Prompt Engineering
OpenAI ၏ Prompt Engineering လမ်းညွှန်- Advanced Applications အတွက် ChatGPT ကျွမ်းကျင်ခြင်း။
Prompt Engineering ကို နားလည်ခြင်း။
အချက်ပြအင်ဂျင်နီယာ ChatGPT ကဲ့သို့သော AI မော်ဒယ်များမှ လိုချင်သော ရလဒ်များကို ရရှိရန် သွင်းအားစုများ (နှိုးဆော်ချက်များ) ဖန်တီးခြင်း၏ အနုပညာနှင့် သိပ္ပံပညာဖြစ်သည်။ ၎င်းသည် ဤမော်ဒယ်များ၏ ထိရောက်မှုကို အမြင့်ဆုံးမြှင့်တင်ရန်အတွက် အရေးကြီးသောကျွမ်းကျင်မှုတစ်ခုဖြစ်သည်။
OpenAI ၏ GPT-3 နှင့် GPT-4 ဗိသုကာများပေါ်တွင် တည်ဆောက်ထားသည့် ChatGPT သည် သိသိသာသာ တိုးတက်လာခဲ့ပြီး ပိုမိုတုံ့ပြန်မှုနှင့် အကြောင်းအရာ-သတိပြုမိလာသည်။ ၎င်း၏ ဆင့်ကဲဖြစ်စဉ်ကို နားလည်ခြင်းသည် ချက်ခြင်း အင်ဂျင်နီယာကို ကျွမ်းကျင်ရန် သော့ချက်ဖြစ်သည်။
သံစုံတီးဝိုင်းကို ဦးဆောင်သည့် ကျွမ်းကျင်စပယ်ယာတစ်ဦးကဲ့သို့ပင်၊ အချက်ပြအင်ဂျင်နီယာသည် ကျွန်ုပ်တို့အား အသေးစိတ်နည်းပညာဆိုင်ရာစာရွက်စာတမ်းများကို ဖန်တီးခြင်းမှ ဖန်တီးမှုနှင့် ဆွဲဆောင်မှုရှိသော အကြောင်းအရာများဖန်တီးခြင်းအထိ ရှုပ်ထွေးသောအလုပ်များကို လုပ်ဆောင်ရန် ဤမော်ဒယ်များကို ညွှန်ကြားနိုင်စေပါသည်။ ဤလမ်းညွှန်ချက်သည် AI နှင့် သင်၏အပြန်အလှန်ဆက်ဆံရေးကို ပြောင်းလဲပေးသည့် ဗျူဟာများနှင့် နည်းဗျူဟာများမှတစ်ဆင့် သင့်အား လမ်းညွှန်ပေးမည်ဖြစ်ပြီး အခြေခံဖလှယ်မှုများမှ အဓိပ္ပါယ်ရှိသော စကားဝိုင်းများအထိ မြှင့်တင်ပေးမည်ဖြစ်သည်။
"Excel မှာ နံပါတ်တွေကို ဘယ်လိုထည့်ရမလဲ" လို့ မေးတဲ့ ကွာခြားချက်ကို သုံးသပ်ကြည့်ပါ။ "စုစုပေါင်း" ကော်လံတစ်ခုတွင် ညာဘက်ရှိ စုစုပေါင်းကိန်းဂဏန်းများကို Excel ရှိ ဒေါ်လာပမာဏကော်လံတစ်ခုအား ကျွန်ုပ်မည်ကဲ့သို့ ပေါင်းစည်းမည်နည်း။ နောက်ပိုင်းတွင် ပိုမိုအသေးစိတ်သောအချက်မှာ AI ၏ အဓိပ္ပာယ်ဖွင့်ဆိုချက်တွင် လျော့နည်းသွားကာ ပိုမိုတိကျပြီး အထောက်အကူဖြစ်စေသော တုံ့ပြန်မှုကို ဖြစ်စေသည်။ အလားတူ၊ လူပုဂ္ဂိုလ်များ၊ ကန့်သတ်ချက်များနှင့် အဆင့်ဆင့် ညွှန်ကြားချက်များကို နားလည်သဘောပေါက်ခြင်းသည် အထူးသဖြင့် ရှုပ်ထွေးသောအလုပ်များအတွက် AI ၏ output အရည်အသွေးကို နက်ရှိုင်းစွာ သက်ရောက်မှုရှိပါသည်။
အချက်ပြအင်ဂျင်နီယာဆိုင်ရာ ဤလမ်းညွှန်ချက်သည် သီအိုရီဆိုင်ရာရှုထောင့်များကိုသာမက လက်တွေ့ကျသော၊ လက်ဆင့်ကမ်းနမူနာများကိုလည်း ပေးဆောင်မည်ဖြစ်သည်။ AI ကို ဖန်တီးထုတ်လုပ်ခြင်းမှ ဝေးကွာအောင် လမ်းညွှန်ရန် ရည်ညွှန်းစာများ ပေးဆောင်ခြင်းကဲ့သို့သော နည်းဗျူဟာများကို ထိရောက်စွာအသုံးပြုနည်း သို့မဟုတ် ရှုပ်ထွေးသောအလုပ်များကို ရိုးရှင်းသောအလုပ်ခွဲများအဖြစ်သို့ ခွဲခြမ်းခြင်းဖြင့် ပိုမိုတိကျသောရလဒ်များကို ထုတ်ပေးနိုင်သည်။
