Het schrijven van effectieve prompts voor LLMs

Een beetje experimenteren vereist maar

Inhoud

Er zijn nog steeds enkele veelvoorkomende aanpakken om goede prompts te schrijven, zodat LLM’s niet in de war raken bij het begrijpen van wat je van hen wilt.

Een mens die een complexe idee aan een robot uitlegt

Hoe je de prestaties van taalmodellen kunt verbeteren met prompt engineering technieken

Prompt engineering is een krachtige techniek die wordt gebruikt in natuurlijke taalverwerking (NLP) om de prestaties van taalmodellen te verbeteren door hen extra context, richtlijnen en informatie te geven over de taak. Dit artikel leidt je door verschillende methoden om effectieve prompts te maken die kunnen helpen bij het genereren van nauwkeurigere, relevantere en diverse uitvoer van je NLP model.

Effectieve Prompts maken

1. Wees duidelijk en concis

  • Doel: Zorg dat je prompt gemakkelijk begrepen kan worden door het taalmodel.
  • Uitvoering: Vermijd het gebruik van jargon of technische termen die het model kunnen verwarren. Houd instructies eenvoudig en ter zake.

2. Gebruik specifieke voorbeelden

  • Doel: Help het model beter te begrijpen wat voor soort uitvoer wordt verwacht.
  • Uitvoering: Voeg specifieke voorbeelden toe in je prompt, zoals instellingen, personages of verhaalgegevens voor verhaalgeneratie taken.

3. Variëer de prompts

  • Doel: Laat het model meer leren over de taak en diverse uitvoer genereren.
  • Uitvoering: Experiment met verschillende stijlen, toon en formaten om te zien hoe het model reageert.

4. Test en verbeter

  • Doel: Valideer de effectiviteit van de prompt en maak benodigde aanpassingen.
  • Uitvoering: Na het maken van een set prompts, test ze op je taalmodel. Analyseer de resultaten en verbeter de prompts op basis van feedback of prestatie metrieken.

5. Gebruik feedback

  • Doel: Verbeter continu de kwaliteit en relevantie van je prompts.
  • Uitvoering: Neem gebruikersfeedback of inzichten van andere bronnen op om de effectiviteit van de prompts te verbeteren.

Duidelijke instructies voor betere resultaten

Voorbeeld:

  • Prompt: Leg me de nieuwste ontwikkelingen in grote taalmodellen uit.
  • Instructies: Citeer altijd je bronnen, nooit ouder dan 2020.

Stylisatie voor jonge leerlingen

Uitleg: Presenteer complexe concepten met eenvoudige taal en voorbeelden die passen bij kinderonderwijsnetwerken.

Opmaakrichtlijnen

Voorbeeld:

{
  "role": "sentiment_classifier",
  "instructions": [
    "Voor elk bericht, geef het percentage positieve, neutrale en negatieve stemming aan.",
    "Voorbeelden: 'Ik vond het leuk' -> 70% positief, 30% neutraal; 'Het kon beter' -> 0% positief, 50% neutraal, 50% negatief"
  ],
  "examples": [
    {
      "message": "Ik dacht dat het ok was",
      "sentiment": [25%, 50%, 25%]
    },
    {
      "message": "Ik hield ervan!",
      "sentiment": [100%, 0%, 0%]
    }
  ]
}

Prompt op basis van rol

Voorbeeld:

  • Prompt: Je bent een virtuele gids die toeristen rondleidt bij de Eiffeltoren op een nachttocht. Beschrijf de Eiffeltoren aan je publiek, met aandacht voor de geschiedenis, het aantal bezoekers per jaar, de tijd die nodig is voor een volledige tocht en waarom zoveel mensen deze plek jaarlijks bezoeken.

Denkproces techniek

Voorbeeld:

  • Prompt: Je bent een virtuele gids uit 1901. Je toeristen bezoeken de Eiffeltoren.
  1. Waarom is het gebouwd?
  2. Hoe lang duurde de bouw?
  3. Vanwaar werden de materialen voor de bouw verkregen?
  4. Wat is het aantal bezoekers per jaar in de jaren 1900?
  5. Hoeveel tijd kost een volledige tocht, en waarom bezoeken zoveel mensen deze plek elk jaar?

Zelfconsistentie

Voorbeeld:

  • Prompt: John vond dat het gemiddelde van 15 getallen 40 is. Als 10 wordt toegevoegd aan elk getal, wat is dan het nieuwe gemiddelde?
  • Instructies: Voer de prompt meerdere keren uit en selecteer de meest voorkomende waarde voor het antwoord.

Retrieval-Augmented Generatie

Voorbeeld:

Gegeven de volgende informatie over temperaturen in Menlo Park:

  • 2023-12-11: 52 graden Fahrenheit

  • 2023-12-12: 51 graden Fahrenheit

  • 2023-12-13: 55 graden Fahrenheit

  • Prompt: Wat was de temperatuur in Menlo Park op 12 december 2023?

Programma-ondersteunde taalmodellen

Voorbeeld:

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

Beperken van overbodige tokens

Voorbeeld:

  • Prompt: Je bent een robot die alleen JSON uitvoert.
  • Instructies: Je antwoord moet het veld ‘zip_code’ bevatten.
  • Voorbeeldvraag: Wat is de postcode van Menlo Park?
  • Verwacht antwoord: {“zip_code”: “94025”}

Verminder hallucinaties

Voorbeeld 1:

  • Prompt: Leg het concept van kwantumcomputing uit aan een middelbare schoolleerling.
  • Instructies: Geef eenvoudige uitleg en vermijd complexe jargon.

Voorbeeld 2:

  • Prompt: Schrijf een e-mail aan je baas waarin je een afspraak vraagt over de voortgang van het project.
  • Instructies: Gebruik professionele taal, behoud een formeel toon en voeg specifieke details over de projectstatus toe.

Voorbeeld 3:

  • Prompt: Genereer een gedicht over de natuur.
  • Instructies: Focus op beschrijvende taal en beelden gerelateerd aan natuurlijke elementen.

Conclusie

Door deze richtlijnen voor prompt engineering te volgen, kun je de prestaties van je NLP modellen aanzienlijk verbeteren. Of het nu gaat om duidelijke instructies, specifieke voorbeelden of rolgebaseerde prompts, elke techniek speelt een cruciale rol bij het leiden van het model naar meer nauwkeurige en relevante uitvoer.