Techniken für effektives Prompt Engineering

In Casino Royale (2006) gibt James Bond die genauen Zutaten für seinen Vesper Martini an: 3 Maß Gordons, 1 Maß Wodka, ein halbes Maß Kina Lillet, geschüttelt auf Eis mit einer dünnen Zitronenschale.

Durch die Detaillierung der Komponenten sorgt Bond für ein erstklassiges Getränk. Ebenso bestimmen bei der Interaktion mit großen Sprachmodellen (LLMs) die Spezifität und Klarheit Ihrer Eingabeaufforderungen die Qualität der Ausgabe.

Dieser Prozess, bekannt als Prompt Engineering, ist unerlässlich, um genaue und relevante Antworten von KI-Systemen zu erhalten.

Was ist Prompt Engineering?

Prompt Engineering beinhaltet die Erstellung präziser Anweisungen zur Optimierung von LLM-Reaktionen. Je detaillierter und spezifischer die Eingabeaufforderung ist, desto relevanter und auf Ihre Bedürfnisse abgestimmter wird die Ausgabe sein.

Beispiel:
Wenn Sie einen LLM fragen: „Fassen Sie die zeitnahe Technik zusammen“, kann die Antwort vage sein. Geben Sie die Anfrage jedoch wie folgt an:

Eingabeaufforderung: „Geben Sie eine 100-Wörter-Zusammenfassung des Prompt-Engineerings, die sich an technisch nicht versierte Benutzer richtet.“

Der LLM wird nun angeleitet, eine prägnante, zielgruppenspezifische Antwort zu geben.

Ausgabe:

„Prompt Engineering erstellt effektive Anweisungen für KI-Systeme wie ChatGPT, um die besten Ergebnisse zu erzielen. Dabei geht es darum, spezifisch zu sein, Kontext bereitzustellen und komplexe Fragen aufzuschlüsseln. Durch die Angabe von Formaten, die Bereitstellung von Beispielen oder das Setzen von Grenzen gewährleistet Prompt Engineering eine klare Kommunikation mit einem KI-Assistent.“

Diese Methode, nach bestimmten Ausgaben zu fragen, zeigt, wie man eine Eingabeaufforderung „konstruiert“, um ein gewünschtes, präzises Ergebnis zu erhalten.

Komponenten einer guten LLM-Eingabeaufforderung

1 Kontext: Der Kontext liefert dem LLM zusätzliche Informationen, die ihm helfen, Ihre Anfrage besser zu verstehen. Durch die Einbettung relevanter Kontexte kann die KI genauere und maßgeschneiderte Antworten generieren.

Beispiel:
Angenommen, Sie arbeiten an einem C#-Projekt und möchten eine Klassendefinition ändern. Der Kontext hier könnte ein Codeausschnitt sein.

Eingabeaufforderung mit Kontext:
"Angesichts dieses C#-Codes:

öffentliche Klasse Benutzer { public int UserId { get; Satz; } öffentlicher String Name { get; Satz; } öffentliche Zeichenfolge E-Mail { get; Satz; } öffentliche Zeichenfolge PhoneNumber { get; Satz; } }

Ändern Sie die Klasse so, dass UserId und Name schreibgeschützt sind, und legen Sie sie im Konstruktor fest.“

Ausgabe:

public class User
{
    public int UserId { get; }
    public string Name { get; }
    public string Email { get; set; }
    public string PhoneNumber { get; set; }

    public User(int userId, string name)
    {
        UserId = userId;
        Name = name;
    }
}

Dieses Beispiel veranschaulicht, wie wichtig es ist, relevanten Kontext bereitzustellen, um den LLM bei der Generierung der richtigen Antwort zu unterstützen.

1. Benutzerfrage: Die Frage ist der Hauptteil der Eingabeaufforderung. Es sollte zielgerichtet, spezifisch und prägnant sein.

Beispiel:
Wenn Sie eine Benutzerklasse in C# mit bestimmten Feldern erstellen möchten, geben Sie die erforderlichen Felder und das Verhalten klar an.

Vage Frage:

„Erstellen Sie eine Benutzerklasse.“

Spezifische Frage:

„Erstellen Sie eine C#-Benutzerklasse mit den Feldern UserId, Name, PhoneNumber. Machen Sie UserId schreibgeschützt und fügen Sie einen Konstruktor hinzu, um diese Felder festzulegen.“

Ausgabe:

public class User
{
    public int UserId { get; }
    public string Name { get; }
    public string Email { get; set; }
    public string PhoneNumber { get; set; }

    public User(int userId, string name)
    {
        UserId = userId;
        Name = name;
    }
}

1. Ausgabeanleitung: Sie können die Ausgabe des Modells steuern, indem Sie Beispiele für das gewünschte Format bereitstellen.

Beispiel:
Wenn Sie Dummy-Daten für eine Benutzerklasse generieren müssen, geben Sie ein Beispiel dafür an, wie die Daten aussehen sollten.

Eingabeaufforderung mit Beispielen:
"Generieren Sie 5 Instanzen der Benutzerklasse mit diesen Feldern: Benutzer-ID, Name, E-Mail, Telefonnummer. Verwenden Sie für Beispiele das folgende Format:

var user1 = neuer Benutzer(1, „John Doe“, „john.doe@example.com“, „555-555-5555“);

Hier einige Beispiele:

var user2 = neuer Benutzer(2, „Jane Doe“, „jane.doe@example.com“, „555-555-5556“);

Generieren Sie jetzt 5 Instanzen.“

Ausgabe:

public class User
{
    public int UserId { get; }
    public string Name { get; set; }
    public string PhoneNumber { get; set; }

    public User(int userId, string name, string phoneNumber)
    {
        UserId = userId;
        Name = name;
        PhoneNumber = phoneNumber;
    }
}

Techniken für effektives Prompt Engineering

1. Zero-Shot-Prompting: Das LLM generiert eine Antwort basierend auf seinen Trainingsdaten ohne explizite Beispiele. Dies ist effektiv, um generische Lösungen oder Antworten basierend auf etablierten Mustern zu generieren.