1. ရှင်းလင်းမှုနှင့်အသေးစိတ်
GPT-4 ကဲ့သို့သော AI မော်ဒယ်များအတွက် ထိရောက်သော အချက်ပြမှုများကို ဖန်တီးရာတွင် တိကျမှု၊ အကြောင်းအရာနှင့် ရှင်းလင်းပြတ်သားမှုတို့ ပေါင်းစပ်မှု လိုအပ်သည်။ ညံ့ဖျင်းစွာ ဖန်တီးထားသော အချက်ပြချက်နှင့် ကောင်းမွန်စွာ တွေးခေါ်မှုကြား ခြားနားချက်သည် မရေရာသော၊ ယေဘူယျ တုံ့ပြန်မှုနှင့် အလွန်သက်ဆိုင်သော၊ တိကျသော အဖြေတစ်ခုကြား ကွာခြားချက် ဖြစ်နိုင်သည်။
ဥပမာ 1- နည်းပညာဆိုင်ရာမေးခွန်းများအတွက် ChatGPT ၏ဘာသာစကားနားလည်မှုကို အသုံးချခြင်း။
- ထိရောက်မှု မရှိသော အချက်- "ကျွန်ုပ်၏ကုဒ်တွင် ချို့ယွင်းချက်တစ်ခုကို မည်သို့ဖြေရှင်းရမည်နည်း။"
- AI Output- "သင့်ကုဒ်ရှိ ချို့ယွင်းချက်တစ်ခုကို ပြုပြင်ရန်၊ သင်သည် bug ကို ဦးစွာ ခွဲခြားသတ်မှတ်ရန် လိုအပ်ပြီး၊ ၎င်းသည် ဘာ့ကြောင့် ဖြစ်နေသည်ကို နားလည်ပြီးနောက် ၎င်းကို ပြုပြင်ရန် ကုဒ်ကို ပြင်ဆင်ပါ။"
- ထိရောက်သောနည်းပညာဆိုင်ရာမေးခွန်း: "ကျွန်တော်က Python မှာ ကုဒ်ရေးနေပြီး အဘိဓာန်တစ်ခုကို ဝင်ကြည့်တဲ့အခါ 'KeyError' ကို ရရှိနေပါတယ်။ ကုဒ်အတိုအထွာမှာ- ။ ဒီ error ကဘာတွေဖြစ်နေတာလဲ၊ ဘယ်လိုပြင်ရမလဲ။"
- AI Output: "သင်၏ Python ကုဒ်ရှိ 'KeyError' သည် မရှိသောအဘိဓာန်တွင် သော့တစ်ခုကို ဝင်ရောက်ရန် ကြိုးပမ်းခြင်းကြောင့် ဖြစ်နိုင်သည်။ ဤအမှားကို ကိုင်တွယ်ရန် သင့်ကုဒ်ကို သင်မွမ်းမံနိုင်ပုံမှာ အောက်ပါအတိုင်းဖြစ်သည်- [Modified code snippet with explanation]."
ဥပမာ 2- ပုံစံအတုအယောင်ဖြင့် ဖန်တီးမှုရှိသောစာရေးခြင်း။
- ထိရောက်မှု မရှိသော အချက်: "ဇာတ်လမ်းတို ရေးပါ။"
- AI Outputဟိုးရှေးရှေးတုန်းက၊ ဝေးလံခေါင်သီတဲ့ပြည်မှာ ကြီးစွာသောအန္တရာယ်ကို ကြုံတွေ့ရတဲ့နိုင်ငံတစ်ခုရှိတယ်...။
- ထိရောက်သော ပုံစံအတုအယောင် နှိုးဆော်ချက်: "မမျှော်လင့်ဘဲ တွေ့ဆုံခဲ့တဲ့ သူငယ်ချင်းဟောင်းနှစ်ယောက်ကြား စကားဝိုင်းကို အာရုံစိုက်ပြီး Ernest Hemingway ရဲ့ ပုံစံနဲ့ ဇာတ်လမ်းတိုကို ရေးပါ။"
- AI Output"ဂျက်နဲ့တွမ်တို့ သူငယ်ချင်းဟောင်းနှစ်ယောက် မတော်တဆဆုံမိတဲ့ ဖုန်ထူတဲ့လမ်းမှာ နေက ရိုက်ခတ်သွားတယ်။ 'နှစ်တွေကြာခဲ့ပြီ' ဂျက်က လေသံကဲ့သို့ ခြောက်သွေ့သွားသည်။ 'စစ်ပြီးကတည်းက နှစ်တွေကြာနေပြီ' ဟု တွမ်က ပြန်ပြောသည်။ [ဇာတ်လမ်းသည် Hemingway ၏ ကျစ်ကျစ်လျစ်လျစ်သော၊ ဒိုင်ယာလော့ဂ်ဖြင့်မောင်းနှင်သည့်ပုံစံဖြင့် ဆက်လက်တည်ရှိနေပါသည်။"
ဥပမာ 3- ခရီးသွားအကြံဉာဏ်
- ထိရောက်မှု မရှိသော အချက်: "ပဲရစ်မှာ ဘာလုပ်ရမလဲ?"
