นี่คือสิ่งที่ฉันได้เรียนรู้จาก "Open AI’s Course" ใน Prompt Engineering สำหรับการวิเคราะห์เชิงลึกและคำแนะนำโค้ดเพิ่มเติม ฉันขอแนะนำให้ทำทั้งหลักสูตร
แนวทางหลักจากหลักสูตรคือ:
1. มีความชัดเจนและเฉพาะเจาะจง
- ชัดเจนและเฉพาะเจาะจง เมื่อแจ้งให้ทราบ
- ซึ่งจะช่วยลดโอกาสในการได้รับคำตอบที่ไม่เกี่ยวข้อง
- อย่าทำผิดพลาดให้ชัดเจนพร้อมท์สั้น ๆ บางครั้งข้อความแจ้งที่ยาวกว่านี้อาจให้ความชัดเจนมากขึ้น
1.1 ยุทธวิธี
- ใช้ ตัวคั่น
- เช่น พร้อมท์ :“สรุปข้อความที่คั่นด้วยเครื่องหมายย้อนกลับสามตัวให้เป็นประโยคเดียว ```คุณควรแสดงสิ่งที่คุณต้องการให้โมเดลทำโดยให้คำแนะนำที่ชัดเจนและเฉพาะเจาะจงมากที่สุดเท่าที่จะเป็นไปได้ วิธีนี้จะนำทางโมเดลไปสู่ผลลัพธ์ที่ต้องการ และลดโอกาสที่จะได้รับคำตอบที่ไม่เกี่ยวข้องหรือไม่ถูกต้อง ```”
- ไม่สำคัญว่าตัวคั่นจะเป็นอย่างไร ตราบใดที่มีการแยกที่ชัดเจน - ขอเอาต์พุตที่มีโครงสร้าง
- เช่น Prompt : ในตอนท้ายของพร้อมท์ให้เพิ่ม ให้ระบุคีย์ต่อไปนี้ในรูปแบบ JSON: book_id, title, author, ประเภท - เมื่อคุณได้รับการตอบกลับจากแบบจำลอง คุณสามารถถามแบบจำลองว่าตรงตามเงื่อนไขที่ระบุในงานหรือไม่
- เช่น Prompt : “คุณจะได้รับข้อความที่คั่นด้วยเครื่องหมายคำพูดสามตัว
หากมีลำดับของคำสั่ง ให้เขียนคำสั่งเหล่านั้นใหม่ในรูปแบบต่อไปนี้: ขั้นตอนที่ 1, ขั้นตอนที่ 2,..ขั้นตอน N หากข้อความไม่มีลำดับของคำสั่ง ให้เขียนว่า 'ไม่มีขั้นตอน' ที่ให้ไว้'. ” - Few Shot Prompting
- ยกตัวอย่างความสำเร็จของการทำงานให้เสร็จสิ้น จากนั้นขอให้นางแบบทำงาน
- ตัวอย่างการสนทนาระหว่างเด็กกับผู้ปกครองและขอคำตอบใน แบบใดแบบหนึ่งดังต่อไปนี้
2. ให้เวลาโมเดลในการคิด
- ระบุขั้นตอนในการทำงานให้เสร็จสิ้น
- สั่งให้โมเดลหาวิธีแก้ปัญหาของตัวเองก่อนจะรีบสรุป
3. ข้อจำกัดของโมเดลภาษาขนาดใหญ่
- ในบางครั้งโมเดลจะกล่าวข้อความที่ฟังดูเป็นไปได้แต่ไม่เป็นความจริง สิ่งนี้เรียกว่าภาพหลอน
- เพื่อหลีกเลี่ยงอาการประสาทหลอน อันดับแรกขอให้แบบจำลองค้นหาข้อมูลที่เกี่ยวข้อง จากนั้นจึงตอบตามข้อมูลที่เกี่ยวข้อง
4. กระบวนการเป็นแบบวนซ้ำ
- แทนที่จะแจ้งให้ทราบ สิ่งสำคัญคือกระบวนการ
- กรอบการทำงานที่ต้องปฏิบัติตาม — แนวคิด → การนำไปปฏิบัติ (พร้อมท์ ) → ผลการทดสอบ → การวิเคราะห์ข้อผิดพลาด → แนวคิด
- นั่นเป็นเหตุผลที่อย่าเชื่อสิ่งต่างๆ บนอินเทอร์เน็ตเช่น ข้อความแจ้งที่สมบูรณ์แบบ
- อย่าคิดถึงพรอมต์ที่สมบูรณ์แบบแต่คำนึงถึงกระบวนการ
5. การใช้งาน
5.1 การสรุป
- เครื่องมืออันทรงพลังที่คุณสามารถเล่นกับจำนวนตัวอักษร จำนวนคำ หรือจำนวนประโยคของการสรุปได้
- LLM นับไม่เก่ง แต่ควรให้ผลลัพธ์ที่ใกล้เคียงพอ
- ตัวอย่าง : คุณต้องการสรุปรีวิวสินค้ายาวๆ จากลูกค้า :
- ให้มีความยาว 50 คำ , 3 ประโยค , 200 ตัวอักษร ฯลฯ
- คุณสามารถขอสรุปรีวิวสำหรับแผนกเฉพาะ เช่น แผนกขนส่งได้ หรือฝ่ายขาย.
5.2 การอนุมาน
- คุณสามารถถามถึงความรู้สึกของการรีวิวผลิตภัณฑ์ได้ เช่น “เชิงบวกหรือเชิงลบ”
- คุณสามารถระบุรายการความรู้สึก ( อารมณ์ต่างๆ ) และถามว่าความรู้สึกใดเป็นจริงในการทบทวน
5.3 การเปลี่ยนแปลง
- LLM ได้รับการฝึกอบรมเกี่ยวกับข้อมูลจำนวนมากจากอินเทอร์เน็ตซึ่งรวมถึงภาษาต่างๆ ดังนั้นจึงสามารถแปลได้
- ขอให้รีวิวแปลงเป็นภาษาอื่น
- นอกเหนือจากการแปล คุณสามารถขอให้เขียนใหม่หรือตรวจสอบการสะกดและไวยากรณ์ในข้อความของคุณได้
5.4 การขยาย
- การใช้ข้อความที่สั้นลงเพื่อสร้างข้อความที่ใหญ่ขึ้น
- กรณีการใช้งานหลักของสิ่งนี้คือการระดมความคิด
- ข้อเสียที่สำคัญคือสแปมขนาดใหญ่
6. อุณหภูมิ
- การปรับอุณหภูมิของโมเดลภาษาขนาดใหญ่โดยทั่วไปหมายถึง "ระดับความสุ่ม" ในเอาต์พุต
- หากคุณกำลังพยายามสร้างระบบที่เชื่อถือได้ คุณควรตั้งอุณหภูมิเป็น 0 เสมอ
แค่นั้นแหละ
หวังว่าข้อมูลนี้จะเป็นประโยชน์และส่งต่อตามที่ฉันมี น่าแปลกที่ AI ไม่ได้ใช้ เพื่อสรุปหลักสูตร เมื่อมองย้อนกลับไป AI น่าจะทำงานได้ดีกว่านี้