Ghidul de inginerie prompt al OpenAI: Stăpânirea ChatGPT pentru aplicații avansate

Înțelegerea ingineriei prompte

Inginerie promptă este arta și știința de a crea intrări (indemnizații) pentru a obține rezultate dorite de la modele AI precum ChatGPT. Este o abilitate crucială pentru maximizarea eficienței acestor modele.

ChatGPT, construit pe arhitecturile GPT-3 și GPT-4 OpenAI, a avansat semnificativ, devenind mai receptiv și mai conștient de context. Înțelegerea evoluției sale este cheia pentru stăpânirea ingineriei prompte.

Asemenea unui dirijor priceput care conduce o orchestră, ingineria promptă ne permite să direcționăm aceste modele pentru a îndeplini sarcini complexe, de la elaborarea documentelor tehnice detaliate până la generarea de conținut creativ și captivant. Acest ghid vă va ghida prin strategii și tactici care vă transformă interacțiunea cu AI, ridicând-o de la schimburi de bază la conversații nuanțate și semnificative.

Luați în considerare diferența în a întreba „Cum adaug numere în Excel?” față de „Cum însumez automat o coloană de sume în dolari în Excel, cu totalurile afișate în partea dreaptă într-o coloană „Total”?” Acesta din urmă, mai detaliat prompt, lasă mai puțin pe seama interpretării AI, ceea ce duce la un răspuns mai precis și mai util. În mod similar, înțelegerea utilizării personajelor, a delimitatorilor și a instrucțiunilor pas cu pas poate avea un impact profund asupra calității ieșirii AI, în special pentru sarcini complexe.

Acest ghid de inginerie promptă nu va acoperi doar aspectele teoretice, ci va oferi și exemple practice, practice. Veți învăța cum să utilizați eficient tactici, cum ar fi furnizarea de texte de referință pentru a ghida AI-ul departe de inventii, sau cum împărțirea sarcinilor complexe în subsarcini mai simple poate produce rezultate mai precise.

1. Claritate și detalii

Crearea de indicații eficiente pentru modele AI precum GPT-4 necesită o combinație de precizie, context și claritate. Diferența dintre un prompt prost conceput și unul bine gândit poate fi diferența dintre un răspuns vag, generic și un răspuns foarte relevant, specific.

Exemplul 1: Utilizarea înțelegerii limbajului ChatGPT pentru interogări tehnice

• Solicitare ineficientă: „Cum repar o eroare în codul meu?”
  • Ieșire AI: „Pentru a remedia o eroare în codul dvs., trebuie mai întâi să identificați eroarea, să înțelegeți de ce se întâmplă și apoi să modificați codul pentru a o corecta.”
• Întrebare tehnică eficientă: „Cod în Python și primesc un „KeyError” când încerc să accesez un dicționar. Fragmentul de cod este: . Ce cauzează această eroare și cum o pot remedia?"
  • Ieșire AI: „„KeyError” din codul dvs. Python se datorează probabil încercării de a accesa o cheie din dicționar care nu există. Iată cum vă puteți modifica codul pentru a gestiona această eroare: [Fragment de cod modificat cu explicație].”

Exemplul 2: Scriere creativă cu imitație de stil

• Solicitare ineficientă: „Scrie o nuvelă”.
  • Ieșire AI: „A fost odată ca niciodată, într-un ținut îndepărtat, un regat care se confrunta cu un mare pericol...”
• Solicitare eficientă pentru imitarea stilului: „Scrie o nuvelă în stilul lui Ernest Hemingway, concentrându-se pe o conversație între doi vechi prieteni care se întâlnesc pe neașteptate”.
  • Ieșire AI: „Soarele a apus pe drumul prăfuit pe care Jack și Tom, doi vechi prieteni, s-au întâlnit întâmplător. „Au trecut ani de zile”, a spus Jack, cu vocea uscată ca aerul. „Ani de la război”, a răspuns Tom. [Povestea continuă în stilul concis, bazat pe dialoguri al lui Hemingway].”