- AI Output: "ပဲရစ်မှာ Eiffel Tower၊ Louvre ပြတိုက်နဲ့ Notre-Dame Cathedral တို့လို အထင်ကရနေရာတွေကို သင်သွားရောက်လည်ပတ်နိုင်ပါတယ်။"
- ထိရောက်သော အချက်ပြမှု: "ဒီနွေရာသီမှာ အနုပညာနဲ့ သမိုင်းကို အာရုံစိုက်ပြီး ပါရီကို သုံးရက်လောက် လည်ပတ်နေပါတယ်။ အသေးစိတ် ခရီးစဉ်ကို အကြံပြုနိုင်မလား။"
- AI Output: "နေ့ 1- နံနက်တွင် Louvre ပြတိုက်သို့ သွားရောက်ပြီး Notre-Dame Cathedral သို့ လမ်းလျှောက်ထွက်ပါမည်။ [အသေးစိတ် ခရီးစဉ်ကို အောက်ပါအတိုင်း]။
ပိုမိုကောင်းမွန်သော အချက်ပြမှုများကို ဖန်တီးခြင်းအတွက် ထိုးထွင်းအမြင်များ
- တိကျတဲ့: တတ်နိုင်သမျှ တိကျပါစေ။ သင့်တောင်းဆိုချက်ကို ပိုအသေးစိတ်လေလေ၊ အံဝင်ခွင်ကျတုံ့ပြန်မှု ပိုရှိလာလေဖြစ်သည်။
- ဆက်စပ်သတင်းအချက်အလက်: သက်ဆိုင်ရာ အကြောင်းအရာအားလုံးကို ထည့်သွင်းပါ။ ၎င်းသည် သင့်တောင်းဆိုချက်၏ တိကျသောသဘောသဘာဝကို AI မှ နားလည်စေရန် ကူညီပေးသည်။
- ရည်မှန်းချက်ကို ရှင်းလင်းပါ။: ထွက်ပေါက်တစ်ခုအနေဖြင့် သင်မျှော်လင့်ထားသည့်အရာကို ရှင်းလင်းစွာဖော်ပြပါ။ ဟင်းချက်နည်း၊ ခရီးသွားအစီအစဉ် သို့မဟုတ် နည်းပညာဆိုင်ရာဖြေရှင်းချက်ဖြစ်စေ သင့်ရည်မှန်းချက်ကို ရှင်းရှင်းလင်းလင်းဖြစ်စေပါ။
- ရှုပ်ထွေးမှုကို ရှောင်ပါ။: မရေရာသော အချက်များသည် ယေဘူယျတုံ့ပြန်မှုများဆီသို့ ဦးတည်သည်။ တိကျသောအဖြေများရရှိရန် သင့်တောင်းဆိုချက်ကို ရှင်းလင်းပါ။
- သိထားသော ဖော်မတ်များကို အသုံးပြုပါ။: ဖြစ်နိုင်ပါက စာရင်းတစ်ခု၊ အဆင့်ဆင့်လမ်းညွှန် သို့မဟုတ် ပုံကြမ်းတစ်ခုကဲ့သို့ တိကျသောပုံစံဖြင့် အချက်အလက်ကိုတောင်းပါ။
2. အကိုးအကားဖြင့် AI တုံ့ပြန်မှုများကို မြှင့်တင်ခြင်း။
အချက်ပြအင်ဂျင်နီယာတွင် အကိုးအကားစာများကို ဗျူဟာမြောက်အသုံးပြုခြင်းသည် GPT-4 ကဲ့သို့သော AI မော်ဒယ်များမှ တုံ့ပြန်မှုအရည်အသွေးနှင့် တိကျမှုကို သိသာထင်ရှားစွာ မြှင့်တင်နိုင်သည်။ သင့်မေးမြန်းမှုနှင့်အတူ သက်ဆိုင်ရာ ယုံကြည်စိတ်ချရသော အချက်အလက်ကို ပံ့ပိုးပေးခြင်းဖြင့် ပေးထားသော အကြောင်းအရာအပေါ် အခြေခံ၍ အဖြေများကို ရေးဖွဲ့ရန် AI ကို လမ်းညွှန်နိုင်ပြီး တုံ့ပြန်မှုများကို ပိုမိုစိတ်ချရပြီး ဆက်စပ်မှုအရ တိကျစေပါသည်။
ဥပမာ 1- သိပ္ပံနည်းကျ ရှင်းလင်းချက်
- သမားရိုးကျ အချက်ပေးချက်: "တွင်းနက်က ဘယ်လိုပုံစံလဲ။"
- AI Output: "စူပါနိုဗာ ပေါက်ကွဲမှုကြောင့် သေဆုံးတဲ့ ကြယ်ကြီးတွေရဲ့ အကြွင်းအကျန်တွေကနေ တွင်းနက်တွေ ဖြစ်ပေါ်လာတာပါ။ အူတိုင်ရဲ့ ဒြပ်ထုက လုံလောက်ရင် သူ့ရဲ့ ဆွဲငင်အားအောက်က တွင်းနက်ကြီး ဖြစ်သွားပါတယ်။"
- အကိုးအကား စာသားဖြင့် အဆင့်မြှင့်တင်ထားသော အမှာစကား:
- အကိုးအကား စာသားပေးထားသည်။: "[ကြယ်ဆင့်ကဲဖြစ်စဉ်နှင့် တွင်းနက်များဆိုင်ရာ သိပ္ပံနည်းကျစာတမ်း]"
- လျင်မြန်စွာ: "ပေးထားသော သိပ္ပံနည်းကျ စာတမ်းမှ အချက်အလက်ကို အသုံးပြု၍ တွင်းနက်များ ဖွဲ့စည်းခြင်း ဖြစ်စဉ်ကို ရှင်းပြပါ။"
- AI Output: "ပေးထားသော သိပ္ပံနည်းကျ စာတမ်းကို အခြေခံ၍ ကြီးမားသော ကြယ်တစ်လုံးသည် ၎င်း၏နျူကလီးယားလောင်စာများကို ကုန်ဆုံးစေပြီး ၎င်း၏အူတိုင် ပြိုကျသောအခါ တွင်းနက်တစ်ခု ဖြစ်ပေါ်လာသည်။
ဥပမာ 2- ဥပဒေရေးရာ ဘာသာပြန်ဆိုချက်
