Kognitivní ověřovací vzor rozkládá složité otázky na menší, zvládnutelné podotázky. Odpovědi na tyto podotázky se pak spojí do komplexní odpovědi na hlavní otázku. Tento přístup je užitečný v případech, kdy jsou počáteční otázky příliš vysoké úrovně nebo kdy je k poskytnutí úplné odpovědi zapotřebí dodatečné objasnění. Například: Uživatel: „Pokud položím otázku týkající se změny klimatu,Přečtěte si více o The Cognitive Verifier Pattern (Vzor kognitivního ověřovatele)[…]

APE je technika, která považuje instrukci za „program“ a optimalizuje instrukci prohledáváním souboru kandidátů na instrukci navržených LLM. Kandidáti LLM jsou obodováni pomocí zvolené skórovací funkce a je vybrána instrukce s nejvyšším skóre. APE je inspirován klasickou syntézou programů a lidským přístupem k promptnímu inženýrství. Syntéza programu je úloha automatického generování kódu z popisu požadovanéhoPřečtěte si více o Automatic Prompt Engineering (APE)[…]

Expert Prompting je rozšířená strategie pro instruování velkých jazykových modelů (LLM). Předpokládá rozlišeného expertního agenta přizpůsobeného každé konkrétní instrukci. LLM jsou požádány, aby odpovídaly na instrukce podmíněné identitou předpokládaného experta. Jedná se o metodu automatického zadávání pokynů. Identity expertů jsou generovány pomocí učení v kontextu. Vyžaduje napsání několika exemplářů dvojice instrukce-expert. Vygenerované identity expertů jsouPřečtěte si více o Expert Prompting (Expertní promptování)[…]

Reflexe je rámec, který využívá jazykovou zpětnou vazbu k posílení jazykových prostředků. Jazyková zpětná vazba je zpětná vazba, která je vyjádřena přirozeným jazykem. Agenti reflexe se učí reflektovat na signály zpětné vazby k úlohám a poté udržují svůj vlastní reflexivní text v epizodické paměti. Tento reflexivní text je pak použit k vyvolání lepšího rozhodování vPřečtěte si více o Reflection (Reflexe)[…]

Aktivní podněty využívají aktivní učení založené na neurčitosti pro přizpůsobení velkých jazykových modelů (LLM) různým úlohám. Funguje ve čtyřech fázích. První fází je odhad nejistoty. V této fázi je LLM dotazován k-krát, aby generoval možné odpovědi s mezikroky pro sadu tréninkových otázek. Nejistota každé otázky se pak vypočítá na základě k odpovědí metodou zvanou neshoda.Přečtěte si více o Active Prompting (Aktivní výzvy)[…]

Dalším užitečným přístupem je zadávání pokynů modelu, které obrací scénář a dává modelu pokyn, aby se vás zeptal na podrobnosti, které potřebuje k dokončení daného úkolu. Tento přístup minimalizuje hádání a odrazuje model od vymýšlení. Příklad. Předpokládejme, že pracujete v oblasti cestovních technologií a chcete, aby model umělé inteligence vygeneroval sekci nejčastějších dotazů pro novouPřečtěte si více o Model-guided prompting (Promptování řízené modelem)[…]

Několikanásobné výzvy jsou rozšířením jednorázových výzev, kdy je modelu umělé inteligence poskytnuto více příkladů, na jejichž základě se řídí. Koncept je podobný, ale zahrnutí několika příkladů nabízí modelu více kontextových podnětů. To umožňuje modelu lépe porozumět požadavkům uživatele a generovat výstup, který se přesně drží zadaných příkladů. Přístup založený na několika výstřelech Několikanásobné výzvy jsouPřečtěte si více o Few-shot prompting (Několik výstřelů)[…]

Jednorázové zadání je technika, při které je výstup modelu umělé inteligence řízen jediným příkladem. Tímto příkladem může být dvojice otázka-odpověď, jednoduchý pokyn nebo konkrétní šablona. Cílem je lépe sladit odpověď modelu s konkrétními záměry nebo požadovaným formátem uživatele. Příklad. Představme si, že pracujete na příspěvku na blogu o „udržitelném cestování“, vaše výzva by mohla vypadatPřečtěte si více o One-shot prompting (Jednorázová výzva)[…]

Přeformulování výzvy nebo přizpůsobení výzvy umělé inteligence umožňuje jemně změnit znění výzvy při zachování původního záměru dotazu. Může povzbudit jazykový model, aby vytvářel různé odpovědi, které různými způsoby odpovídají na původní záměr. Techniky formulování pro zachování záměru Jedním z přístupů je použití synonym nebo přeformulování otázek při zachování konzistentního hlavního tématu. To přinese různé nuancePřečtěte si více o Prompt Reframing (Přeformulování)[…]

Vyplňování šablon umožňuje snadno vytvářet univerzální a zároveň strukturovaný obsah. Použijete šablonu se zástupci, která umožní rychlé přizpůsobení pro různé situace nebo vstupy při zachování konzistentního formátu. Přizpůsobení šablon pomocí proměnných a zástupných symbolů Při vyplňování šablon můžete výstup generativních nástrojů AI dále přizpůsobit definováním několika proměnných pro zástupné symboly. Tuto strategii obvykle používají správciPřečtěte si více o Template Filling (Vyplňování šablon)[…]