Den essensielle guiden til Prompt Engineering i ChatGPT

Siden lanseringen har ChatGPT vært en banebrytende innovasjon i AI-sfæren, og har tiltrukket over 100 millioner brukere på rekordtid. Hemmeligheten bak ChatGPTs imponerende ytelse og fleksibilitet ligger i en kunst som er subtilt innbygget i dens programmering – prompt engineering.

I 2022 understreket DALL-E, MidJourney og StableDiffusion det disruptive potensialet i generativ AI. Men det var Open AI’s ChatGPT som virkelig tok sentralplassen senere i 2022. Og denne momentum viste ingen tegn til å sakke.

Googles annonsering av Bard og Metas Llama 2-svar til OpenAI’s ChatGPT har betydelig forsterket momentumet i AI-løpet. Ved å gi disse modellene innputt, guider vi deres atferd og svar. Dette gjør oss alle til prompt-ingeniører i en viss grad. Teknologiindustrien har lagt merke til dette. Venturekapitalister heller penger i start-ups som fokuserer på prompt engineering, som Vellum AI. I tillegg rapporterer Forbes at prompt-ingeniører kan tjene lønninger over 300 000 dollar, noe som indikerer en blomstrende og verdifull jobbmarked.

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

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

Mekanismen bak ChatGPT Prompt Engineering

Hemmeligheten bak ChatGPTs suksess ligger i dens evne til å forstå og etterligne nyansene i menneskelig samtale. Modellen er trent på en mangfoldig rekke av internett-tekst, men avgjørende, den kjenner ikke til bestemte dokumenter eller kilder i sin treningssett, noe som sikrer generalisering over spesifisitet. Dette trenings tilnærmingen tillater ChatGPT å generere kreative svar, navigere komplekse dialoger og sogar vise en sans for humor. Imidlertid er det viktig å huske at ChatGPT ikke virkelig forstår eller har overbevisninger; den genererer svar basert på mønster den lærte under trening.

ChatGPTs evne til å forstå og svare på menneskelig språk på en nyansert og kontekst-avhengig måte gjør den usedvanlig fleksibel.

Mekanismen bak disse modellene hviler på konseptet “tokens” – diskrete biter av språk som kan variere fra ett enkelt tegn til et helt ord. Disse modellene arbeider med et bestemt antall tokens om gangen (4096 for GPT-3.5-Turbo eller 8192 eller 32768 for GPT-4), og forutsier den neste sekvensen av sannsynlige tokens. Modellene prosesserer tokens ved hjelp av kompleks lineær algebra, og forutsier den mest sannsynlige påfølgende token.

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

GPT (Generative Pre-trained Transformer) modeller arbeider ved å generere ett token om gangen, fra det første token og frem til det siste. Etter å ha generert hvert token, går modellen tilbake til hele sekvensen og prosesserer den igjen for å generere det neste token. Denne iterative prosessen fortsetter til det siste token er generert, og gjør genereringen av tekst lignende en stor for-løkke.

Men her er fangen – kvaliteten på disse svarene avhenger i stor grad av promptene den mottar. Akkurat som å styre en samtale med et menneske, å guide en dialog med ChatGPT krever en viss grad av ferdighet og forståelse. Det er her prompt engineering kommer inn i bildet.

Hva er Prompt Engineering?

Prompt Engineering er kunsten å lage presise, effektive prompt/innputt for å guide AI-modeller (NLP/Vision) som ChatGPT mot å generere de mest kostnadseffektive, nøyaktige, nyttige og trygge utdata.

Prompt engineering er ikke bare begrenset til tekstgenerering, men har en bred anvendelse på hele AI-området. Det brukes stadig mer i områder som robotprosesseringsautomatisering, 3D-aktivum, skript, robotinstruksjoner og andre typer innhold og digitalt media. Det tilbyr en unik blanding av logikk, kode, kunst og i visse tilfeller spesielle modifikatorer.

