplos pode ser importante. Esta técnica é conhecida como viés de recência.
• Prima a saída. Inclua algumas palavras ou frases no final do prompt para obter uma resposta de modelo que siga a forma desejada.
• Dê ao modelo um "out". Às vezes, pode ser útil dar ao modelo um caminho alternativo se não conseguir concluir a tarefa atribuída. Por exemplo, ao fazer uma pergunta sobre um pedaço de texto, você pode incluir algo como "responda com 'não encontrado' se a resposta não estiver presente". Esta técnica ajuda o modelo a evitar gerar respostas falsas.
• Corrente de pensamento instigante. O modelo é instruído a prosseguir passo a passo e apresentar todas as etapas envolvidas. Isso reduz a possibilidade de imprecisões dos resultados e facilita a avaliação da resposta do modelo.