Промпт-инжиниринг
Руководство OpenAI по инженерии подсказок: освоение ChatGPT для продвинутых приложений

Ключевые моментыКонкретные запросы с чётким контекстом дают значительно более точные и полезные ответы…
Показать больше
- Конкретные запросы с чётким контекстом дают значительно более точные и полезные ответы ИИ.
- Разбиение сложных задач на подзадачи существенно повышает надёжность и качество результатов ChatGPT.
- Систематическая проверка ответов ИИ в сравнении с экспертными решениями гарантирует точность модели и фактическую согласованность.
Понимание инженерии подсказок
Инженерия подсказок – это искусство и наука создания входных данных (подсказок) для получения желаемых выходных данных от моделей ИИ, таких как ChatGPT. Это важнейший навык для максимизации эффективности этих моделей.
ChatGPT, построенный на основе архитектур GPT-3 и GPT-4 от OpenAI, значительно продвинулся, став более отзывчивым и контекстно-зависимым. Понимание его эволюции является ключом к освоению инженерии подсказок.
Как опытный дирижер, ведущий оркестр, инженерия подсказок позволяет нам направлять эти модели для выполнения сложных задач, от создания подробных технических документов до генерации творческого и увлекательного контента. Это руководство проведет вас через стратегии и тактики, которые преобразуют ваше взаимодействие с ИИ, возвышая его от базовых обменов до нюансов и осмысленных разговоров.
Рассмотрите разницу между вопросами “Как добавить числа в Excel?” и “Как автоматически суммировать столбец значений в долларах в Excel, с итогами, отображаемыми справа в столбце ‘Итого’?” Последний, более подробный запрос, оставляет меньше места для интерпретации ИИ, что приводит к более точному и полезному ответу. Аналогично, понимание использования персон, разделителей и пошаговых инструкций может существенно повлиять на качество выходных данных ИИ, особенно для сложных задач.
Это руководство по инженерии подсказок не только охватит теоретические аспекты, но и предоставит практические, пошаговые примеры. Вы узнаете, как эффективно использовать тактики, такие как предоставление справочных текстов для руководства ИИ, или как разбивание сложных задач на более простые подзадачи, может привести к более точным результатам.
1. Ясность и детализация
Создание эффективных подсказок для моделей ИИ, таких как GPT-4, требует сочетания точности, контекста и ясности. Разница между плохо созданной подсказкой и хорошо продуманной может быть разницей между расплывчатым, общим ответом и высоко релевантным, конкретным ответом.
Пример 1: Использование языкового понимания ChatGPT для технических запросов
- Неэффективный запрос: «Как исправить ошибку в моем коде?»
- Ответ ИИ: «Сначала определите ошибку, разберитесь, почему она возникает, а затем измените код, чтобы ее исправить».
- Эффективный технический запрос: «Я пишу на Python и получаю ‘KeyError’ при обращении к словарю. Фрагмент кода: [фрагмент кода]. Что вызывает ошибку и как ее исправить?»
- Ответ ИИ: «Вероятно, вы обращаетесь к ключу, которого нет в словаре. Вот как изменить код для обработки этой ошибки: [исправленный фрагмент с объяснением]».
Пример 2: Творческое написание с имитацией стиля
- Неэффективный запрос: «Напишите короткий рассказ».
- Ответ ИИ: «Давным-давно в далекой стране было королевство, которому угрожала большая опасность…»
- Эффективный запрос с имитацией стиля: «Напишите короткий рассказ в стиле Эрнеста Хемингуэя о разговоре двух старых друзей, неожиданно встретившихся друг с другом».
- Ответ ИИ: «Солнце палило пыльную дорогу, где случайно встретились старые друзья Джек и Том. “Давно не виделись”, — сказал Джек голосом, сухим, как воздух. “С самой войны”, — ответил Том. [Рассказ продолжается в лаконичном стиле Хемингуэя с упором на диалог]».
Пример 3: Советы по путешествиям
- Неэффективный запрос: «Что делать в Париже?»
- Ответ ИИ: «Можно посетить Эйфелеву башню, Лувр и собор Парижской Богоматери».
- Эффективный запрос: «Этим летом я еду в Париж на три дня и хочу сосредоточиться на искусстве и истории. Предложите подробный маршрут».