En prompt kan inneholde naturlig språk, bilder eller andre typer innputtdata, men utdata kan variere betydelig mellom AI-tjenester og verktøy. Hvert verktøy har sine spesielle modifikatorer som beskriver vekten av ord, stiler, perspektiver, layout eller andre egenskaper ved det ønskede svaret.

Dette feltet er essensielt for å skape bedre AI-drevne tjenester og oppnå bedre resultater fra eksisterende generative AI-verktøy. Enterprise-utviklere, for eksempel, bruker ofte prompt engineering for å tilpasse store språkmodeller (LLM) som GPT-3 for å drive en kundeorientert chatbot eller håndtere oppgaver som å lage bransjespesifikke kontrakter.

Denne iterative prosessen med prompt-tilpasning og måling av AI-ytelse er en nøkkelkomponent i å aktivere AI-modeller til å generere høyt målrettede og nyttige svar i ulike sammenhenger.

Å bli en Prompt Engineer

GPT-4-modellens evne til å forstå komplekse instruksjoner og løse intrikate problemer nøyaktig gjør den til en uvurderlig ressurs. Imidlertid er det ulike måter å aksessere denne modellens kapasiteter på, og å forstå disse kan være avgjørende for en prompt-ingeniørs rolle i å optimalisere både effisiens og kostnadseffektivitet.

Det finnes essensielt to måter å engasjere med GPT-modeller som GPT-4. En måte er gjennom OpenAI’s API, der kostnadene beregnes per inn- og ut-token. I dette scenariet kan kostnadene per 1K token variere basert på kontekst-størrelsen. For eksempel, i en større 32K-kontekst, kunne kostnaden gå opp til 0,06 dollar for inn-tokens og 0,12 dollar for ut-tokens. Derfor, når man håndterer en høy volum av forespørsler, kan kostnaden av bruk raskt akkumuleres.

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

En annen nøkkeloppgave i prompt engineering involverer modellparameter-tilpasning. Denne prosessen innebærer å justere variablene som modellen bruker for å gjøre forutsigelser. Ved å finjustere disse parameterne, kan prompt-ingeniører forbedre kvaliteten og nøyaktigheten av modellens svar, gjøre dem mer kontekstuell relevant og nyttig.

Selv om mange prompt-ingeniører kommer fra en teknisk bakgrunn, gjør feltets tverrfaglige natur det tilgjengelig for personer fra ulike profesjonelle bakgrunner. Økende, skribenter, forskere og selv kunstnere utnytter sine unike ferdigheter for å forbedre effikheten av AI-modeller. Denne skiftningen reflekteres i jobbmarkedet også, med en økende antall selskaper som søker etter prompt-ingeniører med en bred rekke av ferdigheter og bakgrunner.

Prompt Design og Engineering i ChatGPT

Prompt Design og Engineering spiller en kritisk rolle i å optimalisere ytelsen av språkmodeller og involverer mer enn bare å lage spørsmål; de krever en dyp forståelse av AI-modellen og en høyt iterativ og raffinert tilnærming.

Prompt Design

Prompt design, i sin kjernel, er kunsten og vitenskapen å lage den perfekte prompten for en gitt stor språkmodell (LLM), som ChatGPT, for å oppnå et tydelig mål. Det er en blanding av:

• Forståelse av LLM: Ulike språkmodeller kan respondere forskjellig på samme prompt. I tillegg kan visse språkmodeller ha unike nøkkelord eller utløsere som de tolker på en bestemt måte.
• Domenekunnskap: Ekspertise i den relevante feltet er avgjørende når man designer prompter. For eksempel, å generere en prompt for å slutte en medisinsk diagnose, ville kreve medisinsk kunnskap.
• Iterativ tilnærming og kvalitetsmåling: Prosessen med å lage den ideelle prompten involverer ofte prøving og feil. Derfor er det viktig å ha en måte å evaluere utgangskvaliteten utover bare subjektiv vurdering, spesielt når man bruker prompten i en større skala.