Exemplul 3: Sfaturi de călătorie

• Solicitare ineficientă: "Ce ar trebui să fac la Paris?"
  • Ieșire AI: „În Paris, puteți vizita repere precum Turnul Eiffel, Muzeul Luvru și Catedrala Notre-Dame.”
• Solicitare eficientă: "Vară aceasta vizitez Parisul timp de trei zile, cu accent pe artă și istorie. Îmi puteți sugera un itinerar detaliat?"
  • Ieșire AI: "Ziua 1: Vizitați Muzeul Luvru dimineața, urmată de o plimbare la Catedrala Notre-Dame. [Urmează un itinerar mai detaliat]."

Perspective pentru crearea unor sugestii mai bune

1. specificitate: Fii cât mai specific posibil. Cu cât solicitarea dvs. este mai detaliată, cu atât răspunsul va fi mai adaptat.
2. Informații contextuale: Includeți tot contextul relevant. Acest lucru ajută AI să înțeleagă natura exactă a solicitării dvs.
3. Obiectiv clar: Spuneți clar la ce vă așteptați ca rezultat. Indiferent dacă este o rețetă, un plan de călătorie sau o soluție tehnică, clarifică-ți obiectivul.
4. Evitați ambiguitatea: prompturile ambigue duc la răspunsuri generice. Clarifică-ți cererea pentru a obține răspunsuri precise.
5. Utilizați formate cunoscute: Dacă este cazul, solicitați informații într-un format specific, cum ar fi o listă, un ghid pas cu pas sau o diagramă.

2. Îmbunătățirea răspunsurilor AI cu referință

Utilizarea strategică a textelor de referință în inginerie promptă poate crește semnificativ calitatea și acuratețea răspunsurilor de la modele AI precum GPT-4. Oferind informații relevante și de încredere alături de întrebarea dvs., puteți ghida AI să compună răspunsuri pe baza materialului dat, făcând răspunsurile mai fiabile și mai precise din punct de vedere contextual.

Exemplul 1: Explicația științifică

• Prompt convențional: "Cum se formează o gaură neagră?"
  • Ieșire AI: „O gaură neagră se formează din rămășițele unei stele mari care moare într-o explozie de supernovă. Dacă masa nucleului este suficientă, se prăbușește sub propria sa gravitație într-o gaură neagră.”
• Solicitare îmbunătățită cu text de referință:
  • Text de referință furnizat: „[Lucrări științifice despre evoluția stelară și găurile negre]”
  • Prompt: „Folosind informațiile din lucrarea științifică furnizată, explicați procesul de formare a găurii negre.”
  • Ieșire AI: „Pe baza lucrării științifice furnizate, o gaură neagră se formează atunci când o stea masivă își epuizează combustibilul nuclear și miezul său se prăbușește. Lucrarea detaliază: [„Fragmente relevante din lucrare”].”

Exemplul 2: Interpretarea juridică

• Prompt convențional: „Care sunt implicațiile juridice ale furtului de proprietate intelectuală?”
  • Ieșire AI: „Furtul de proprietate intelectuală poate duce la consecințe juridice precum procese, amenzi și, în cazuri grave, închisoare”.
• Solicitare îmbunătățită cu text de referință:
  • Text de referință furnizat: „[Articol de jurnal juridic despre dreptul proprietății intelectuale]”
  • Prompt: „Făcând referire la articolul din jurnalul juridic furnizat, explicați implicațiile juridice specifice ale furtului de proprietate intelectuală.”
  • Ieșire AI: „Articolul din jurnalul juridic afirmă că furtul de proprietate intelectuală poate duce la litigii civile, daune legale și potențiale acuzații penale. Mai exact, articolul menționează: [„Citate directe din articol”]”.