- သမားရိုးကျ အချက်ပေးချက်: "ဉာဏပစ္စည်း ခိုးယူခြင်း၏ တရားဝင်သက်ရောက်မှုက အဘယ်နည်း။
- AI Output: "ဉာဏပစ္စည်း ခိုးယူမှုသည် တရားစွဲမှု၊ ငွေဒဏ်၊ နှင့် ပြင်းထန်သော ကိစ္စများတွင် ထောင်ဒဏ်များကဲ့သို့ ဥပဒေအကျိုးဆက်များ ဖြစ်ပေါ်လာနိုင်သည်။"
- အကိုးအကား စာသားဖြင့် အဆင့်မြှင့်တင်ထားသော အမှာစကား:
- အကိုးအကား စာသားပေးထားသည်။: "[ဥာဏပစ္စည်း မူပိုင်ခွင့်ဆိုင်ရာ ဥပဒေဆိုင်ရာ ဂျာနယ် ဆောင်းပါး]"
- လျင်မြန်စွာ: "ပေးအပ်ထားသော ဥပဒေဂျာနယ်ပါ ဆောင်းပါးကို ကိုးကားပြီး ဉာဏပစ္စည်း ခိုးယူခြင်း၏ သီးခြားတရားဝင်သက်ရောက်မှုများကို ရှင်းပြပါ။"
- AI Output: "ဉာဏပစ္စည်းဥစ္စာခိုးယူမှုသည် အရပ်ဘက်တရားစွဲဆိုမှု၊ ဥပဒေအရ နစ်နာမှုများနှင့် ရာဇဝတ်မှုဆိုင်ရာ စွဲချက်များအတွက် ဖြစ်ပေါ်လာနိုင်သည်ဟု ဥပဒေရေးရာဂျာနယ် ဆောင်းပါးတွင် ဖော်ပြထားသည်။ အထူးသဖြင့်၊ ဆောင်းပါးတွင် ဖော်ပြထားသည်- ['ဆောင်းပါးမှ တိုက်ရိုက်ကိုးကားချက်များ']"
Prompts တွင် အကိုးအကား စာသားများကို အသုံးပြုခြင်းအတွက် ထိုးထွင်းသိမြင်မှု
- သက်ဆိုင်ရာ စာသားများကို ရွေးပါ။- သင့်မေးမြန်းချက်နှင့် တိုက်ရိုက်သက်ဆိုင်သော ရည်ညွှန်းစာများကို ရွေးပါ။
- Prompt Specification: ၎င်း၏အဖြေကို ရေးဖွဲ့ရန်အတွက် ပေးထားသော ကိုးကားချက်စာသားကို အသုံးပြုရန် AI ကို ရှင်းလင်းစွာ ညွှန်ကြားပါ။
- ကားအညွှန်း: AI သည် တိကျမှုနှင့် အတည်ပြုရန်အတွက် ၎င်း၏တုံ့ပြန်မှုတွင် ရည်ညွှန်းစာသား၏ အစိတ်အပိုင်းအချို့ကို ကိုးကားရန် တောင်းဆိုပါသည်။
- မလုံလောက်သော အချက်အလက်ကို ကိုင်တွယ်ခြင်း။: ပေးထားသောစာသားတွင် မေးခွန်းဖြေဆိုရန် လိုအပ်သောအချက်အလက်များမပါဝင်ပါက AI အား ရှင်းလင်းစွာဖော်ပြရန် ညွှန်ကြားပါ။
3. Subtask Division ဖြင့် ရှုပ်ထွေးသောလုပ်ဆောင်စရာများကို ရိုးရှင်းအောင်ပြုလုပ်ခြင်း။
GPT-4 ကဲ့သို့သော AI မော်ဒယ်များဖြင့် ရှုပ်ထွေးသော အလုပ်များကို ထိထိရောက်ရောက် ကိုင်တွယ်ရန် သော့ချက်မှာ ၎င်းတို့အား ရိုးရှင်းသော အလုပ်ခွဲများအဖြစ် ခွဲထုတ်ခြင်း ဖြစ်သည်။ ဤချဉ်းကပ်မှုသည် လုပ်ငန်းစဉ်ကို ချောမွေ့စေရုံသာမက AI ၏ တုံ့ပြန်မှုများ၏ တိကျမှုနှင့် ဆီလျော်မှုကိုလည်း မြှင့်တင်ပေးပါသည်။ အောက်တွင်၊ ရည်ရွယ်ချက် အမျိုးအစားခွဲခြင်း၊ အကျဉ်းချုပ်နည်းစနစ်များနှင့် ရှုပ်ထွေးသောမေးခွန်းများအတွက် ဖွဲ့စည်းတည်ဆောက်ထားသော စကားဝိုင်းများကို အသုံးပြုခြင်း၏ အားသာချက်များကို မီးမောင်းထိုးပြပြီး တိကျသောဥပမာများဖြင့် ဤမဟာဗျူဟာကို သရုပ်ပြပါသည်။
ဥပမာ 1- Customer Service Query
- မထိရောက်သော ချဉ်းကပ်မှု: ယေဘုယျအကူအညီတောင်းရန် အချက်တစ်ချက်။
- အသုံးပြုသူအချက်အလက်များ: "ငါ့အကောင့်နဲ့ ပြဿနာရှိနေတယ်။"
- AI Output: "ကျေးဇူးပြု၍ သင့်အကောင့်ပြဿနာများ၏ သဘောသဘာဝကို သတ်မှတ်ပေးနိုင်ပါသလား။
- ထိရောက်သောချဉ်းကပ်မှု: မေးခွန်းကို အမျိုးအစားခွဲခြားပြီး ပစ်မှတ်ထားသော အကူအညီများ ပေးဆောင်ခြင်း။
- အသုံးပြုသူအချက်အလက်များ- "ကျွန်ုပ်၏အကောင့်ကို ဝင်ရောက်အသုံးပြုရာတွင် ပြဿနာများရှိနေပါသည်။"
- AI ညွှန်ကြားချက်: "မေးမြန်းချက်အား 'အကောင့်စီမံခန့်ခွဲမှု' တွင် အမျိုးအစားခွဲပါ၊ ထို့နောက် ဝင်ရောက်မှုပြဿနာများကို ဖြေရှင်းရန်အတွက် သီးခြားအဆင့်များကို ကမ်းလှမ်းပါ။