Prompt Engineering

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

• Design av Prompter i stor skala: Denne prosessen inkluderer design av meta-prompter (prompter som genererer andre prompter) og prompt-maler, som er parameteriserte prompter som kan instantieres på kjøretid.
• Verktøysdesign og integrasjon: Prompter kan noen ganger inkludere resultater fra eksterne verktøy, og å integrere disse verktøyene sammenhengende i systemet er avgjørende.
• Arbeidsflyt, planlegging og prompt-håndtering: Å deploye en LLM-applikasjon, som en chatbot, ofte krever å håndtere biblioteker av prompter, planlegge og velge riktige prompter, og effektivt integrere ulike verktøy.
• Evaluering og kvalitetsikring av Prompter: Denne aspekten inkluderer å definere metrikker og prosesser for å evaluere prompter både automatisk og med menneskelig involvering.
• Prompt-optimalisering: Kostnaden og forsinkelsen av AI-modellen kan avhenge av valget av modell og lengden av prompten (antall tokens).

Mange automatiserte prompt-design-tilnærminger, verktøy og rammer er utviklet for å håndtere prompter i stor skala. Imidlertid er det viktig å forstå at ingen av disse verktøyene kan erstatte den nyanserte forståelsen, vurderingen og erfaringen til en erfaren prompt-ingeniør.

Prompt Engineering: Teknikker og beste praksis

1) Prompt Plassering og Beskrivelse

Å plassere instruksjoner i begynnelsen av prompten kan ha en betydelig innvirkning på AI-modellens forståelse og svar. Vurdér oppgaven med å sammenfatte en tekst i en punktliste-format. En mindre effektiv tilnærming ville være:

Bruker: Sammenfatte teksten under som en punktliste over de viktigste punktene.
{tekst innputt her}

På den andre siden, en mer effektiv teknikk kunne være:

Bruker: Sammenfatte teksten under som en punktliste over de viktigste punktene.
Tekst: “””
{tekst innputt her}
“””

Ved å tydelig skille instruksjoner og kontekst med symboler som ### eller “”, kan AI-modellen bedre avgrense oppgaven og teksten den må prosessere, og dermed gi mer nøyaktige og relevante svar.

For det andre, å være spesifik, beskrivende og detaljert om konteksten, forventet resultat, lengde, format, stil og så videre kan betydelig forbedre nøyaktigheten av AI-svarene. Anta at du trenger å generere en kort oversikt over en vitenskapelig artikkel på en engasjerende, lettforståelig måte for nybegynnere. En vag instruksjon som “Sammenfatte den vitenskapelige artikkelen” ville gi mindre effektive resultater sammenlignet med en spesifik, detaljert prompt:

Bruker: Generer en kort (ca. 200 ord), engasjerende sammenfatting av den følgende vitenskapelige artikkelen. Sammenfattingen skal være forståelig for noen uten vitenskapelig bakgrunn, samtidig som den nøyaktig reflekterer artikkelenes hovedfunn.
Artikkel: “””
{vitenskapelig artikkel tekst her}
“””

2) Persona-mønster

Persona-mønsteret er en strategi som setter AI-modellen til å fungere fra et bestemt perspektiv, som en profesjonell rolle eller fiktiv karakter. Denne taktikken muliggjør at modellen kan gi utdata relatert til de spesifikke rollene personaen ville håndtere. For eksempel kunne en instruksjon være å la AI-modellen fungere som en cybersecurity-ekspert under en kode-gjennomgang. Dette mønster er spesielt nyttig når brukerne trenger hjelp, men er usikre på hvilke detaljer som kreves i utdataene.

Ta følgende som eksempel:

Bruker: “Anta personaen til en senior historiker som spesialiserer seg på den franske revolusjon. Gitt denne personaen, forklar de viktigste hendelsene og årsakene som ledet til sammenbruddet av den franske monarkiet.”

I dette scenariet forventes AI-modellen å svare med en dybdeanalyse av den franske revolusjon, fokusert på sammenbruddet av monarkiet, som en historiker ville.

Introduksjon av ny informasjon

ChatGPT har ikke kunnskap utover sin treningsperiode, og kan derfor ikke gi informasjon om nyere hendelser eller oppdateringer etter treningsperioden. Imidlertid kan du introdusere ny informasjon til modellen via dine prompter.