- Ответ ИИ: «День 1: утром посетите Лувр, затем прогуляйтесь до собора Парижской Богоматери. [Далее следует подробный маршрут]».
Советы по созданию лучших подсказок
- Конкретность: Будьте как можно более конкретными. Чем более подробная ваша подсказка, тем более адаптирован будет ответ.
- Контекстная информация: Включайте всю релевантную контекстную информацию. Это помогает ИИ понять точную природу вашего запроса.
- Ясная цель: Ясно укажите, чего вы ожидаете в качестве выходных данных. Будь то рецепт, план путешествия или техническое решение, сделайте свою цель ясной.
- Избегайте двусмысленности: Двусмысленные подсказки приводят к общим ответам. Уточните свой запрос, чтобы получить точные ответы.
- Используйте известные форматы: Если применимо, запрашивайте информацию в определенном формате, таком как список, пошаговое руководство или диаграмма.
2. Улучшение ответов ИИ с помощью справочных текстов
Стратегическое использование справочных текстов в инженерии подсказок может существенно повысить качество и точность ответов от моделей ИИ, таких как GPT-4. Предоставляя релевантную, достоверную информацию вместе с вашим запросом, вы можете направить ИИ на составление ответов на основе предоставленного материала, что делает ответы более надежными и контекстно точными.
Пример 1: Научное объяснение
- Обычный запрос: «Как образуется черная дыра?»
- Ответ ИИ: «Она образуется из остатков большой звезды, погибшей при взрыве сверхновой. Если масса ядра достаточна, оно коллапсирует под действием собственной гравитации в черную дыру».
- Улучшенный запрос со справочным текстом
- Предоставленный текст: «[Научная статья об эволюции звезд и черных дырах]».
- Запрос: «Используя информацию из предоставленной научной статьи, объясните процесс образования черной дыры».
- Ответ ИИ: «Согласно статье, черная дыра образуется, когда массивная звезда исчерпывает ядерное топливо и ее ядро коллапсирует. В статье уточняется: [соответствующие выдержки]».
Пример 2: Юридическая интерпретация
- Обычный запрос: «Каковы юридические последствия кражи интеллектуальной собственности?»
- Ответ ИИ: «Она может привести к судебным искам, штрафам, а в серьезных случаях — к лишению свободы».
- Улучшенный запрос со справочным текстом
- Предоставленный текст: «[Статья юридического журнала о праве интеллектуальной собственности]».
- Запрос: «Ссылаясь на предоставленную статью, объясните конкретные юридические последствия кражи интеллектуальной собственности».
- Ответ ИИ: «В статье говорится о гражданских исках, установленном законом возмещении ущерба и возможных уголовных обвинениях. В частности, отмечается: [прямые цитаты из статьи]».
Советы по использованию справочных текстов в подсказках
- Выберите релевантные тексты: Выберите справочные тексты, которые непосредственно относятся к вашему запросу.
- Укажите подсказку: Ясно инструктируйте ИИ использовать предоставленный справочный текст для составления ответа.
- Цитаты: Запрашивайте, чтобы ИИ цитировал конкретные части справочного текста в ответе для точности и верификации.
- Обработка недостаточной информации: Инструктируйте ИИ четко заявить, если предоставленный текст не содержит необходимой информации для ответа на вопрос.
3. Упрощение сложных задач с помощью деления на подзадачи
Ключ к эффективному решению сложных задач с помощью моделей ИИ, таких как GPT-4, заключается в разбиении их на более простые подзадачи. Этот подход не только упрощает процесс, но и повышает точность и релевантность ответов ИИ.
Пример 1: Запрос на обслуживание клиентов
- Неэффективный подход: один запрос с просьбой об общей помощи.
- Запрос пользователя: «У меня проблемы с учетной записью».
- Ответ ИИ: «Уточните, пожалуйста, в чем именно проблема».
- Эффективный подход: классифицировать запрос и оказать адресную помощь.
- Запрос пользователя: «У меня проблемы с доступом к учетной записи».
- Указание для ИИ: «Отнесите запрос к категории “Управление учетной записью”, затем предложите конкретные действия для устранения проблем с доступом».
- Ответ ИИ: «Похоже, у вас проблемы со входом. Начнем со сброса пароля. [Далее — подробные шаги]».
Пример 2: Суммаризация длинного документа
- Неэффективный подход: попытаться кратко изложить длинный документ целиком.
- Запрос пользователя: «Кратко изложите эту книгу на 300 страниц».
- Ответ ИИ: «Извините, я не могу обработать документ длиннее моего контекстного окна».
- Эффективный подход: обрабатывать документ по частям и рекурсивно строить общее изложение.
- Указание для ИИ: «Кратко изложите каждую главу отдельно, затем составьте изложение этих изложений, продолжая процесс рекурсивно».
- Запрос пользователя: «Кратко изложите главу 1 этой книги».
- Ответ ИИ: «Изложение главы 1: [краткое содержание главы]».
- Продолжение: повторить для каждой главы, затем объединить отдельные изложения в итоговое.
Преимущества деления на подзадачи и контекстной инженерии подсказок
- Повышенная точность: Разбивая задачи на более простые подзадачи, ИИ может предоставить более точные и релевантные ответы.
- Повышенная эффективность: Разбиение задач делает их более управляемыми и снижает вероятность ошибок или нерелевантных выходных данных.
- Лучший пользовательский опыт: Пользователи получают целенаправленное, пошаговое руководство, которое более полезно, чем общие ответы.
- Экономическая эффективность: Меньшие, целенаправленные подсказки могут быть более экономически эффективными по сравнению с более крупными, сложными подсказками.
4. Дайте GPT время подумать
Стратегия предоставления моделям времени для “думания” и разбиения сложных задач на управляемые шаги существенно улучшает качество ответов от моделей ИИ, таких как GPT-4.
Пример 1: Оценка математической задачи
- Неэффективный подход: сразу оценить решение ученика.
- Запрос пользователя: «Правильно ли ученик решил эту математическую задачу?»
- Ответ ИИ: «Решение выглядит правильным/неправильным».
- Эффективный подход: сначала самостоятельно решить задачу, затем сравнить решения.
- Запрос пользователя: «Сначала решите задачу. Затем сравните свое решение с решением ученика и оцените его правильность».
- Ответ ИИ: «Мое решение: [подробное решение]. При сравнении обнаружена ошибка в вычислении [конкретного элемента]. Правильный подход: [правильный метод]».
Пример 2: Анализ документа
- Неэффективный подход: анализировать большой документ одним запросом.
- Запрос пользователя: «Кратко изложите основные положения всего документа».
- Ответ ИИ: «Из-за длины я не могу обработать документ целиком».
- Эффективный подход: последовательно извлекать отрывки и задавать уточняющие вопросы.
- Запрос пользователя: «Извлеките из документа ключевые отрывки о [конкретной теме]».
- Ответ ИИ: «Отрывок 1: [соответствующий текст]. Отрывок 2: [другой соответствующий текст]».
- Уточняющий запрос: «Есть ли еще подходящие отрывки? Убедитесь, что они содержат полный контекст».
- Ответ ИИ: «Дополнительный отрывок: [еще один соответствующий текст]».
Преимущества и идеи
- Глубина анализа: Разбивая задачи на более простые подзадачи, ИИ может предоставить более точные и глубокие оценки.
- Руководство для обучения: В сценариях обучения использование внутреннего монолога и подсказок поощряет студентов прийти к решениям самостоятельно, улучшая их опыт обучения.
- Полное покрытие: Для анализа документов последовательные и рекурсивные подходы обеспечивают тщательное покрытие без пропуска важных деталей.
- Избегание предвзятости: Генерируя свое решение сначала, ИИ избегает предвзятости, которая может возникнуть при прямой оценке данного ответа.
5. Использование внешних инструментов
Включение внешних инструментов и ресурсов в взаимодействия с ИИ может существенно улучшить точность и релевантность ответов, генерируемых моделями, такими как GPT-4. Этот раздел демонстрирует использование поиска на основе векторных представлений для извлечения знаний, выполнения кода для точных расчетов и вызовов функций для расширения возможностей моделей ИИ.
Пример 1: Точные расчеты с помощью выполнения кода
- Без выполнения кода: полагаться только на вычислительные способности модели.