Beispiel:
Eingabeaufforderung: „Erstellen Sie einen Komponententest für die Benutzerklasse mit xUnit in C#.“

Ausgabe:

var user1 = new User(1, "John Smith", "john.smith@example.com", "555-555-5555");
var user2 = new User(2, "Jane Doe", "jane.doe@example.com", "555-555-5556");
var user3 = new User(3, "Mary Johnson", "mary.johnson@example.com", "555-555-5557");
var user4 = new User(4, "David Lee", "david.lee@example.com", "555-555-5558");
var user5 = new User(5, "Linda White", "linda.white@example.com", "555-555-5559");

1. Few-Shot-Prompting: Stellen Sie mehrere Beispiele bereit, die das Modell bei der Generierung des gewünschten Ausgabeformats unterstützen.

Beispiel:
Um Daten für eine Benutzerklasse zu generieren, können Sie einige Beispieldatenpunkte als Leitfaden für das Ausgabeformat verwenden.

Eingabeaufforderung mit Beispielen für wenige Aufnahmen:
"Hier sind einige Instanzen der User-Klasse:

var user1 = neuer Benutzer(1, „John Smith“, „john.smith@example.com“, „555-555-5555“);

var user2 = neuer Benutzer(2, „Jane Doe“, „jane.doe@example.com“, „555-555-5556“);

Erstellen Sie nun drei weitere Instanzen nach dem gleichen Muster.“

Ausgabe:

public class UserTests
{
    [Fact]
    public void UserConstructor_SetsProperties()
    {
        // Arrange
        var user = new User(1, "John Doe", "john.doe@example.com", "555-555-5555");

        // Act & Assert
        Assert.Equal(1, user.UserId);
        Assert.Equal("John Doe", user.Name);
        Assert.Equal("john.doe@example.com", user.Email);
        Assert.Equal("555-555-5555", user.PhoneNumber);
    }
}

1. Prompt-Verkettung: Verfeinern Sie Ihre Abfragen iterativ auf der Grundlage früherer Antworten, sodass das Modell auf früheren Interaktionen aufbauen kann.

Beispiel:
Beginnen Sie mit einer einfachen Eingabeaufforderung und ändern Sie diese nach und nach.

Erste Eingabeaufforderung:

„Erstellen Sie eine einfache Benutzerklasse in Python.“

Ausgabe:

public class User
{
    public int UserId { get; }
    public string Name { get; }
    public string Email { get; set; }
    public string PhoneNumber { get; set; }

    public User(int userId, string name)
    {
        UserId = userId;
        Name = name;
    }
}

Nachfrage:

„Konvertieren Sie diese Klasse in C#.“

Ausgabe:

public class User
{
    public int UserId { get; }
    public string Name { get; set; }
    public string PhoneNumber { get; set; }

    public User(int userId, string name, string phoneNumber)
    {
        UserId = userId;
        Name = name;
        PhoneNumber = phoneNumber;
    }
}

Letzte Eingabeaufforderung:

„Machen Sie die Eigenschaft „Passwort“ privat und fügen Sie eine Eigenschaft „DateTime CreatedAt“ hinzu, die im Konstruktor initialisiert wurde.“

Ausgabe:

var user1 = new User(1, "John Smith", "john.smith@example.com", "555-555-5555");
var user2 = new User(2, "Jane Doe", "jane.doe@example.com", "555-555-5556");
var user3 = new User(3, "Mary Johnson", "mary.johnson@example.com", "555-555-5557");
var user4 = new User(4, "David Lee", "david.lee@example.com", "555-555-5558");
var user5 = new User(5, "Linda White", "linda.white@example.com", "555-555-5559");

1. Aufforderung zur Gedankenkette: Stellen Sie mehrstufige Anweisungen bereit, die dem LLM helfen, ein komplexes Problem Schritt für Schritt anzugehen.

Beispiel:
Eingabeaufforderung:

*"Erstellen Sie eine Reihe von Komponententests für die folgende C#-Klasse:

öffentliche Klasse Benutzer { public int UserId { get; Satz; } öffentlicher String Name { get; Satz; } öffentliche Zeichenfolge PhoneNumber { get; Satz; } }

Denken Sie Schritt für Schritt:

1. Identifizieren Sie wichtige Szenarien zum Testen.
2. Schreiben Sie Unit-Tests mit xUnit.
3. Berücksichtigen Sie Grenzfälle.*

Ausgabe:

public class UserTests
{
    [Fact]
    public void UserConstructor_SetsProperties()
    {
        // Arrange
        var user = new User(1, "John Doe", "john.doe@example.com", "555-555-5555");

        // Act & Assert
        Assert.Equal(1, user.UserId);
        Assert.Equal("John Doe", user.Name);
        Assert.Equal("john.doe@example.com", user.Email);
        Assert.Equal("555-555-5555", user.PhoneNumber);
    }
}

Der Artikel wurde ursprünglich von Jim, Leiter von Devreal bei Pieces for Developers, geschrieben. Weitere Beispiele und Nuancen finden Sie in diesem Artikel https://pieces.app/blog/llm-prompt-engineering

Das obige ist der detaillierte Inhalt vonTechniken für effektives Prompt Engineering. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!