Bruker: “Hva er kryptokurrency?”
ChatGPT: “Kryptokurrency er en type digital eller virtuell valuta som bruker kryptografi for sikkerhet. Den mest kjente kryptokurrencyen er Bitcoin.”

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

Bruker: “Forklar konseptet kryptokurrency til en high school-elev som studerer digital økonomi”
ChatGPT: “Tenk deg at du spiller et online-videospill og det er spill-penger du kan tjene for å kjøpe oppgraderinger eller nye karakterer. Kryptokurrency er litt som det, men i stedet for å være begrenset til spillet, kan du faktisk bruke det til å kjøpe virkelige varer og tjenester. Det er som digitalt penger som ingen bank eller regjering kontrollerer.”

3) Prompt Størrelsesbegrensninger

Å forstå størrelsesbegrensningene til ChatGPT er essensielt, da det direkte påvirker volumet og typen informasjon vi kan innføre. Språkmodeller er ikke bygget for å prosessere ubegrenset data på en gang. De har en innebygget begrensning på størrelsen av prompten vi kan lage og innføre. Denne begrensningen har dyptgående implikasjoner for design og utførelse av prompter.

ChatGPT har en token-begrensning (vanligvis 2048 tokens), som inkluderer både prompten og det genererte svaret. Dette betyr at lange prompter kan begrense lengden av svaret. Derfor er det viktig å holde prompter konsise, men informativ.

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

Bruker: “Gitt token-begrensningene til modellen, sammenfatte de viktigste hendelsene i andre verdenskrig på mindre enn 1000 ord.”

Ved å anerkjenne modellens token-begrensninger, retter denne prompten AI-modellen til å gi en konsis, men omfattende sammenfatting av andre verdenskrig.

Prompter for gjentakende bruk: I en konversasjons-situasjon kan du gjenbruke prompter eller finjustere dem basert på tidligere svar. Dette gir en konversasjonsflyt og beholder konteksten i interaksjonen.

4) Spørsmålsforbedringsmønster

ChatGPT kan også hjelpe med å forbedre dine spørsmål. For eksempel, hvis du stiller et spørsmål, kan det foreslå et bedre formulert spørsmål for mer nøyaktige resultater.

Spørsmålsforbedringsmønsteret involverer at LLM forbedrer spørsmålene stilt av brukeren. Det er spesielt nyttig når brukerne ikke er eksperter i et område eller er usikre på hvordan de skal formulere spørsmålet.

Et eksempel på en prompt kan se slik ut:

Bruker: “Når jeg stiller et spørsmål om data-vitenskap, foreslå et mer detaljert spørsmål som tar hensyn til statistiske analyse-detaljer og spør om jeg ønsker å fortsette med det forbedrede spørsmålet.”

Her forventes AI-modellen å forbedre brukerens generelle data-vitenskap-spørsmål til mer detaljerte spørsmål som tar hensyn til statistiske analyse-aspekter.

5) Kognitiv Verifiseringsmønster

Kognitiv Verifiseringsmønsteret bryter ned komplekse spørsmål i mindre, håndterbare under-spørsmål. Svarene på disse under-spørsmålene kombineres for å gi en omfattende svar på hovedspørsmålet. Denne tilnærmingen er nyttig når initial-spørsmål er for høyt nivå eller når ekstra klarhet er nødvendig for å gi et fullstendig svar.

For eksempel:

Bruker: “Hvis jeg stiller et spørsmål om klimaendringer, bryt det ned i tre mindre spørsmål som ville hjelpe deg å gi et mer nøyaktig svar. Kombiner svarene på disse under-spørsmålene for å gi det endelige svaret.”

Her vil AI-modellen bryte ned det komplekse spørsmålet om klimaendringer i tre mindre spørsmål. Etter å ha mottatt svarene på disse under-spørsmålene, vil AI-modellen kombinere dem for å gi et mer omfattende og nøyaktig svar.