Perspective pentru utilizarea textelor de referință în prompturi

1. Selectați Texte relevante: alegeți texte de referință care sunt direct relevante pentru interogarea dvs.
2. Specificație promptă: Instruiți clar AI să folosească textul de referință furnizat pentru a-și compune răspunsul.
3. Citatele: Solicitați ca AI să citeze anumite părți ale textului de referință în răspunsul său pentru acuratețe și verificare.
4. Gestionarea informațiilor insuficiente: Instruiți AI să precizeze clar dacă textul furnizat nu conține informațiile necesare pentru a răspunde la întrebare.

3. Simplificarea sarcinilor complexe cu subdiviziunea sarcinilor

Cheia pentru gestionarea eficientă a sarcinilor complexe cu modele AI precum GPT-4 constă în împărțirea lor în subsarcini mai simple. Această abordare nu numai că simplifică procesul, ci și îmbunătățește acuratețea și relevanța răspunsurilor AI. Mai jos, demonstrăm această strategie prin exemple specifice, evidențiind avantajele utilizării clasificării intențiilor, tehnicilor de rezumat și conversațiilor structurate pentru interogări complexe.

Exemplul 1: Interogare Serviciul Clienți

• Abordare ineficientă: Un singur prompt care cere asistență generală.
  • Prompt utilizator: „Am probleme cu contul meu.”
  • Ieșire AI: "Ați putea specifica natura problemelor contului dvs.?"
• Abordare eficientă: Clasificarea interogării pe categorii și furnizarea de asistență direcționată.
  • Prompt utilizator: „Am probleme la accesarea contului meu.”
  • Directiva AI: „Clasificați interogarea în „Gestionarea contului”, apoi oferiți pași specifici pentru depanarea problemelor de acces.”
  • Ieșire AI: „Se pare că întâmpinați probleme la accesarea contului. Să începem prin a vă reseta parola. [Urmat de pași detaliați].”

Exemplul 2: Rezumat document lung

• Abordare ineficientă: Încercarea de a rezuma un document lung dintr-o singură mișcare.
  • Prompt utilizator: „Rezumați această carte de 300 de pagini pentru mine.”
  • Ieșire AI: „Îmi pare rău, dar nu pot procesa documente mai mult decât fereastra mea de context.”
• Abordare eficientă: Rezumarea documentului pe bucăți și construirea unui rezumat complet recursiv.
  • Directiva AI: „Rezumați fiecare capitol separat, apoi creați un rezumat al rezumatelor, procedând recursiv.”
  • Prompt utilizator: „Rezumă capitolul 1 din această carte”.
  • Ieșire AI: "Rezumatul capitolului 1: [Scurt rezumat al capitolului 1]."
  • Proces continuat: Se aplică același proces pentru fiecare capitol, urmat de un rezumat final care combină toate rezumatele individuale.

Beneficiile Diviziei de subsarcini și Ingineriei prompte contextuale

1. Precizie crescută: concentrându-se pe aspecte specifice ale unei sarcini complexe, AI poate oferi răspunsuri mai precise și mai relevante.
2. Eficiență sporită: Defalcarea sarcinilor le face mai ușor de gestionat și reduce probabilitatea erorilor sau a rezultatelor irelevante.
3. O experiență mai bună a utilizatorilor: utilizatorii primesc îndrumări direcționate, pas cu pas, care sunt mai utile decât răspunsurile generice.
4. Eficiența costurilor: solicitările mai mici, direcționate pot fi mai rentabile în comparație cu solicitările mai mari și mai complexe.

4. Acordarea GPT-ului timp de gândire

Strategia de a oferi modelelor timp să „gândească” și de a împărți sarcinile complexe în pași gestionați îmbunătățește semnificativ calitatea răspunsurilor de la modelele AI precum GPT-4.

