The Essential Guide to Prompt Engineering i ChatGPT

Siden lanseringen, ChatGPT har laget bølger i AI-sfæren, og tiltrekker seg over 100 millioner brukere på rekordtid. Den hemmelige sausen til ChatGPTs imponerende ytelse og allsidighet ligger i en kunst som er subtilt plassert i programmeringen – rask konstruksjon.

Lansert i 2022, DALL-E, MidJourney og StableDiffusion understreket det forstyrrende potensialet til Generative AI. Men det var Åpne AI's ChatGPT som virkelig ble sentralt senere i 2022. Og dette momentumet viste ingen tegn til å avta.

Googles kunngjøring av Bard og Metas Lamma 2  respons på OpenAIs ChatGPT har forsterket momentumet til AI-løpet betydelig. Ved å gi disse modellene input, veileder vi deres oppførsel og svar. Dette gjør oss alle til en viss grad dyktige ingeniører. Teknologibransjen har lagt merke til det. Venturekapitalister strømmer inn midler til oppstartsbedrifter som fokuserer på prompt engineering, som Vellum AI. Dessuten rapporterer Forbes at ingeniører kommanderer lønn over 300,000 XNUMX dollar, som indikerer et blomstrende og verdifullt arbeidsmarked.

I denne artikkelen vil vi avmystifisere verden av prompt engineering i sammenheng med ChatGPT. Vi vil utforske kjerneprinsippene og teknikkene, og undersøke deres kommersielle anvendelser.

La oss først forstå hvordan ChatGPT fungerer og den sentrale rollen prompt engineering spiller i denne prosessen.

Mekanikken bak ChatGPT Prompt Engineering

Den hemmelige sausen bak ChatGPTs suksess er dens evne til å forstå og etterligne nyansene i menneskelig samtale. Modellen er trent på et mangfoldig spekter av internetttekst, men det er avgjørende at den ikke kjenner spesifikke dokumenter eller kilder i opplæringssettet, noe som sikrer generalisering over spesifisitet. Denne treningstilnærmingen lar ChatGPT generere kreative svar, navigere i komplekse dialoger og til og med vise en sans for humor. Det er imidlertid viktig å huske at ChatGPT ikke virkelig forstår eller har tro; den genererer svar basert på mønstre den har lært under trening.

ChatGPTs evne til å forstå og svare på menneskelig språk på en nyansert og kontekstbevisst måte gjør dem til utrolig allsidige verktøy.

Mekanikken til disse modellene hviler på konseptet "tokens" - diskrete biter av språk som kan variere fra et enkelt tegn til et helt ord. Disse modellene fungerer med et spesifikt antall tokens om gangen (4096 for GPT-3.5-Turbo eller 8192 eller 32768 for GPT-4), og forutsier neste sekvens av sannsynlige tokens. Modellene behandler tokenene ved å bruke kompleks lineær algebra, og forutsier det mest sannsynlige påfølgende tokenet.

For eksempel kan en enkel setning på ni ord bli til ti tokens. Selv et enkelt komplekst ord kan bli til flere tokens, noe som hjelper modellen bedre å forstå og generere språk. Selv språk med komplekse ordstrukturer, som tysk, administreres gjennom tokenisering.

GPT-modeller (Generative Pre-trained Transformer) fungerer ved å generere ett token om gangen, fra det første tokenet og fortsette opp til det siste. Etter å ha generert hvert token, går modellen tilbake til hele sekvensen og behandler den på nytt for å generere neste token. Denne iterative prosessen fortsetter til det endelige tokenet er generert, noe som gjør genereringen av tekst lik en stor for-løkke.

Men her er fangsten – kvaliteten på disse svarene avhenger i stor grad av spørsmålene den mottar. Akkurat som å styre en samtale med et menneske, krever det et visst nivå av ferdigheter og forståelse for å lede en dialog med ChatGPT. Det er her rask ingeniørkunst kommer inn i bildet.

Hva er prompt engineering?

Prompt Engineering er kunsten å lage presise, effektive meldinger/inndata for å veilede AI (NLP/Vision)-modeller som ChatGPT for å generere de mest kostnadseffektive, nøyaktige, nyttige og sikre utdataene.