Dette mønster innebærer å generere flere spørsmål for å oppnå et mer nøyaktig sluttsvar. Det er en prosess av verifisering og konsolidering av informasjon for et robust sluttsvar

6) Few-Shot Prompting-tilnærming

Few-Shot Prompting er en kraftfull tilnærming for å lære AI-modeller å følge bestemte mønster eller utføre oppgaver. Ideen er å mate modellen med et antall eksempler før du stiller det ønskede spørsmålet. Dette hjelper til å sette det ønskede mønsteret og guide modellens svar.

Vurdér en situasjon hvor en bruker prøver å utarbeide en konsis og engasjerende markedsførings-kopi for en ny teknologi-gadget:

Bruker: “Her er noen eksempler på teknologi-markedsførings-kopier: ‘Opplev musikk som aldri før med våre banebrytende trådløse hodetelefoner.’ ‘Fang verden din i strålende 4K med vårt ultra-sleke action-kamera.’ Gitt disse eksemplene, utarbeid en markedsførings-kopi for vårt nye AI-drevne smartur.”

ChatGPT: “Empower din livsstil med vårt AI-drevne smartur, din kompanjong for helse, tilkobling og produktivitet.” Den bemerkelsesverdige egenskapen ved few-shot-læring er at den ikke krever en detaljert beskrivelse av hvordan man utfører oppgaven. I stedet krever den demonstrasjoner av hva som gjøres, noe som kan gjøre den til en god passende for mange anvendelser.

I tillegg kan denne teknikken utvides utover enkel inn- og ut-mating. Modellen kan også læres til å håndtere mellomliggende steg for å oppnå et mål.

7) Chain-of-Thought Prompting

I deres nylige forskningsartikkel, “Chain-of-Thought Prompting Elicits Reasoning in Large Language Models” forsøker Jason Wei og team å stimulere resonnering innen store språkmodeller. I stedet for å bruke tradisjonelle, direkte prompter, bruker teamet en serie sammenkoblede prompter, som danner en “chain-of-thought”.

For eksempel, en bruker kan være interessert i det potensielle innvirkningen av kunstig intelligens på jobb-markeder:

Bruker: “Kunne du kort forklare konseptet kunstig intelligens?”

ChatGPT: “Kunstig intelligens, eller AI, refererer til evnen til å imitere intelligent menneskelig atferd. Det handler om å designe maskiner som kan tenke og lære som mennesker, og muliggjøre dem til å utføre oppgaver som språk-oversettelse, beslutningstaking og problemløsning, blant annet.”

Bruker: “Hvordan påvirker AI nåværende jobb-marked?”

ChatGPT: “AI både skaper nye jobber og endrer naturen til eksisterende jobber. På den ene siden, automatiserer det rutine-oppgaver, noe som kan føre til jobb-fordrivelse i visse sektorer. På den andre siden, skaper det etterspørsel etter roller som tidligere ikke eksisterte, som AI-etikk-offiserer, data-analytikere og maskinlærings-ingeniører. I tillegg kan AI-augmentere menneskelige roller, og la mennesker utføre oppgaver mer effektivt og nøyaktig.”

Chain-of-thought prompting følger en rekke av sammenhengende prompter, og holder en “konversasjon” med modellen som guider den mot mer presise og kontekstuell-relevante svar.

Forståelse av ChatGPT API og Prompt Engineering fra en Utviklers Perspektiv

Fra en utviklers eller forskers perspektiv, er prompt engineering en mer kompleks prosess. Den involverer design av algoritmer og tekniker for å hjelpe AI-modellen til å forstå og svare på prompter mer effektivt. Dette kan inkludere strategier for å håndtere tvetydige prompter, å identifisere konteksten av prompter, eller å kjede prompter sammen for å stimulere mer komplekse tenketanker i AI.

I ovenstående illustrasjon interagerer en bruker med en chat-grensesnitt, drevet av GPT-4. Deres innputt forbedres for klarhet og kontekstuell konsistens av en spesialisert modul før den mates til AI-modellen. Rollen til denne modulen er å forbedre og forbedre brukerens innputt for bedre å forstå, samt å beholde konteksten av samtalen. AI-modellens svar, som er utformet basert på den forbedrede prompten, returneres til brukeren gjennom chat-grensesnittet. Samtale-historien oppdateres konsistent, og holder samtale-konteksten. Overordnet sett illustrerer denne diagrammet en dynamisk bruker-AI-samtale-flyt muliggjort av prompt engineering-teknikker.

