Мы не приводим примеры в своих запросах.
Мы игнорируем возможность управлять поведением ChatGPT с помощью ролей.
Мы позволяем модели догадываться, вместо того чтобы давать ей нужную информацию.
Переведено, но не озвучено командой LearnMore.tech с сайта https://medium.com/, автор статьи – Фрэнк Андраде – технический писатель на Medium. Далее от лица автора.
Это происходит потому, что чаще всего мы используем стандартные запросы, которые могут сработать один раз, но не гарантируют стабильный результат.
Чтобы получать лучшие ответы, нужно научиться создавать качественные промпты. Нам нужно освоить prompt engineering (инжиниринг запросов)! И в этом гайде мы разберём 4 техники, которые используются в этом подходе.
Few Shot Standard Prompts (Стандартные промпты с несколькими примерами)
Few-shot-промпты — это те же стандартные запросы, но с примерами задачи внутри.
Зачем нужны примеры?
Если вы хотите повысить вероятность получить нужный результат — покажите на примере, что именно вы хотите.
Few-shot-промпт состоит из:
- описания задачи,
- пары примеров,
- самого запроса.
Запрос — это начало нового примера, который модель должна продолжить, сгенерировав недостающий текст.
Пример:
Нам нужно извлечь коды аэропортов из текста «Я хочу улететь из Орландо в Бостон».
Обычный запрос мог бы выглядеть так:
Извлеки коды аэропортов из этого текста:
«Я хочу улететь из Орландо в Бостон»
Может сработать. Но не всегда. А теперь пример с few-shot-подходом:
Извлеки коды аэропортов из текста:
Текст: «Я хочу улететь из Лос-Анджелеса в Майами.»
Коды аэропортов: LAX, MIA
Текст: «Я хочу улететь из Нэшвилла в Канзас-Сити.»
Коды аэропортов: BNA, MCI
Текст: «Я хочу улететь из Орландо в Бостон.»
Коды аэропортов:
Если ввести такой запрос в ChatGPT, он продолжит в нужном формате и подставит правильные коды (MCO, BOS).
Интересный момент: исследования показали, что правильность примеров не так важна, как формат ответа. Главное — задать нужный формат. Даже если вы вставите случайные коды аэропортов, модель всё равно подскажет корректный ответ.
Пример с рандомными кодами:
Текст: «Я хочу улететь из Лос-Анджелеса в Майами.»
Коды аэропортов: DEN, OAK
Текст: «Я хочу улететь из Нэшвилла в Канзас-Сити.»
Коды аэропортов: DAL, IDA
Текст: «Я хочу улететь из Орландо в Бостон.»
Коды аэропортов:
ChatGPT всё равно даст правильные коды — MCO и BOS.
Вывод: даже если примеры не точны, важно сохранить нужный формат — это поможет модели понять, как отвечать.
Role Prompting (Ролевая настройка)
Иногда стандартное поведение ChatGPT не даёт нужного результата. Тогда можно задать роль, в которой модель будет действовать.
Например, вы хотите подготовиться к собеседованию. Если вы начнёте запрос с фразы «Представь, что ты менеджер по найму...» и добавите деталей, ChatGPT сможет смоделировать для вас собеседование на любую должность.
То же самое можно сделать, чтобы превратить модель в репетитора по языкам, кинокритика или даже стендап-комика. В статье есть примеры, как превратить ChatGPT в языкового напарника.
Просто начните свой запрос со слов:
Act as a... (Представь, что ты...),
и добавьте как можно больше деталей. Если ищете вдохновение — посмотрите репозиторий с ролями: там ChatGPT можно превратить в кого угодно — от врача до шеф-повара.
Добавляем индивидуальность и знания в запрос
Эти техники особенно полезны, если вы генерируете тексты — для email-рассылок, блогов, историй, статей и т.п.
Что значит «добавить индивидуальность»? Это значит задать стиль и характеристики текста.
Пример:
Напиши [тему] в стиле эксперта с 10-летним опытом в области [темы].
Чтобы ещё больше адаптировать текст, добавьте прилагательные — это позволит изменить тональность.
Например, стандартный запрос:
Напиши пост на 500 слов о том, как ИИ заменит людей.
Скорее всего, получится скучный и сухой текст.
Но если изменить его так:
Напиши остроумный пост на 500 слов о том, почему ИИ не заменит людей. Напиши в стиле эксперта в области искусственного интеллекта с 10+ годами опыта. Приводи забавные примеры.
Получится гораздо более живой и оригинальный текст.
Кроме того, такие тексты сложнее обнаружить как ИИ-сгенерированные (в статье есть и другие советы по обходу детекторов ИИ).
И ещё одна техника — сначала генерировать знания, потом писать.
Пример:
Сначала: Сгенерируй 5 фактов о теме «Почему ИИ не заменит людей»
Затем: Используй эти факты, чтобы написать остроумный пост на 500 слов...
- Факт 1:
- Факт 2:
- Факт 3:
- Факт 4:
- Факт 5:
Используй эти факты, чтобы написать остроумный пост...
Такой подход даёт более точные и насыщенные тексты.
Chain of Thought Prompting (Цепочка размышлений)
В отличие от обычных запросов, цепочка размышлений заставляет модель пошагово объяснять своё мышление, прежде чем выдать ответ.
Зачем это нужно? Объяснение помогает добиться более точного результата.
Для этого нужно показывать примеры с объяснением логики — тогда модель тоже будет объяснять, как пришла к ответу.
Пример — сравнение обычного промпта и chain of thought:
Стандарт: "Сколько будет 23 × 17?"
Chain of thought: "Сначала умножим 20 × 17 = 340. Затем 3 × 17 = 51. Складываем: 340 + 51 = 391"
Такой подход работает особенно хорошо для задач на арифметику, логику и рассуждение.
От редакции LearnMore:
На своем курсе "ИИ для работы: как решать задачи быстрее и эффективнее" мы обучаем, как правильно прописывать промпты, чтобы ИИ действительно стал твоим помощником и освобождал тебя от рутины для более важных дел. Переходи по ссылке и записывайся на курс!