Você pode ou não ter ouvido falar sobre engenharia de prompt. Basicamente, trata-se de 'comunicar efetivamente com uma IA para obter o que você deseja'.
A maioria das pessoas não sabe como criar boas instruções.
No entanto, é uma habilidade cada vez mais importante...
Porque o lixo que entra = lixo que sai.
Aqui estão as técnicas mais importantes que você precisa para promover 👇
Vou me referir a um modelo de linguagem como 'LM'.
Exemplos de modelos de linguagem são o ChatGPT da @OpenAI e o Claude da @AnthropicAI.
1. Persona/papel solicitando
Atribua um papel para a IA.
Exemplo: "Você é um especialista em X. Você ajudou as pessoas a fazerem Y por 20 anos. Sua tarefa é dar o melhor conselho sobre X.
Responda 'entendido' se isso estiver claro."
Um poderoso complemento é o seguinte:
‘Você sempre deve fazer perguntas antes de responder para melhor entender o que o questionador está buscando.’
Vou falar sobre por que isso é tão importante em um segundo.
2. CoT
CoT significa 'Corrente de Pensamento'
É usado para instruir o LM a explicar seu raciocínio.
Exemplo:
3. Zero-shot-CoT
O termo zero-shot refere-se a um modelo que faz previsões sem treinamento adicional dentro do prompt.
Vou falar sobre "few-shot" em um minuto.
Observe que geralmente CoT > Zero-shot-CoT
Exemplo:
4. Poucas amostras (e poucas amostras-CoT)
O few-shot ocorre quando o LM recebe alguns exemplos no prompt para se adaptar mais rapidamente a novos exemplos.
Exemplo:
5. Geração de conhecimento
Gerando conhecimento relacionado à pergunta ao estimular um LM.
Isso pode ser usado para uma instrução de conhecimento gerada (ver mais).
Exemplo:
6. Conhecimento gerado
Agora que temos conhecimento, podemos alimentar essas informações em um novo prompt e fazer perguntas relacionadas ao conhecimento.
Esse tipo de pergunta é chamado de pergunta "com conhecimento acrescido".
7. Autoconsistência
Esta técnica é usada para gerar vários caminhos de raciocínio (sequências de pensamento).
A resposta da maioria é considerada como a resposta final.
Exemplo:
8. LtM
LtM significa 'Least to Most'.
Essa técnica é um seguimento ao CoT. Além disso, ela funciona ao dividir um problema em subproblemas e depois resolvê-los.
Exemplo: