Menulis prompt yang efektif untuk LLMs

Memerlukan beberapa eksperimen tetapi

Konten Halaman

Masih ada beberapa pendekatan umum bagaimana cara menulis prompt yang baik agar LLM tidak bingung mencoba memahami apa yang Anda inginkan darinya.

Manusia menjelaskan gagasan kompleks kepada robot

Cara Meningkatkan Kinerja Model Bahasa dengan Teknik Engineering Prompt

Engineering prompt adalah teknik yang kuat yang digunakan dalam pemrosesan bahasa alami (NLP) untuk meningkatkan kinerja model bahasa dengan memberikan konteks tambahan, panduan, dan informasi tentang tugas yang sedang dihadapi. Artikel ini akan memandu Anda melalui berbagai metode dalam menciptakan prompt yang efektif yang dapat membantu model NLP Anda menghasilkan output yang lebih akurat, relevan, dan beragam.

Membuat Prompt yang Efektif

1. Jelas dan Singkat

  • Tujuan: Pastikan prompt Anda mudah dipahami oleh model bahasa.
  • Implementasi: Hindari menggunakan jargon atau istilah teknis yang mungkin membingungkan model. Pertahankan instruksi yang jelas dan langsung ke titik.

2. Gunakan Contoh yang Spesifik

  • Tujuan: Bantu model memahami jenis output apa yang diharapkan.
  • Implementasi: Sertakan contoh spesifik dalam prompt Anda, seperti pengaturan, karakter, atau detail cerita untuk tugas pembuatan cerita.

3. Variasi Prompt

  • Tujuan: Memungkinkan model untuk belajar lebih banyak tentang tugas dan menghasilkan output yang beragam.
  • Implementasi: Eksperimen dengan gaya, nada, dan format berbeda untuk melihat bagaimana model merespons.

4. Uji dan Perbaiki

  • Tujuan: Memvalidasi efektivitas prompt dan membuat penyesuaian yang diperlukan.
  • Implementasi: Setelah membuat serangkaian prompt, uji mereka pada model bahasa Anda. Analisis hasil dan perbaiki prompt berdasarkan umpan balik atau metrik kinerja.

5. Gunakan Umpan Balik

  • Tujuan: Terus meningkatkan kualitas dan relevansi prompt Anda.
  • Implementasi: Sertakan umpan balik pengguna atau wawasan dari sumber lain untuk meningkatkan efektivitas prompt seiring waktu.

Instruksi yang Jelas untuk Hasil yang Lebih Baik

Contoh:

  • Prompt: Jelaskan perkembangan terbaru dalam model bahasa besar kepada saya.
  • Instruksi: Selalu kutip sumber Anda, jangan lebih tua dari tahun 2020.

Stilisasi untuk Siswa Sekolah Dasar

Penjelasan: Presentasikan konsep kompleks menggunakan bahasa sederhana dan contoh yang relevan yang cocok untuk jaringan pendidikan anak-anak.

Panduan Format

Contoh:

{
  "role": "sentiment_classifier",
  "instructions": [
    "Untuk setiap pesan, berikan persentase sentimen positif, netral, dan negatif.",
    "Contoh: 'Saya suka itu' -> 70% positif, 30% netral; 'Bisa lebih baik' -> 0% positif, 50% netral, 50% negatif"
  ],
  "examples": [
    {
      "message": "Saya pikir itu cukup baik",
      "sentimen": [25%, 50%, 25%]
    },
    {
      "message": "Saya sangat menyukainya!",
      "sentimen": [100%, 0%, 0%]
    }
  ]
}

Prompt Berbasis Peran

Contoh:

  • Prompt: Anda adalah seorang panduan wisata virtual yang sedang membawa turis mengelilingi Menara Eiffel dalam tur malam hari. Jelaskan Menara Eiffel kepada audiens Anda, mencakup sejarahnya, jumlah pengunjung setiap tahun, durasi tur penuh, dan mengapa begitu banyak orang mengunjungi tempat ini setiap tahun.

Teknik Rantai Pemikiran

Contoh:

  • Prompt: Anda adalah seorang panduan wisata virtual dari tahun 1901. Turis Anda sedang mengunjungi Menara Eiffel.
  1. Mengapa menara itu dibangun?
  2. Berapa lama waktu yang dibutuhkan untuk membangunnya?
  3. Di mana bahan-bahan untuk konstruksinya berasal?
  4. Berapa jumlah pengunjung tahunan di abad ke-19?
  5. Berapa lama waktu yang dibutuhkan untuk tur penuh, dan mengapa begitu banyak orang mengunjungi tempat ini setiap tahun?

Konsistensi Diri

Contoh:

  • Prompt: John menemukan bahwa rata-rata dari 15 angka adalah 40. Jika 10 ditambahkan ke setiap angka, berapa rata-ratanya yang baru?
  • Instruksi: Jalankan prompt beberapa kali dan pilih nilai yang paling sering dikembalikan sebagai jawaban.

Generasi yang Diperkuat dengan Retrieval

Contoh:

Diberikan informasi berikut tentang suhu di Menlo Park:

  • 2023-12-11: 52 derajat Fahrenheit

  • 2023-12-12: 51 derajat Fahrenheit

  • 2023-12-13: 55 derajat Fahrenheit

  • Prompt: Berapa suhu di Menlo Park pada 12 Desember 2023?

Model Bahasa yang Diperkuat oleh Program

Contoh:

  • Prompt: Hitung: ((-5 + 93 * 4 - 0) * (4^4 + -7 + 0 * 5))

Mengurangi Token Ekstra

Contoh:

  • Prompt: Anda adalah robot yang hanya menghasilkan JSON.
  • Instruksi: Jawaban Anda harus mencakup bidang ‘zip_code’.
  • Contoh Pertanyaan: Apa kode pos Menlo Park?
  • Jawaban yang Diharapkan: {“zip_code”: “94025”}

Mengurangi Hallucinations

Contoh 1:

  • Prompt: Jelaskan konsep komputasi kuantum kepada siswa sekolah menengah.
  • Instruksi: Berikan penjelasan sederhana dan hindari jargon kompleks.

Contoh 2:

  • Prompt: Tulis email kepada atasan Anda untuk meminta pertemuan tentang perkembangan proyek.
  • Instruksi: Gunakan bahasa profesional, pertahankan nada formal, dan sertakan detail spesifik tentang status proyek.

Contoh 3:

  • Prompt: Buat puisi tentang alam.
  • Instruksi: Fokus pada bahasa deskriptif dan imajiner yang terkait dengan elemen alam.

Kesimpulan

Dengan mengikuti panduan ini untuk engineering prompt, Anda dapat secara signifikan meningkatkan kinerja model NLP Anda. Baik melalui instruksi yang jelas, contoh spesifik, atau prompt berbasis peran, setiap teknik memainkan peran penting dalam memandu model menuju output yang lebih akurat dan relevan.

Tautan yang Berguna