- Запрос пользователя: «Вычислите квадратный корень из 529».
- Ответ ИИ: «Квадратный корень из 529 примерно равен 23».
- С выполнением кода: обеспечить точность расчетов.
- Запрос пользователя: «Вычислите квадратный корень из 529».
- Указание для ИИ: «Напишите и выполните код Python для расчета».
- Ответ ИИ: «
python import math math.sqrt(529)Квадратный корень из 529 в точности равен 23».
Пример 2: Использование API-вызовов для динамических взаимодействий
- Без API-вызовов: только статические, заранее запрограммированные ответы.
- Запрос пользователя: «Отправьте другу напоминание о нашей завтрашней встрече».
- Ответ ИИ: «Напоминание: не забудьте написать другу о завтрашней встрече».
- С API-вызовами: взаимодействовать с внешними системами в реальном времени.
- Запрос пользователя: «Отправьте моему другу John напоминание о завтрашней встрече».
- Указание для ИИ: «Используйте API сообщений, чтобы отправить напоминание».
- Ответ ИИ: «
python import message message.write(to='John', message='Hey, remember our meeting tomorrow!')Напоминание о завтрашней встрече отправлено John».
Преимущества и идеи
- Расширенная база знаний: Используя поиск на основе векторных представлений, ИИ может получить доступ и включить огромный массив актуальной информации, повышая релевантность и точность его ответов.
- Точность в расчетах: Выполнение кода позволяет ИИ выполнять точные математические расчеты, что особенно полезно в технических или научных контекстах.
- Интерактивные возможности: API-вызовы позволяют ИИ взаимодействовать с внешними системами, облегчая реальные действия, такие как отправка сообщений или установка напоминаний.
6. Систематическое тестирование
Систематическое тестирование, или процедуры оценки (evals), имеет решающее значение для определения эффективности изменений в системах ИИ. Этот подход включает сравнение выходных данных модели с набором предопределенных стандартов или “золотых” ответов для оценки точности.
Пример 1: Выявление противоречий в ответах
- Сценарий тестирования: выявить противоречия между ответами модели и эксперта.
- Системное указание: определите, противоречит ли ответ модели какой-либо части ответа эксперта.
- Ввод пользователя: «Нил Армстронг стал вторым человеком, ступившим на Луну, после Базза Олдрина».
- Процесс оценки: проверить согласованность с ответом эксперта, что Армстронг был первым человеком на Луне.
- Ответ модели: ответ модели прямо противоречит ответу эксперта, что указывает на ошибку.
Пример 2: Сравнение уровней детализации в ответах
- Сценарий тестирования: оценить, соответствует ли детализация ответа модели ответу эксперта, превышает его или уступает ему.
- Системное указание: сравните глубину информации в ответах модели и эксперта.
- Ввод пользователя: «Нил Армстронг впервые ступил на Луну 21 июля 1969 года в 02:56 UTC».
- Процесс оценки: определить, содержит ли ответ модели больше, столько же или меньше подробностей по сравнению с ответом эксперта.
- Ответ модели: ответ модели содержит дополнительную подробность — точное время — и согласуется с ответом эксперта, расширяя его.
Преимущества и идеи
- Точность и надежность: Систематическое тестирование гарантирует, что ответы модели ИИ точны и надежны, особенно при работе с фактической информацией.
- Обнаружение ошибок: Оно помогает выявить ошибки, противоречия или несоответствия в ответах модели.
- Контроль качества: Этот подход необходим для поддержания высоких стандартов качества контента, сгенерированного ИИ, особенно в образовательных, исторических или других контекстах, чувствительных к фактам.
Заключение и основное сообщение
Через обсуждаемые примеры и стратегии мы увидели, как конкретность в подсказках может существенно изменить выходные данные, и как разбиение сложных задач на более простые подзадачи может сделать сложные задачи управляемыми. Мы исследовали силу внешних инструментов в расширении возможностей ИИ и важность систематического тестирования в обеспечении надежности и точности ответов ИИ. Посетите Руководство OpenAI по инженерии подсказок для получения основополагающих знаний, которые дополняют наше всестороннее исследование продвинутых техник и стратегий для оптимизации взаимодействий с ИИ.