Rask utvikling er ikke bare begrenset til tekstgenerering, men har omfattende applikasjoner på tvers av AI-domenet. Det blir i økende grad brukt i områder som roboter for prosessautomatisering, 3D-ressurser, skript, robotinstruksjoner og andre typer innhold og digitale medier. Det gir en unik blanding av logikk, koding, kunst og i visse tilfeller spesielle modifikatorer.

Mens en forespørsel kan inkludere naturlig språktekst, bilder eller andre typer inndata, kan utdataene variere betydelig mellom AI-tjenester og verktøy. Hvert verktøy har sine spesielle modifikatorer som beskriver vekten av ord, stiler, perspektiver, layout eller andre egenskaper for ønsket respons.

Dette feltet er avgjørende for å skape bedre AI-drevne tjenester og oppnå overlegne resultater fra eksisterende generative AI-verktøy. Bedriftsutviklere, for eksempel, bruker ofte prompte engineering for å skreddersy Large Language Models (LLM) som GPT-3 for å drive en kundevendt chatbot eller håndtere oppgaver som å lage bransjespesifikke kontrakter.

Denne iterative prosessen med umiddelbar foredling og måling av AI-ytelse er et nøkkelelement for å gjøre AI-modeller i stand til å generere svært målrettede, nyttige svar i ulike sammenhenger.

Bli en prompt ingeniør

GPT-4-modellens dyktighet når det gjelder å forstå komplekse instruksjoner og løse intrikate problemer nøyaktig, gjør den til en uvurderlig ressurs. Det finnes imidlertid forskjellige metoder for å få tilgang til denne modellens muligheter, og å forstå disse kan være avgjørende for en rask ingeniørs rolle i å optimalisere både effektivitet og kostnadseffektivitet.

Det er i hovedsak to måter å engasjere seg med GPT-modeller som GPT-4. En måte er gjennom OpenAIs API, hvor kostnadene beregnes per input og output tokens. I dette scenariet kan kostnadene per 1K tokens variere basert på kontekststørrelsen. For eksempel, i en større 32K-sammenheng, kan kostnaden gå opp til $0.06 for input-tokens og $0.12 for output-tokens. Når du håndterer et stort antall forespørsler, kan dermed kostnadene ved bruk raskt akkumuleres.

Alternativt opererer ChatGPT, som utnytter GPT-4-modellen, på en abonnementsbasert modell.

En annen nøkkeloppgave i prompt engineering involverer modellparameterinnstilling. Denne prosessen innebærer å justere variablene som modellen bruker for å lage spådommer. Ved å finjustere disse parameterne kan raske ingeniører forbedre kvaliteten og nøyaktigheten til modellens svar, noe som gjør dem mer kontekstuelt relevante og nyttige.

Selv om mange raske ingeniører kommer fra en teknisk bakgrunn, gjør feltets tverrfaglige natur det tilgjengelig for enkeltpersoner med ulike faglige bakgrunner. I økende grad utnytter forfattere, forskere og til og med kunstnere sine unike ferdigheter for å forbedre effektiviteten til AI-modeller. Dette skiftet gjenspeiles også i arbeidsmarkedet, med et økende antall selskaper som søker raske ingeniører med et mangfold av ferdigheter og bakgrunner.

Rask design og ingeniørarbeid i ChatGPT

Rask design og engineering spiller en kritisk rolle i å optimalisere ytelsen til språkmodeller og involverer mer enn bare å lage spørsmål; de krever en dyp forståelse av AI-modellen og en svært iterativ og raffinert tilnærming.

Rask design

Rask design, i kjernen, er kunsten og vitenskapen med å skape den perfekte ledeteksten for en gitt stor språkmodell (LLM), som ChatGPT, for å oppnå et klart uttalt mål. Det er en blanding av:

• Forståelse av LLM: Ulike språkmodeller kan reagere varierende på samme spørsmål. Dessuten kan visse språkmodeller ha unike nøkkelord eller triggere, som de tolker på en bestemt måte.
• Domenekunnskap: Kompetanse på det aktuelle feltet er avgjørende når du utformer forespørsler. For eksempel vil det å generere en melding om å utlede en medisinsk diagnose kreve medisinsk kunnskap.
• Iterativ tilnærming og kvalitetsmåling: Prosessen med å lage den ideelle ledeteksten involverer ofte prøving og feiling. Derfor er det viktig å ha en måte å evaluere utskriftskvaliteten på utover bare subjektiv vurdering, spesielt når du bruker ledeteksten i større skala.

