Escrever prompts eficazes para LLMs

Exige alguma experimentação, mas

Conteúdo da página

Ainda assim, existem algumas abordagens comuns sobre como escrever bons prompts para que os LLMs não fiquem confusos ao tentar entender o que se espera deles.

Humano descrevendo uma ideia complexa a um robô

Como Melhorar o Desempenho de Modelos de Linguagem Usando Técnicas de Engenharia de Prompts

A engenharia de prompts é uma técnica poderosa utilizada no processamento de linguagem natural (PLN) para aprimorar o desempenho de modelos de linguagem, fornecendo-lhes contexto adicional, orientações e informações sobre a tarefa em questão. Este artigo irá guiá-lo por vários métodos para criar prompts eficazes que podem ajudar seu modelo de PLN a gerar saídas mais precisas, relevantes e diversificadas.

Criando Prompts Eficazes

1. Seja Claro e Conciso

  • Objetivo: Garantir que seu prompt seja facilmente compreendido pelo modelo de linguagem.
  • Implementação: Evite usar jargões ou termos técnicos que possam confundir o modelo. Mantenha as instruções diretas e objetivas.

2. Use Exemplos Específicos

  • Objetivo: Ajudar o modelo a entender melhor qual tipo de saída é esperado.
  • Implementação: Inclua exemplos específicos em seu prompt, como cenários, personagens ou detalhes de enredo para tarefas de geração de histórias.

3. Varie os Prompts

  • Objetivo: Permitir que o modelo aprenda mais sobre a tarefa e produza saídas diversificadas.
  • Implementação: Experimente diferentes estilos, tons e formatos para ver como o modelo responde.

4. Teste e Refine

  • Objetivo: Validar a eficácia do prompt e fazer os ajustes necessários.
  • Implementação: Após criar um conjunto de prompts, teste-os em seu modelo de linguagem. Analise os resultados e refine os prompts com base no feedback ou nas métricas de desempenho.

5. Use Feedback

  • Objetivo: Melhorar continuamente a qualidade e a relevância dos seus prompts.
  • Implementação: Incorpore feedback dos usuários ou insights de outras fontes para aprimorar a eficácia dos prompts ao longo do tempo.

Instruções Explícitas para Melhores Resultados

Exemplo:

  • Prompt: Explique-me os últimos avanços em grandes modelos de linguagem.
  • Instruções: Sempre cite suas fontes, nunca mais antigas que 2020.

Estilização para Alunos do Ensino Fundamental

Explicação: Apresente conceitos complexos usando linguagem simples e exemplos relacionáveis adequados para redes educacionais infantis.

Diretrizes de Formatação

Exemplo:

{
  "role": "classificador_de_sentimento",
  "instructions": [
    "Para cada mensagem, forneça a porcentagem de sentimento positivo, neutro e negativo.",
    "Exemplos: 'Gostei' -> 70% positivo, 30% neutro; 'Poderia ser melhor' -> 0% positivo, 50% neutro, 50% negativo"
  ],
  "examples": [
    {
      "message": "Achei que estava ok",
      "sentiment": [25%, 50%, 25%]
    },
    {
      "message": "Adorei!",
      "sentiment": [100%, 0%, 0%]
    }
  ]
}

Prompts Baseados em Papéis

Exemplo:

  • Prompt: Você é um guia turístico virtual caminhando atualmente com os turistas ao redor da Torre Eiffel em um tour noturno. Descreva a Torre Eiffel ao seu público, abordando sua história, o número de visitantes por ano, o tempo necessário para um tour completo e por que tantas pessoas visitam este lugar anualmente.

Técnica de Cadeia de Pensamento

Exemplo:

  • Prompt: Você é um guia turístico virtual de 1901. Seus turistas estão visitando a Torre Eiffel.
  1. Por que foi construída?
  2. Quanto tempo demorou para construir?
  3. Onde foram obtidos os materiais para sua construção?
  4. Qual é o número anual de visitantes na década de 1900?
  5. Quanto tempo leva um tour completo e por que tantas pessoas visitam este lugar a cada ano?

Auto-Consistência

Exemplo:

  • Prompt: John descobriu que a média de 15 números é 40. Se 10 for adicionado a cada número, qual é a nova média?
  • Instruções: Execute o prompt várias vezes e selecione o valor mais comumente retornado como resposta.

Geração Aumentada por Recuperação

Exemplo:

Dadas as seguintes informações sobre temperaturas em Menlo Park:

  • 2023-12-11: 52 graus Fahrenheit

  • 2023-12-12: 51 graus Fahrenheit

  • 2023-12-13: 55 graus Fahrenheit

  • Prompt: Qual foi a temperatura em Menlo Park em 12 de dezembro de 2023?

Modelos de Linguagem Auxiliados por Programas

Exemplo:

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

Limitando Tokens Extravagantes

Exemplo:

  • Prompt: Você é um robô que só exibe JSON.
  • Instruções: Sua resposta deve incluir o campo ‘zip_code’.
  • Exemplo de Pergunta: Qual é o código postal de Menlo Park?
  • Resposta Esperada: {“zip_code”: “94025”}

Reduzindo Alucinações

Exemplo 1:

  • Prompt: Explique o conceito de computação quântica para um estudante do ensino médio.
  • Instruções: Forneça explicações simples e evite jargões complexos.

Exemplo 2:

  • Prompt: Escreva um e-mail para seu chefe solicitando uma reunião sobre o progresso do projeto.
  • Instruções: Use linguagem profissional, mantenha um tom formal e inclua detalhes específicos sobre o status do projeto.

Exemplo 3:

  • Prompt: Gere um poema sobre a natureza.
  • Instruções: Foque em linguagem descritiva e imagens relacionadas a elementos naturais.

Conclusão

Seguindo estas diretrizes para engenharia de prompts, você pode aprimorar significativamente o desempenho dos seus modelos de PLN. Seja através de instruções claras, exemplos específicos ou prompts baseados em papéis, cada técnica desempenha um papel crucial em orientar o modelo para saídas mais precisas e relevantes.