Exemplul 1: Evaluarea problemelor matematice

• Abordare ineficientă: Cererea directă modelului să evalueze soluția unui student.
  • Prompt utilizator: „Este corectă soluția elevului la această problemă de matematică?”
  • Ieșire AI: „Soluția elevului pare a fi corectă/incorectă”.
• Abordare eficientă: Instruirea modelului să-și elaboreze mai întâi propria soluție înainte de a evalua munca elevului.
  • Prompt utilizator: "Mai întâi, rezolvă această problemă de matematică. Apoi, compară soluția ta cu soluția elevului și evaluează-i corectitudinea."
  • Ieșire AI: "Soluția mea: [Soluția detaliată]. Comparând cu soluția studentului, am găsit o eroare în calculul [partea specifică]. Abordarea corectă ar trebui să fie [metoda corectă]."

Exemplul 2: Analiza documentelor

• Abordare ineficientă: Încercarea de a analiza un document mare într-o singură interogare.
  • Prompt utilizator: „Rezumați punctele cheie din întreg acest document.”
  • Ieșire AI: „Nu pot procesa întregul document din cauza lungimii sale.”
• Abordare eficientă: Extragerea secvenţială a extraselor şi a interogărilor ulterioare pentru o analiză cuprinzătoare.
  • Prompt utilizator: „Extrageți extrase cheie din acest document legate de [subiect specific].”
  • Ieșire AI: "Fragment 1: [Pasaj relevant]. Fragment 2: [Un alt pasaj relevant]."
  • Urmăriți promptul utilizatorului: „Există fragmente mai relevante? Asigurați-vă că conțin context complet.”
  • Ieșire AI: „Fragment suplimentar: [Pasaj suplimentar relevant]”.

Beneficii și perspective

1. Profunzimea analizei: Elaborând mai întâi soluții sau analize, AI poate oferi evaluări mai precise și mai aprofundate.
2. Învățare dirijată: În scenariile de îndrumare, utilizarea monologului interior și a sugestiilor încurajează studenții să ajungă la soluții în mod independent, îmbunătățindu-și experiența de învățare.
3. Acoperire cuprinzătoare: Pentru analiza documentelor, abordările secvenţiale şi recursive asigură o acoperire completă fără a pierde detalii importante.
4. Evitarea prejudecății: Prin generarea propriei soluții mai întâi, AI evită părtinirea care ar putea apărea din evaluarea directă a unui răspuns dat.

5. Utilizarea instrumentelor externe

Încorporarea instrumentelor și resurselor externe în interacțiunile AI poate îmbunătăți considerabil acuratețea și relevanța răspunsurilor generate de modele precum GPT-4. Această secțiune demonstrează utilizarea căutării bazate pe înglobare pentru regăsirea cunoștințelor, execuția codului pentru calcule precise și apelurile de funcții pentru a spori capacitățile modelelor AI.

Exemplul 1: calcule precise cu executarea codului

• Fără executarea codului: Bazându-se exclusiv pe abilitățile de calcul ale modelului.
  • Prompt utilizator: "Calculează rădăcina pătrată a lui 529."
  • Ieșire AI: "Rădăcina pătrată a lui 529 este aproximativ 23."
• Cu execuție de cod: Asigurarea preciziei în calcule.
  • Prompt utilizator: "Calculează rădăcina pătrată a lui 529."
  • Directiva AI: „Scrieți și executați codul Python pentru a calcula acest lucru.”
  • Ieșire AI"python import math math.sqrt(529) Rădăcina pătrată a lui 529 este exact 23.”

Exemplul 2: Utilizarea apelurilor API pentru interacțiuni dinamice

• Fără apeluri API: Limitat la răspunsuri statice, preprogramate.
  • Prompt utilizator: "Trimite un memento prietenului meu despre întâlnirea noastră de mâine."
  • Ieșire AI: „Memento: Nu uitați să trimiteți un mesaj prietenului dumneavoastră despre întâlnirea de mâine.”
• Cu apeluri API: Interacțiunea cu sisteme externe pentru acțiuni în timp real.
  • Prompt utilizator: "Trimite un memento prietenului meu John despre întâlnirea noastră de mâine."
  • Directiva AI: „Utilizați API-ul de mesagerie pentru a trimite un memento.”
  • Ieșire AI"python import message message.write(to='John', message='Hey, remember our meeting tomorrow!')  Memento trimis lui John despre întâlnirea de mâine.”