Rask Engineering

Prompt engineering er et utvidet område av prompt design som inkluderer flere kritiske prosesser:

• Utforming av ledetekster i skala: Denne prosessen inkluderer utforming av meta-meldinger (meldinger som genererer andre meldinger) og ledetekstmaler, som er parametriserte meldinger som kan instansieres under kjøring.
• Verktøydesign og integrasjon: Forespørsler kan noen ganger inkludere resultater fra eksterne verktøy, og det er avgjørende å integrere disse verktøyene sømløst i systemet.
• Arbeidsflyt, planlegging og ledetekstbehandling: Å distribuere en LLM-applikasjon, som en chatbot, krever ofte administrasjon av biblioteker med ledetekster, planlegging og valg av riktige ledetekster og effektiv integrering av ulike verktøy.
• Evaluering og kvalitetssikring av forespørsler: Dette aspektet inkluderer å definere beregninger og prosesser for å evaluere forespørslene både automatisk og med menneskelig involvering.
• Spørsmålsoptimalisering: Kostnaden og ventetiden til AI-modellen kan avhenge av valget av modell og lengden på ledeteksten (antall tokens).

Mange automatiserte designtilnærminger, verktøy og rammeverk er utviklet for å håndtere forespørsler i stor skala. Det er imidlertid viktig å forstå at ingen av disse verktøyene kan erstatte den nyanserte forståelsen, dømmekraften og erfaringen til en erfaren rask ingeniør.

Rask prosjektering: Teknikker og beste praksis

1) Spørg plassering og beskrivelse

Plassering av instruksjoner i begynnelsen av forespørselen kan ha betydelig innvirkning på AIs forståelse og respons. Vurder oppgaven med å oppsummere en tekst i et punktformat. En mindre effektiv tilnærming vil være:

Bruker: Oppsummer teksten nedenfor som en punktliste over de viktigste punktene.
{tekstinntasting her}

På den annen side kan en mer effektiv teknikk være:

Bruker: Oppsummer teksten nedenfor som en punktliste over de viktigste punktene.
Tekst: """
{tekstinntasting her}
“” ”

Ved å tydelig skille instruksjonene og konteksten med symboler som ### eller """, kan AI-modellen bedre avgrense oppgaven sin og teksten den må behandle, og dermed gi mer nøyaktige og relevante svar.

For det andre kan det å være spesifikk, beskrivende og detaljert om konteksten, forventet utfall, lengde, format, stil og så videre forbedre presisjonen til AI-responser betydelig. Anta at du trenger å generere en kort oversikt over en vitenskapelig artikkel i en engasjerende, lekmannsvennlig stil. En vag instruksjon som "Oppsummer den vitenskapelige artikkelen" ville gi mindre effektive resultater sammenlignet med en spesifikk, detaljert oppfordring:

Bruker: Generer et kort (ca. 200 ord), engasjerende sammendrag av følgende vitenskapelige artikkel. Sammendraget skal være forståelig for noen uten vitenskapelig bakgrunn, samtidig som det gjenspeiler oppgavens hovedfunn nøyaktig.
Papir: """
{vitenskapelig artikkeltekst her}
“” ”

2) Personamønster

Persona-mønsteret er en strategi som setter AI til å fungere fra et bestemt perspektiv, for eksempel en profesjonell rolle eller fiktiv karakter. Denne taktikken gjør det mulig for modellen å gi resultater relatert til de spesifikke rollene personaen ville håndtere. For eksempel kan man instruere AI til å fungere som en cybersikkerhetsekspert under en kodegjennomgang. Dette mønsteret er spesielt nyttig når brukere trenger hjelp, men er usikre på de nøyaktige detaljene som kreves i utdataene.

Ta følgende som eksempel:

Bruker: «Anta personaen til en seniorhistoriker som spesialiserer seg på den franske revolusjonen. Gitt denne persona, forklar de viktigste hendelsene og årsakene som førte til det franske monarkiets fall.»

I dette scenariet forventes AI å svare med en dybdeanalyse av den franske revolusjonen, med fokus på monarkiets fall, slik en historiker ville gjort.

Introduserer ny informasjon

ChatGPT har ikke kunnskap utover treningsgrensen, og kan derfor ikke gi informasjon om nylige hendelser eller oppdateringer etter trening. Du kan imidlertid introdusere ny informasjon til modellen via spørsmålene dine.