- AI Output: "သင့်အကောင့်ကို ဝင်ရောက်အသုံးပြုရာတွင် အခက်အခဲရှိနေပုံရသည်။ သင့်စကားဝှက်ကို ပြန်လည်သတ်မှတ်ခြင်းဖြင့် စတင်ကြပါစို့။ [အသေးစိတ်အဆင့်များကို လိုက်နာပါ]။
ဥပမာ 2- ရှည်လျားသော စာရွက်စာတမ်း အကျဉ်းချုပ်
- မထိရောက်သော ချဉ်းကပ်မှု: ရှည်လျားသော စာရွက်စာတမ်းကို တစ်ကြိမ်တည်းဖြင့် အကျဉ်းချုံးရန် ကြိုးစားခြင်း။
- အသုံးပြုသူအချက်အလက်များ: "ငါ့အတွက် စာမျက်နှာ ၃၀၀ ပါ ဒီစာအုပ်ကို အကျဉ်းချုပ်ပါ။"
- AI Output: "စိတ်မကောင်းပါဘူး၊ ဒါပေမယ့် ကျွန်တော့်ရဲ့ ဆက်စပ်ဝင်းဒိုးထက် ပိုကြာတဲ့ စာရွက်စာတမ်းတွေကို မလုပ်ဆောင်နိုင်ပါဘူး။"
- ထိရောက်သောချဉ်းကပ်မှု: စာတမ်းကို တစ်ခြမ်းစီ အကျဉ်းချုပ်ပြီး အပြည့်အစုံ အကျဉ်းချုပ်ကို ထပ်ခါတလဲလဲ တည်ဆောက်ခြင်း။
- AI ညွှန်ကြားချက်: "အခန်းတစ်ခုစီကို သီးခြားစီ အကျဉ်းချုံ့ပြီး အကျဉ်းချုပ်တစ်ခု ဖန်တီးပါ၊ ထပ်ခါထပ်ခါ ဆက်လက်လုပ်ဆောင်ပါ။"
- အသုံးပြုသူအချက်အလက်များ: "ဒီစာအုပ်ရဲ့ အခန်း ၁ ကို အကျဉ်းချုပ်ပါ။"
- AI Output: "အခန်း ၁ အကျဉ်းချုပ်- [အခန်း ၁ ၏ အကျဉ်းချုပ်]"
- ဆက်လက်လုပ်ဆောင်ခြင်း။: အခန်းတစ်ခန်းချင်းစီအတွက် တူညီသောလုပ်ငန်းစဉ်ကို အသုံးပြုပြီး တစ်ဦးချင်းအကျဉ်းချုပ်အားလုံးကို ပေါင်းစပ်ထားသော နောက်ဆုံးအနှစ်ချုပ်ဖြင့် လုပ်ဆောင်သည်။
Subtask Division နှင့် Contextual Prompt Engineering ၏ အကျိုးကျေးဇူးများ
- တိုးမြှင့်တိကျမှု: ရှုပ်ထွေးသောလုပ်ငန်းတစ်ခု၏ သီးခြားကဏ္ဍများကို အာရုံစိုက်ခြင်းဖြင့် AI သည် ပိုမိုတိကျပြီး သက်ဆိုင်ရာတုံ့ပြန်မှုများကို ပေးစွမ်းနိုင်သည်။
- စွမ်းဆောင်ရည်မြှင့်တင်ခြင်း။: အလုပ်များကို ဖြိုခွဲခြင်းသည် ၎င်းတို့ကို ပိုမိုစီမံခန့်ခွဲနိုင်စေပြီး အမှားအယွင်းများ သို့မဟုတ် မသက်ဆိုင်သော ရလဒ်များ ဖြစ်နိုင်ခြေကို လျော့နည်းစေသည်။
- ပိုကောင်းအသုံးပြုသူအတွေ့အကြုံ: အသုံးပြုသူများသည် ယေဘူယျတုံ့ပြန်မှုများထက် ပိုမိုအထောက်အကူဖြစ်စေသည့် ပစ်မှတ်၊ အဆင့်ဆင့်လမ်းညွှန်မှုကို ရရှိသည်။
- ကုန်ကျစရိတ် - ထိရောက်မှု: ပိုမိုသေးငယ်ပြီး ရှုပ်ထွေးသော အချက်ပြမှုများနှင့် နှိုင်းယှဉ်ပါက ပိုမိုသေးငယ်သော၊ ပစ်မှတ်ထားသော အချက်ပြမှုများသည် ကုန်ကျစရိတ်ပိုမိုသက်သာနိုင်သည်။
4. စဉ်းစားရန် GPT အချိန်ပေးပါ။
မော်ဒယ်များကို အချိန်ပေး၍ "တွေးတောခြင်း" နှင့် စီမံခန့်ခွဲနိုင်သော အဆင့်များအဖြစ် ရှုပ်ထွေးသော အလုပ်များကို ခွဲခြမ်းခြင်းဖြင့် GPT-4 ကဲ့သို့သော AI မော်ဒယ်များမှ တုံ့ပြန်မှုအရည်အသွေးကို သိသိသာသာ တိုးတက်စေသည်။
ဥပမာ 1- သင်္ချာပြဿနာ အကဲဖြတ်ခြင်း။
- မထိရောက်သော ချဉ်းကပ်မှု: ကျောင်းသားတစ်ဦး၏အဖြေကို အကဲဖြတ်ရန် မော်ဒယ်ကို တိုက်ရိုက်တောင်းဆိုခြင်း။
- အသုံးပြုသူအချက်အလက်များ: "ဒီသင်္ချာပုစ္ဆာအတွက် ကျောင်းသားရဲ့ အဖြေက မှန်သလား။"
- AI Output: "ကျောင်းသား၏ အဖြေသည် မှန်သည်/မမှန်ပုံပေါ်သည်။"
- ထိရောက်သောချဉ်းကပ်မှု: ကျောင်းသား၏အလုပ်ကို အကဲဖြတ်ခြင်းမပြုမီ ၎င်း၏ကိုယ်ပိုင်ဖြေရှင်းချက်ကို ဦးစွာလုပ်ဆောင်ရန် မော်ဒယ်အား ညွှန်ကြားခြင်း။
- အသုံးပြုသူအချက်အလက်များ: "ပထမ၊ ဤသင်္ချာပုစ္ဆာကို ဖြေရှင်းပါ။ ထို့နောက်၊ ကျောင်းသား၏ အဖြေနှင့် သင့်အဖြေကို နှိုင်းယှဉ်ပြီး ၎င်း၏ မှန်ကန်မှုကို အကဲဖြတ်ပါ။"