Beneficii și perspective

1. Baza de cunoștințe extinsă: Prin utilizarea căutării bazate pe încorporare, AI poate accesa și încorpora o gamă largă de informații actualizate, sporind relevanța și acuratețea răspunsurilor sale.
2. Precizie în calcule: Execuția codului permite AI să efectueze calcule matematice precise, ceea ce este util în special în contexte tehnice sau științifice.
3. Capabilitati interactive: Apelurile API permit AI să interacționeze cu sisteme externe, facilitând acțiunile din lumea reală, cum ar fi trimiterea de mesaje sau setarea mementourilor.

6. Testarea sistematică

Testarea sistematică sau procedurile de evaluare (evaluări) este crucială în determinarea eficacității schimbărilor în sistemele AI. Această abordare implică compararea rezultatelor modelului cu un set de standarde predeterminate sau răspunsuri „standard de aur” pentru a evalua acuratețea.

Exemplul 1: Identificarea contradicțiilor în răspunsuri

• Scenariul de testare: Detectarea contradicțiilor în răspunsul unui model în comparație cu răspunsurile experților.
  • Directiva de sistem: Determinați dacă răspunsul modelului contrazice vreo parte a răspunsului oferit de expert.
  • Introducere utilizator: „Neil Armstrong a devenit a doua persoană care a pășit pe Lună, după Buzz Aldrin”.
  • Procesul de evaluare: Sistemul verifică coerența cu răspunsul expertului care afirmă că Neil Armstrong a fost prima persoană de pe Lună.
  • Ieșire model: Răspunsul modelului contrazice direct răspunsul expertului, indicând o eroare.

Exemplul 2: Compararea nivelurilor de detaliu din Răspunsuri

• Scenariul de testare: Evaluarea dacă răspunsul modelului se aliniază, depășește sau nu corespunde răspunsului expertului în ceea ce privește detaliile.
  • Directiva de sistem: Comparați profunzimea informațiilor dintre răspunsul modelului și răspunsul expertului.
  • Introducere utilizator: „Neil Armstrong a pășit pentru prima dată pe Lună pe 21 iulie 1969, la 02:56 UTC.”
  • Procesul de evaluare: Sistemul evaluează dacă răspunsul modelului oferă mai multe, egale sau mai puține detalii în comparație cu răspunsul expertului.
  • Ieșire model: Răspunsul modelului oferă detalii suplimentare (ora exactă), care se aliniază și extinde răspunsul expertului.

Beneficii și perspective

1. Acuratețe și fiabilitate: Testarea sistematică asigură că răspunsurile modelului AI sunt precise și de încredere, mai ales atunci când se ocupă de informații concrete.
2. Eroare detectata: ajută la identificarea erorilor, contradicțiilor sau inconsecvențelor în răspunsurile modelului.
3. Asigurarea Calității: Această abordare este esențială pentru menținerea unor standarde înalte de calitate în conținutul generat de IA, în special în contexte educaționale, istorice sau alte contexte sensibile la fapte.

Concluzie și mesaj la pachet

Prin exemplele și strategiile discutate, am văzut cum specificitatea solicitărilor poate schimba dramatic rezultatul și cum împărțirea sarcinilor complexe în subsarcini mai simple poate face provocările descurajante gestionabile. Am explorat puterea instrumentelor externe în creșterea capacităților AI și importanța testării sistematice pentru a asigura fiabilitatea și acuratețea răspunsurilor AI. Vizita Ghidul de inginerie prompt al OpenAI pentru cunoștințe fundamentale care completează explorarea noastră cuprinzătoare a tehnicilor și strategiilor avansate pentru optimizarea interacțiunilor AI.