ChatGPT API-grensesnittet er utformet med ulike hyperparametere som muliggjør brukerne å forbedre AI-modellens svar på prompter, og gjøre dem mer effektive og fleksible. Disse inkluderer Temperature, Maksimum Lengde og Stop Sekvenser-parametere. La oss utforske hvordan de fungerer og kan brukes i ulike sammenhenger.

1) Temperatur

Temperatur-parameteren påvirker tilfeldigheten av AI-modellens svar. En høyere temperatur, som 1,0, oppmuntrer til mer tilfeldig utgang, noe som resulterer i diverse, men potensielt avvikende svar. På den andre siden, en lavere temperatur, som 0,2, oppmuntrer AI-modellen til å velge mer deterministiske svar, noe som kan være nyttig for fokuserte og spesifikke utgang, men kan mangle variasjon.

Eksempel: Hvis du skriver en kreativ historie og ønsker uforutsigbare, fantasifulle elementer, sett temperatur til en høyere verdi. En prompt kan være: “Skriv en kort historie om en tid-reisende katt.” Med en høy temperatur, kan du få en vill, fantastisk fortelling med uforutsigbare vendinger og svingninger.

2) Maksimum Lengde

Denne parameteren kontrollerer den maksimale token-lengden av modellens utgang, som inkluderer både tokens i meldings-innputt og meldings-utgang. Å sette en høyere grense tillater lengre svar, mens en lavere grense holder utgangen kort og konsis.

Eksempel: For korte svar på trivia-spørsmål som “Hvem vant Nobelprisen i litteratur i 2020?” kan du sette maksimum lengde til en lav verdi, og sikre at svaret er konsist og direkte.

3) Stopp Sekvenser

Stopp-sekvenser er spesifikke strenger av tekst hvor, når modellen møter dem, den stopper å generere ytterligere utgang. Denne funksjonen kan være nyttig for å kontrollere lengden av utgangen eller å instruere modellen til å stoppe ved logiske endepunkter.

Eksempel: For en formell brev, kan du bruke “Yours sincerely” som en stopp-sekvens for å sikre at AI-modellen ikke genererer noen ytterligere tekst utover den riktige avslutningen av brevet.

4) Top P

“Top P”-parameteren, også kjent som nucleus sampling, er en metode som gir en dynamisk valg av antallet ord som vurderes ved hver prediksjonstrinn. En lavere verdi, som 0,5, fører til tryggere, mer fokuserte utgang. En høyere verdi, som 0,9, inkluderer en bredere utvalg av ord, og fører til mer diverse utgang.

Eksempel: Hvis du lager en AI til å skrive dikt og ønsker at den skal bruke en bred rekke av vokabular og stilistiske fraser, kan du sette “Top P” til en høyere verdi. En prompt kan være: “Komponer et dikt om høstens skjønnhet.”

5) Frekvensstraff

Frekvensstraff kontrollerer hvor mye modellen bør favorisere mindre vanlige 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 genererer en forretnings-rapport og ønsker å unngå jargon, kan du sette frekvensstraff til en lavere verdi for å holde språket klart og tilgjengelig.

6) Nærvarostraff

Nærvarostraff-parameteren påvirker hvor mye modellen straffes for å generere nye ideer eller emner som ikke var nevnt i samtale-historien. Høyere verdier oppmuntrer modellen til å holde seg til emnene som allerede er nevnt, mens lavere verdier tillater modellen å introdusere nye konsepter mer fritt.

Eksempel: For en brainstorming-sesjon, kan du sette nærvarostraff til en lavere verdi for å oppmuntre en divers rekke av ideer. Du kan bruke en prompt som: “Generer innovative markedsførings-strategier for en online-utdannelsesplattform.”

Industriell anvendelse av Prompt Engineering