Bruker: "Hva er kryptovaluta?"
ChatGPT: «Cryptocurrency er en type digital eller virtuell valuta som bruker kryptografi for sikkerhet. Den mest kjente kryptovalutaen er Bitcoin.»

Nå, hvis vi legger til litt mer kontekst til ledeteksten, kan vi gjøre forklaringen enda mer intuitiv:

Bruker: "Forklar konseptet med kryptovaluta til en videregående elev som studerer digital finans"
ChatGPT: «Se for deg at du spiller et online videospill og det er spillpenger du kan tjene for å kjøpe oppgraderinger eller nye karakterer. Kryptovaluta er litt sånn, men i stedet for å være begrenset til spillet, kan du faktisk bruke den til å kjøpe varer og tjenester fra den virkelige verden. Det er som digitale penger som ingen banker eller myndigheter kontrollerer.»

3) Spørre størrelsesbegrensninger

Det er viktig å forstå størrelsesbegrensningen til ChatGPT, siden det direkte påvirker volumet og typen informasjon vi kan legge inn. Språkmodeller er ikke bygget for å behandle ubegrenset data på en gang. De har en iboende begrensning på størrelsen på forespørselen vi kan opprette og legge inn. Denne begrensningen har dype implikasjoner for utformingen og utførelsen av ledetekstene.

ChatGPT har en token-grense (vanligvis 2048 tokens), som inkluderer både spørsmålet og det genererte svaret. Dette betyr at lange meldinger kan begrense lengden på svaret. Derfor er det viktig å holde forespørsler kortfattet, men likevel informativ.

I praktisk bruk må vi fungere som redaktører og selektivt velge den mest relevante informasjonen for oppgaven. Tenk deg å skrive en artikkel eller en artikkel med en ord- eller sidegrense – du kan ikke bare dumpe tilfeldige fakta, men nøye velge og strukturere informasjon som er relevant for emnet.

Bruker: "Gitt de symbolske begrensningene til modellen, oppsummer nøkkelbegivenhetene under andre verdenskrig med mindre enn 1000 ord."

Ved å erkjenne modellens symbolske begrensninger, leder denne oppfordringen AI til å gi et kortfattet, men likevel omfattende sammendrag av andre verdenskrig.

Spørsmål om gjentatt bruk: I et samtalescenario kan du gjenbruke forespørsler eller avgrense dem basert på tidligere svar. Dette gir en samtaleflyt og opprettholder kontekst i samhandlingen.

4) Spørsmålsforbedringsmønster

ChatGPT kan også hjelpe med å avgrense spørsmålene dine. Hvis du for eksempel stiller et spørsmål, kan det foreslå et bedre formulert spørsmål for mer nøyaktige resultater.

Spørsmålsavgrensningsmønsteret innebærer at LLM foredler spørsmålene som stilles av brukeren. Det er spesielt nyttig når brukere ikke er eksperter på et domene eller er usikre på hvordan de skal formulere spørsmålet sitt.

Et eksempel på melding kan se slik ut:

Bruker: "Når jeg stiller et spørsmål om datavitenskap, foreslå et mer raffinert spørsmål med tanke på spesifikke statistiske analyser og spør om jeg vil fortsette med det raffinerte spørsmålet."

Her forventes AI å avgrense brukerens generelle datavitenskapelige spørsmål til mer detaljerte spørsmål som tar hensyn til statistiske analyseaspekter.

5) Kognitivt verifiseringsmønster

The Cognitive Verifier Pattern bryter ned komplekse spørsmål i mindre, håndterbare underspørsmål. Svarene på disse underspørsmålene kombineres så for å gi et utfyllende svar på hovedspørsmålet. Denne tilnærmingen er nyttig når innledende spørsmål er for høyt nivå eller når ytterligere klarhet er nødvendig for å gi et fullstendig svar.

For eksempel:

Bruker: «Hvis jeg stiller et spørsmål om klimaendringer, del det ned i tre mindre spørsmål som vil hjelpe deg med å gi et mer nøyaktig svar. Kombiner svarene på disse underspørsmålene for å gi det endelige svaret."