- AI Output: "ကျွန်ုပ်၏ဖြေရှင်းချက်- [အသေးစိတ်ဖြေရှင်းချက်]။ ကျောင်းသား၏ဖြေရှင်းချက်နှင့် နှိုင်းယှဉ်ကြည့်ပါက ၎င်းတို့၏ တွက်ချက်မှုတွင် အမှားအယွင်းတစ်ခုတွေ့ခဲ့သည်။ မှန်ကန်သောချဉ်းကပ်မှုသည် [မှန်ကန်သောနည်းလမ်း] ဖြစ်သင့်သည်။"
ဥပမာ 2- စာရွက်စာတမ်း ခွဲခြမ်းစိတ်ဖြာခြင်း။
- မထိရောက်သော ချဉ်းကပ်မှု: မေးခွန်းတစ်ခုတွင် ကြီးမားသောစာရွက်စာတမ်းတစ်ခုကို ခွဲခြမ်းစိတ်ဖြာရန် ကြိုးစားနေပါသည်။
- အသုံးပြုသူအချက်အလက်များ: "ဤစာတမ်းတစ်ခုလုံးမှ အဓိကအချက်များကို အကျဉ်းချုပ်ပါ။"
- AI Output: "၎င်း၏အရှည်ကြောင့် စာရွက်စာတမ်းတစ်ခုလုံးကို ကျွန်ုပ်လုပ်ဆောင်၍မရပါ။"
- ထိရောက်သောချဉ်းကပ်မှု: ကျယ်ကျယ်ပြန့်ပြန့်ခွဲခြမ်းစိတ်ဖြာမှုအတွက် ကောက်နှုတ်ချက်များနှင့် နောက်ဆက်တွဲမေးခွန်းများကို ဆက်တိုက်ထုတ်ယူခြင်း။
- အသုံးပြုသူအချက်အလက်များ: "[အထူးအကြောင်းအရာ] နှင့် သက်ဆိုင်သည့် ဤစာတမ်းမှ အဓိကကောက်နုတ်ချက်များကို ထုတ်ယူပါ။
- AI Output: "ကောက်နုတ်ချက် 1- [သက်ဆိုင်သောကျမ်းပိုဒ်]။ ကောက်နုတ်ချက် 2- [အခြားသက်ဆိုင်ရာ ကျမ်းပိုဒ်]။
- နောက်ဆက်တွဲအသုံးပြုသူအမှာစကား: "ပိုမိုသက်ဆိုင်သော ကောက်နှုတ်ချက်များ ရှိပါသလား။ ၎င်းတို့တွင် အကြောင်းအရာ အပြည့်အစုံ ပါဝင်ကြောင်း သေချာပါစေ။
- AI Output: "အပိုဆောင်းကောက်နုတ်ချက်- [နောက်ထပ် သက်ဆိုင်ရာကျမ်းပိုဒ်]။
အကျိုးကျေးဇူးများနှင့် အသိအမြင်များ
- အနက်ခွဲခြမ်းစိတ်ဖြာခြင်း။: အဖြေရှာခြင်း သို့မဟုတ် ခွဲခြမ်းစိတ်ဖြာခြင်းများကို ဦးစွာလုပ်ဆောင်ခြင်းဖြင့် AI သည် ပိုမိုတိကျပြီး နက်ရှိုင်းသော အကဲဖြတ်မှုများကို ပေးစွမ်းနိုင်ပါသည်။
- လမ်းညွှန်သင်ယူမှု: ကျူရှင်ပြခန်းများတွင်၊ အတွင်းပိုင်းတစ်သံတည်းနှင့် အရိပ်အမြွက်များကို အသုံးပြုခြင်းသည် ကျောင်းသားများအား ၎င်းတို့၏ သင်ယူမှုအတွေ့အကြုံကို တိုးမြင့်စေပြီး အဖြေများကို လွတ်လပ်စွာရောက်ရှိစေရန် အားပေးသည်။
- လွှမ်းခြုံလွှမ်းခြုံမှု: စာတမ်းခွဲခြမ်းစိတ်ဖြာမှုအတွက်၊ ဆင့်ကဲနှင့် ထပ်တလဲလဲချဉ်းကပ်မှုများသည် အရေးကြီးသောအသေးစိတ်အချက်အလက်များကို မလွဲမသွေ စေ့စေ့စပ်စပ် လွှမ်းခြုံသေချာစေပါသည်။
- ဘက်လိုက်မှုမှရှောင်ရှား- ၎င်း၏ကိုယ်ပိုင်ဖြေရှင်းချက်ကို ဦးစွာဖန်တီးခြင်းဖြင့်၊ AI သည် ပေးထားသောအဖြေကို တိုက်ရိုက်အကဲဖြတ်ခြင်းမှ ဖြစ်ပေါ်လာနိုင်သည့် ဘက်လိုက်မှုကို ရှောင်ရှားသည်။
5. ပြင်ပကိရိယာများကို အသုံးချပါ။
ပြင်ပကိရိယာများနှင့် အရင်းအမြစ်များကို AI အပြန်အလှန်တုံ့ပြန်မှုများတွင် ပေါင်းစည်းခြင်းသည် GPT-4 ကဲ့သို့သော မော်ဒယ်များမှ ထုတ်ပေးသည့် တုံ့ပြန်မှုများ၏ တိကျမှုနှင့် ဆီလျော်မှုကို များစွာတိုးတက်စေပါသည်။ ဤကဏ္ဍသည် အသိပညာပြန်လည်ရယူခြင်းအတွက် မြှပ်နှံမှုအခြေခံရှာဖွေမှု၊ တိကျသောတွက်ချက်မှုများအတွက် ကုဒ်လုပ်ဆောင်မှုနှင့် AI မော်ဒယ်များ၏စွမ်းရည်များကို မြှင့်တင်ရန်အတွက် လုပ်ဆောင်ချက်များကို ခေါ်ဆိုမှုများကို သရုပ်ပြထားသည်။
ဥပမာ 1- Code Execution ဖြင့် တိကျသော တွက်ချက်မှုများ
- Code Execution မရှိဘဲ: မော်ဒယ်၏ တွက်ချက်မှုစွမ်းရည်များကိုသာ အားကိုးပါ။
