LLM用の効果的なプロンプトの作成

いくつかの試行錯誤が必要ですが、

目次

まだ、LLMがあなたの意図を理解しようとする際に混乱しないようにするための、良いプロンプトを書くためのいくつかの一般的なアプローチがあります。

人間がロボットに複雑なアイデアを説明している

プロンプトエンジニアリング技術を使って言語モデルの性能を向上させる方法

プロンプトエンジニアリングとは、自然言語処理（NLP）において、言語モデルに追加の文脈、ガイドライン、タスクに関する情報を提供して、その性能を向上させるための強力な技術です。本記事では、NLPモデルがより正確で、関連性が高く、多様な出力を生成できるようにするための、効果的なプロンプトの作成方法についてご案内します。

効果的なプロンプトの作成方法

1. 明確かつ簡潔に

  • 目的: プロンプトが言語モデルにとって理解しやすいようにすること。
  • 実装方法: モデルを混乱させる可能性のある専門用語や技術用語は避けてください。指示は簡潔で要点を押さえてください。

2. 具体的な例を使用する

  • 目的: モデルが期待される出力の種類をよりよく理解できるようにすること。
  • 実装方法: ストーリー生成タスクなどにおいて、設定、キャラクター、プロットの詳細などの具体的な例をプロンプトに含めましょう。

3. プロンプトを多様化する

  • 目的: モデルがタスクについてより多く学び、多様な出力を生成できるようにすること。
  • 実装方法: モデルの反応を見ながら、異なるスタイル、トーン、フォーマットを試してみてください。

4. テストと改善

  • 目的: プロンプトの有効性を検証し、必要に応じて調整を行うこと。
  • 実装方法: プロンプトのセットを作成した後、言語モデルでテストしてください。結果を分析し、フィードバックやパフォーマンスメトリクスに基づいてプロンプトを改善してください。

5. フィードバックの活用

  • 目的: プロンプトの質と関連性を継続的に改善すること。
  • 実装方法: ユーザーのフィードバックや他の情報源からの洞察を取り入れ、プロンプトの有効性を時間とともに向上させましょう。

より良い結果を得るための明確な指示

例:

  • プロンプト: 大規模言語モデルにおける最新の進展について私に説明してください。
  • 指示: すべての出力において、2020年以降の出典を常に引用してください。

小学生向けのスタイル化

説明: 子ども向けの教育ネットワークに適した、単純な言語と関連性のある例を使って複雑な概念を提示してください。

フォーマットガイドライン

例:

{
  "role": "sentiment_classifier",
  "instructions": [
    "各メッセージに対して、ポジティブ、ニュートラル、ネガティブな感情の割合を提供してください。",
    "例: 'I liked it' -> 70% positive, 30% neutral; 'It could be better' -> 0% positive, 50% neutral, 50% negative"
  ],
  "examples": [
    {
      "message": "I thought it was okay",
      "sentiment": [25%, 50%, 25%]
    },
    {
      "message": "I loved it!",
      "sentiment": [100%, 0%, 0%]
    }
  ]
}

ロールベースのプロンプト

例:

  • プロンプト: 1901年の仮想ガイドとして、観光客がエッフェル塔を夜間ツアーで訪れているとします。観光客にエッフェル塔について説明してください。その歴史、年間の訪問者数、フルツアーにかかる時間、そしてなぜ毎年多くの人がこの場所を訪れるのかをカバーしてください。

思考の連鎖技術

例:

  • プロンプト: 1901年の仮想ガイドとして、観光客がエッフェル塔を訪れているとします。
  1. なぜ建設されたのですか？
  2. 建設にどれくらい時間がかかりましたか？
  3. 建設に使われた材料はどこから調達されたのですか？
  4. 1900年代の年間訪問者数はどのくらいですか？
  5. フルツアーにかかる時間はどれくらいですか？そしてなぜ毎年多くの人がこの場所を訪れるのですか？

自己一貫性

例:

  • プロンプト: ジョンは15つの数値の平均が40であることを発見しました。 もし各数値に10を加えると、新しい平均はどのくらいになりますか？
  • 指示: プロンプトを複数回実行し、最も多く返される答えを選択してください。

検索拡張生成

例:

メンローパークの気温に関する以下の情報が与えられています：

  • 2023-12-11: 52°F

  • 2023-12-12: 51°F

  • 2023-12-13: 55°F

  • プロンプト: 2023年12月12日にメンローパークの気温はどのくらいでしたか？

プログラム支援型言語モデル

例:

  • プロンプト: 計算してください: ((-5 + 93 * 4 - 0) * (4^4 + -7 + 0 * 5))

不要なトークンの制限

例:

  • プロンプト: あなたはJSONのみを出力するロボットです。
  • 指示: あなたの返答には「zip_code」フィールドを含める必要があります。
  • 例の質問: メンローパークの郵便番号は何ですか？
  • 期待される回答: {“zip_code”: “94025”}

虚構の減少

例1:

  • プロンプト: 高校生に量子コンピューティングの概念を説明してください。
  • 指示: 簡潔な説明を提供し、複雑な専門用語は避けてください。

例2:

  • プロンプト: ボスにプロジェクトの進捗について会議を希望するメールを書くようにしてください。
  • 指示: 専門的な言葉遣いを使用し、フォーマルなトーンを保ち、プロジェクトの状況に関する具体的な詳細を含めてください。

例3:

  • プロンプト: 自然に関する詩を生成してください。
  • 指示: 自然の要素に関連する説明的な言葉遣いやイメージに注力してください。

結論

これらのプロンプトエンジニアリングのガイドラインに従うことで、NLPモデルの性能を大幅に向上させることができます。明確な指示、具体的な例、ロールベースのプロンプトなど、それぞれの技術はモデルをより正確で関連性のある出力に導くために重要な役割を果たします。

有用なリンク