I dette scenariet vil AI bryte ned det komplekse spørsmålet om klimaendringer i tre håndterbare underspørsmål. Etter å ha mottatt svar på disse underspørsmålene, vil AI deretter kombinere disse for å gi et mer omfattende og nøyaktig svar.

Dette mønsteret innebærer å generere flere spørsmål for å få et mer nøyaktig endelig svar. Det er en prosess med verifisering og konsolidering av informasjon for en robust sluttresultat

6) Få skudds tilnærming

Few-shot prompting er en kraftig tilnærming for å lære AI-modeller å følge spesifikke mønstre eller utføre oppgaver. Tanken er å mate modellen med en rekke eksempler før du stiller det ønskede spørsmålet. Dette er med på å angi ønsket atferd og veilede modellens svar.

Tenk på et scenario der en bruker prøver å lage en kortfattet, overbevisende markedsføringskopi for en ny teknologisk gadget:

Bruker: "Her er noen eksempler på kopier av teknologimarkedsføring: 'Opplev musikk som aldri før med våre banebrytende trådløse hodetelefoner." "Fang din verden i fantastisk 4K med vårt ultraslanke actionkamera." Gitt disse eksemplene, lag en markedsføringskopi for vår nye AI-drevne smartklokke.»

ChatGPT: "Styrk livsstilen din med vår AI-drevne smartklokke, din følgesvenn for helse, tilkobling og produktivitet." Det bemerkelsesverdige ved få-skuddslæring er at det ikke krever en detaljert beskrivelse av hvordan oppgaven skal utføres. I stedet krever det demonstrasjoner av hva som gjøres, noe som kan gjøre det godt tilpasset mange bruksområder.

Videre strekker denne teknikken seg utover enkel input-out-paring. Modellen kan også læres opp til å håndtere mellomtrinn for å nå et mål.

7) Tankekjede

I deres nylige forskningsartikkel, "Tankekjede fremkaller resonnement i store språkmodeller” Forfatterne Jason Wei og teamet har som mål å stimulere resonnement innenfor store språkmodeller. I stedet for å bruke tradisjonelle, direkte meldinger, bruker teamet en rekke sammenhengende meldinger, og danner en "tankekjede".

En bruker kan for eksempel være interessert i den potensielle effekten av kunstig intelligens på arbeidsmarkedene:

Bruker: "Kan du kort forklare konseptet kunstig intelligens?"

ChatGPT: «Kunstig intelligens, eller AI, refererer til en maskins evne til å imitere intelligent menneskelig atferd. Det handler om å designe maskiner som kan tenke og lære som mennesker, som gjør dem i stand til å utføre oppgaver som språkoversettelse, beslutningstaking og problemløsning, blant annet."

Bruker: «Hvordan påvirker kunstig intelligens det nåværende arbeidsmarkedet?»

ChatGPT: «AI skaper både nye arbeidsplasser og endrer karakteren til eksisterende. På den ene siden automatiserer den rutineoppgaver, noe som fører til forskyvning av jobb i visse sektorer. På den annen side skaper det etterspørsel etter roller som ikke eksisterte tidligere, for eksempel AI-etikkansvarlige, dataanalytikere og maskinlæringsingeniører. I tillegg kan AI forsterke menneskelige roller, slik at folk kan utføre oppgaver mer effektivt og nøyaktig."

Tankekjede-påminnelser følger en progresjon av relaterte spørsmål, og opprettholder en "samtale" med modellen som leder den mot mer presise og kontekstuelt passende svar.

Forstå ChatGPT API og Prompt Engineering fra en utviklers perspektiv

Fra en utviklers eller forskerperspektiv er prompt engineering en mer kompleks prosess. Det involverer design av algoritmer og teknikker for å hjelpe AI-modellen til å forstå og svare på spørsmål mer effektivt. Dette kan inkludere strategier for å håndtere tvetydige spørsmål, identifisere konteksten til forespørsler eller lenke ledetekster sammen for å stimulere mer komplekse tankeprosesser i AI

I illustrasjonen ovenfor samhandler en bruker med et chat-grensesnitt, drevet av GPT-4. Innspillet deres forbedres for klarhet og kontekstuell konsistens av en spesialisert modul før de mates til AI-modellen. Rollen til denne modulen er å avgrense og forbedre brukerens input for bedre forståelse samtidig som konteksten til samtalen opprettholdes. AI-ens svar, laget basert på den raffinerte ledeteksten, returneres til brukeren gjennom chat-grensesnittet. Interaksjonshistorikken oppdateres konsekvent, og opprettholder samtalekonteksten. Totalt sett illustrerer dette diagrammet en dynamisk bruker-AI-samtaleflyt aktivert av raske ingeniørteknikker.