- အသုံးပြုသူအချက်အလက်များ: "529 ၏ နှစ်ထပ်ကိန်းအမြစ်ကို တွက်ချက်ပါ။
- AI Output: "529 ၏ နှစ်ထပ်ကိန်းအမြစ်သည် ခန့်မှန်းခြေအားဖြင့် 23 ဖြစ်သည်။"
- Code Execution ဖြင့်: တွက်ချက်မှုတွင် တိကျမှုရှိစေရန်။
- အသုံးပြုသူအချက်အလက်များ: "529 ၏ နှစ်ထပ်ကိန်းအမြစ်ကို တွက်ချက်ပါ။
- AI ညွှန်ကြားချက်: "၎င်းကို တွက်ချက်ရန် Python ကုဒ်ကို ရေးပြီး လုပ်ဆောင်ပါ။
- AI Output: "
python import math math.sqrt(529)529 ၏ နှစ်ထပ်ကိန်းအမြစ်သည် 23 အတိအကျဖြစ်သည်။
ဥပမာ 2- Dynamic Interactions အတွက် API ခေါ်ဆိုမှုများကို အသုံးပြုခြင်း။
- API ခေါ်ဆိုမှုများမပါဘဲ: အတည်တကျ၊ ပရိုဂရမ်ကြိုတင်ထားသော တုံ့ပြန်မှုများကို ကန့်သတ်ထားသည်။
- အသုံးပြုသူအချက်အလက်များ: "မနက်ဖြန် အစည်းအဝေးအကြောင်း ငါ့သူငယ်ချင်းကို သတိပေးချက် ပို့လိုက်ပါ။"
- AI Output: "သတိပေးချက်- မနက်ဖြန် အစည်းအဝေးအကြောင်း သင့်သူငယ်ချင်းထံ မက်ဆေ့ချ်ပို့ရန် မမေ့ပါနှင့်။"
- API ခေါ်ဆိုမှုများဖြင့်အချိန်နှင့်တပြေးညီ လုပ်ဆောင်မှုများအတွက် ပြင်ပစနစ်များနှင့် အပြန်အလှန် တုံ့ပြန်ခြင်း။
- အသုံးပြုသူအချက်အလက်များ: "မနက်ဖြန် အစည်းအဝေးအကြောင်း ငါ့သူငယ်ချင်း John ကို သတိပေးချက် ပို့လိုက်ပါ။"
- AI ညွှန်ကြားချက်- "သတိပေးချက်ပေးပို့ရန် စာတိုပေးပို့ခြင်း API ကို အသုံးပြုပါ။"
- AI Output: "
python import message message.write(to='John', message='Hey, remember our meeting tomorrow!')မနက်ဖြန် အစည်းအဝေးအကြောင်း John ကို အကြောင်းကြားစာ ပို့တယ်။"
အကျိုးကျေးဇူးများနှင့် အသိအမြင်များ
- အသိပညာအခြေခံကို တိုးချဲ့ခဲ့သည်။မြှုပ်နှံမှုများကို အခြေခံသော ရှာဖွေမှုကို အသုံးပြုခြင်းဖြင့် AI သည် နောက်ဆုံးပေါ် အချက်အလက် အများအပြားကို ဝင်ရောက် ပေါင်းစပ်နိုင်ပြီး ၎င်း၏ တုံ့ပြန်မှုများ၏ ဆက်စပ်မှုနှင့် တိကျမှုကို တိုးမြှင့်နိုင်သည်။
- တွက်ချက်မှုများတွင်တိကျမှု: Code execution သည် AI အား နည်းပညာဆိုင်ရာ သို့မဟုတ် သိပ္ပံဆိုင်ရာ အကြောင်းအရာများတွင် အထူးအသုံးဝင်သည့် တိကျသောသင်္ချာတွက်ချက်မှုများကို လုပ်ဆောင်နိုင်စေပါသည်။
- အပြန်အလှန်အကျိုးပြုစွမ်းရည်များ: API ခေါ်ဆိုမှုများသည် AI ကို မက်ဆေ့ချ်ပို့ခြင်း သို့မဟုတ် သတိပေးချက်များ သတ်မှတ်ခြင်းကဲ့သို့ လက်တွေ့ကမ္ဘာလုပ်ဆောင်ချက်များကို လွယ်ကူချောမွေ့စေသည့် ပြင်ပစနစ်များနှင့် အပြန်အလှန်တုံ့ပြန်နိုင်စေပါသည်။
6. စနစ်တကျစမ်းသပ်ခြင်း။
စနစ်တကျ စမ်းသပ်ခြင်း သို့မဟုတ် အကဲဖြတ်ခြင်းဆိုင်ရာ လုပ်ငန်းစဉ်များ (အကဲဖြတ်ခြင်း) သည် AI စနစ်များတွင် ပြောင်းလဲမှုများ၏ ထိရောက်မှုကို ဆုံးဖြတ်ရာတွင် အရေးကြီးပါသည်။ ဤချဉ်းကပ်မှုသည် တိကျမှုကို အကဲဖြတ်ရန် ကြိုတင်သတ်မှတ်ထားသော စံနှုန်းများ သို့မဟုတ် "ရွှေစံနှုန်း" အဖြေများနှင့် မော်ဒယ်ရလဒ်များကို နှိုင်းယှဉ်ခြင်း ပါဝင်သည်။
ဥပမာ 1- အဖြေများတွင် ကွဲလွဲမှုများကို ခွဲခြားသတ်မှတ်ခြင်း။
- စမ်းသပ်ခြင်း ဇာတ်လမ်း− ကျွမ်းကျင်သူအဖြေများနှင့် နှိုင်းယှဉ်ပါက မော်ဒယ်၏တုံ့ပြန်မှုတွင် ကွဲလွဲမှုများကို ထောက်လှမ်းခြင်း။
- စနစ်ညွှန်ကြားချက်: မော်ဒယ်၏ တုံ့ပြန်မှုသည် ကျွမ်းကျင်သူမှပေးသော အဖြေတစ်ခု၏ အစိတ်အပိုင်းတစ်ခုခုနှင့် ဆန့်ကျင်ဘက်ဖြစ်မဖြစ် ဆုံးဖြတ်ပါ။