De ChatGPT API-er grensesnittet er konstruert med ulike hyperparametre som gjør det mulig for brukere å avgrense AIs svar på meldinger, noe som gjør dem mer effektive og allsidige. Disse inkluderer parameterne Temperatur, Maximum Length og Stop Sequences. La oss utforske hvordan de fungerer og kan brukes i ulike sammenhenger.

1) Temperatur

Temperaturparameteren påvirker tilfeldigheten til AIs svar. En høyere temperatur, for eksempel 1.0, oppmuntrer til mer tilfeldig utdata, noe som resulterer i forskjellige, men potensielt off-topic svar. En lavere temperatur, som 0.2, får derimot AI til å velge mer deterministiske responser, noe som kan være fordelaktig for fokuserte og spesifikke utganger, men som kan mangle variasjon.

Eksempel: Hvis du skriver en kreativ historie og vil ha uforutsigbare, fantasifulle elementer, sett temperaturen til en høyere verdi. En oppfordring kan være: "Skriv en kort historie om en katt som reiser i tiden." Med høy temperatur kan du få en vill, fantastisk historie med uforutsigbare vendinger.

2) Maksimal lengde

Denne parameteren kontrollerer den maksimale tokenlengden på modellens utdata, som inkluderer både tokens i meldingsinngang og meldingsutgang. Å sette en høyere grense gir mulighet for mer utvidede svar, mens en lavere grense holder utgangen kort og konsis.

Eksempel: For korte svar på triviaspørsmål som "Hvem vant Nobelprisen i litteratur i 2020?" Det kan være lurt å sette den maksimale lengden til en lav verdi, for å sikre at svaret er kortfattet og direkte.

3) Stoppsekvenser

Stoppsekvenser er spesifikke tekststrenger der den, når modellen møter dem, slutter å generere ytterligere utdata. Denne funksjonen kan være nyttig for å kontrollere lengden på utgangen eller instruere modellen til å stoppe ved logiske endepunkter.

Eksempel: For et formelt brev kan du bruke «Vennlig hilsen» som en stoppsekvens for å sikre at AI-en ikke genererer ekstra tekst utover den riktige slutten av brevet.

4) Topp P

'Topp P'-parameteren, også kjent som kjerneprøvetaking, er en metode som gir et dynamisk utvalg av antall ord som vurderes i hvert trinn av modellens spådommer. En lavere verdi, som 0.5, fører til sikrere, mer fokuserte utganger. En høyere verdi, som 0.9, inkluderer et bredere utvalg av ord, noe som fører til flere forskjellige utganger.

Eksempel: Hvis du lager en AI for å skrive dikt og vil at den skal bruke et bredt spekter av vokabular og stilistiske fraser, kan du sette 'Topp P' til en høyere verdi. En oppfordring kan være: "Skriv et dikt om høstens skjønnhet."

5) Frekvensstraff

Frekvensstraff styrer hvor mye modellen skal favorisere sjeldnere ord. En høyere straff (opptil 1) oppmuntrer modellen til å bruke mindre vanlige ord, mens en lavere verdi (ned til -1) oppmuntrer modellen til å bruke mer vanlige ord.

Eksempel: Hvis du prøver å generere et forretningsforslag og ønsker å unngå sjargong, kan du sette frekvensstraffen til en lavere verdi for å holde språket klart og tilgjengelig.

6) Tilstedeværelsesstraff

Tilstedeværelsesstraff-parameteren påvirker hvor mye modellen blir straffet for å generere nye ideer eller emner som ikke var til stede i samtalehistorikken. Høyere verdier oppmuntrer modellen til å holde seg til de emnene som allerede er nevnt, mens lavere verdier lar modellen introdusere nye konsepter mer fritt.

Eksempel: For idédugnadsøkter kan du sette tilstedeværelsesstraffen til en lavere verdi for å oppmuntre til et mangfoldig utvalg av ideer. Du kan bruke en melding som "Generer innovative markedsføringsstrategier for en nettbasert utdanningsplattform."

Industrien Anvendelse av Prompt Engineering