- အသုံးပြုသူထည့်သွင်းမှု"Neil Armstrong ဟာ Buzz Aldrin ပြီးရင် လပေါ်လမ်းလျှောက်တဲ့ ဒုတိယမြောက်လူ ဖြစ်လာခဲ့ပါတယ်။"
- အကဲဖြတ်ခြင်းလုပ်ငန်းစဉ်Neil Armstrong သည် လပေါ်ရှိ ပထမဆုံးလူဖြစ်ကြောင်း ကျွမ်းကျင်သူ၏ အဖြေနှင့် ကိုက်ညီမှုရှိမရှိ စနစ်ဖြင့် စစ်ဆေးပါသည်။
- မော်ဒယ်အထွက်: မော်ဒယ်၏ တုံ့ပြန်မှုသည် အမှားတစ်ခုကို ညွှန်ပြသော ကျွမ်းကျင်သူ၏ အဖြေကို တိုက်ရိုက်ဆန့်ကျင်ပါသည်။
ဥပမာ 2- အဖြေများတွင် အသေးစိတ်အဆင့်များကို နှိုင်းယှဉ်ခြင်း။
- စမ်းသပ်ခြင်း ဇာတ်လမ်း− မော်ဒယ်၏အဖြေသည် ကျွမ်းကျင်သူအဖြေနှင့် ကိုက်ညီမှုရှိမရှိ၊ အသေးစိတ်အချက်အလတ်များနှင့် ကိုက်ညီမှုရှိမရှိ အကဲဖြတ်ခြင်း။
- စနစ်ညွှန်ကြားချက်: မော်ဒယ်၏တုံ့ပြန်မှုနှင့် ကျွမ်းကျင်သူအဖြေကြားရှိ အချက်အလက်၏အတိမ်အနက်ကို နှိုင်းယှဉ်ပါ။
- အသုံးပြုသူထည့်သွင်းမှု: "နေးလ်အမ်းစထရောင်းသည် ၁၉၆၉ ခုနှစ်၊ ဇူလိုင်လ ၂၁ ရက်၊ ၀၂း၅၆ UTC တွင် လပေါ်သို့ ပထမဆုံး လျှောက်လှမ်းခဲ့သည်။"
- အကဲဖြတ်ခြင်းလုပ်ငန်းစဉ်− မော်ဒယ်၏ တုံ့ပြန်မှုသည် ကျွမ်းကျင်သူအဖြေနှင့် နှိုင်းယှဉ်ပါက အသေးစိတ်အချက်များ ပိုမို၊ ညီတူညီမျှ သို့မဟုတ် နည်းပါးသည်ဖြစ်စေ စနစ်က အကဲဖြတ်သည်။
- မော်ဒယ်အထွက်: မော်ဒယ်၏ တုံ့ပြန်မှုသည် ကျွမ်းကျင်သူအဖြေနှင့် လိုက်လျောညီထွေဖြစ်စေသော အပိုအသေးစိတ် (အချိန်အတိအကျ) ကို ပေးပါသည်။
အကျိုးကျေးဇူးများနှင့် အသိအမြင်များ
- တိကျမှုနှင့် ယုံကြည်စိတ်ချရမှု: စနစ်ကျသောစမ်းသပ်ခြင်းသည် AI မော်ဒယ်၏တုံ့ပြန်မှုများသည် တိကျပြီး ယုံကြည်စိတ်ချရသော၊ အထူးသဖြင့် ဖြစ်ရပ်မှန်အချက်အလက်များကို ကိုင်တွယ်ဖြေရှင်းသောအခါတွင် သေချာစေသည်။
- အမှားရှာဖွေခြင်း။: ၎င်းသည် မော်ဒယ်၏ တုံ့ပြန်မှုများတွင် အမှားအယွင်းများ၊ ကွဲလွဲမှုများ သို့မဟုတ် ရှေ့နောက်မညီမှုများကို ဖော်ထုတ်ရာတွင် ကူညီပေးသည်။
- အရည်အသွေးအာမခံချက်: အထူးသဖြင့် ပညာရေး၊ သမိုင်းဆိုင်ရာ သို့မဟုတ် အခြားအချက်-အကဲဆတ်သော အကြောင်းအရာများတွင် AI မှထုတ်လုပ်ထားသော အကြောင်းအရာများတွင် အရည်အသွေးမြင့်မားသော စံနှုန်းများကို ထိန်းသိမ်းထားရန်အတွက် ဤချဉ်းကပ်မှုသည် မရှိမဖြစ်လိုအပ်ပါသည်။
နိဂုံးချုပ်နှင့် Takeaway Message
ဆွေးနွေးထားသော နမူနာများနှင့် ဗျူဟာများမှတဆင့်၊ prompts များတွင် တိကျသေချာမှုသည် ရလဒ်ကို သိသိသာသာပြောင်းလဲစေနိုင်ပုံနှင့် ရှုပ်ထွေးသောအလုပ်များကို ရိုးရှင်းသောအလုပ်ခွဲများအဖြစ်သို့ ခွဲခြမ်းခြင်းဖြင့် တုန်လှုပ်ချောက်ချားသည့်စိန်ခေါ်မှုများကို စီမံခန့်ခွဲနိုင်စေသည်ကို ကျွန်ုပ်တို့တွေ့မြင်ရပါသည်။ AI စွမ်းရည်များကို မြှင့်တင်ရာတွင် ပြင်ပကိရိယာများ၏ စွမ်းအားနှင့် AI တုံ့ပြန်မှုများ၏ ယုံကြည်စိတ်ချရမှုနှင့် တိကျမှုကို သေချာစေရန် စနစ်တကျစမ်းသပ်ခြင်း၏ အရေးပါမှုကို ကျွန်ုပ်တို့ ရှာဖွေတွေ့ရှိထားပါသည်။ သွားလည်ပါ။ OpenAI ၏ Prompt Engineering လမ်းညွှန် ကျွန်ုပ်တို့၏ ကျယ်ကျယ်ပြန့်ပြန့် AI တုံ့ပြန်မှုများကို ပိုမိုကောင်းမွန်အောင်ပြုလုပ်ရန်အတွက် အဆင့်မြင့်နည်းပညာများနှင့် မဟာဗျူဟာများကို စူးစမ်းရှာဖွေမှုအား ဖြည့်ဆည်းပေးသည့် အခြေခံအသိပညာအတွက်။
