Strategie projektowania promptów

Na tej stronie znajdziesz informacje o ogólnych strategiach projektowania promptów, których możesz używać podczas projektowania promptów.

Duże modele językowe (LLM) są trenowane na podstawie ogromnych ilości danych tekstowych, aby uczyć się wzorców i zależności między językami. Gdy otrzymają jakiś tekst (prompt), modele językowe mogą przewidywać, co może się pojawić dalej, tak jak zaawansowane narzędzie do autouzupełniania.

• Podawaj zrozumiałe i konkretne instrukcje
• Uwzględnij przykłady z kilku sesji
• Dodawanie informacji kontekstowych
• Dodawanie prefiksów
• Pozwól modelowi dokończyć częściowe dane wejściowe

Podawaj jasne i konkretne instrukcje

Podawanie modelowi instrukcji dotyczących tego, co ma robić, to skuteczny i wydajny sposób na dostosowanie jego zachowania. Upewnij się, że instrukcje są jasne i konkretne. Instrukcje mogą być proste, np. lista instrukcji krok po kroku, lub złożone, np. opis sposobu działania i przemyślanego procesu.

Określ zadanie do wykonania

Opisz szczegółowo zadanie, które model ma wykonać. Może to być proste zadanie polegające na podaniu listy instrukcji lub skomplikowane mapowanie wrażeń i przemyśleń użytkownika. Poniższy prompt prosi model o podsumowanie bloku tekstu:

Summarize this text:
Text: A quantum computer exploits quantum mechanical phenomena to perform calculations exponentially
faster than any modern traditional computer. At very tiny scales, physical matter acts as both
particles and as waves, and quantum computing uses specialized hardware to leverage this behavior.
The operating principles of quantum devices is beyond the scope of classical physics. When deployed
at scale, quantum computers could be used in a wide variety of applications such as: in
cybersecurity to break existing encryption methods while helping researchers create new ones, in
meteorology to develop better weather forecasting etc. However, the current state of the art quantum
computers are still largely experimental and impractical.
  

    Quantum computers leverage the wave-particle duality of matter at tiny scales to perform
    calculations exponentially faster than traditional computers. They harness quantum phenomena,
    which are beyond the scope of classical physics, to achieve this speed advantage. While
    promising for applications like cybersecurity, weather forecasting, and beyond, current
    quantum computers are still experimental and not yet practical for widespread use.
  

Określanie ograniczeń

określić wszelkie ograniczenia dotyczące odczytania promptu lub wygenerowania odpowiedzi; Możesz określić, co model ma robić, a czego nie. W poprzednim przykładzie streszczenie jest krótsze niż oryginalny tekst, ale może chcesz, aby było jeszcze krótsze. W takim przypadku możesz określić w promptzie ograniczenie długości podsumowania:

Summarize this text in two sentences:
Text: A quantum computer exploits quantum mechanical phenomena to perform calculations exponentially
faster than any modern traditional computer. At very tiny scales, physical matter acts as both
particles and as waves, and quantum computing uses specialized hardware to leverage this behavior.
The operating principles of quantum devices is beyond the scope of classical physics. When deployed
at scale, quantum computers could be used in a wide variety of applications such as: in
cybersecurity to break existing encryption methods while helping researchers create new ones, in
meteorology to develop better weather forecasting etc. However, the current state of the art quantum
computers are still largely experimental and impractical.
    

      Quantum computers harness the wave-particle duality of matter at the quantum level to perform
      computations exponentially faster than traditional computers. While these machines hold
      immense potential for fields like cybersecurity and weather forecasting, they are currently
      in their early stages of development and not yet practical for widespread use.
    

Zdefiniuj format odpowiedzi

Możesz też podać instrukcje określające format odpowiedzi. Możesz na przykład poprosić o odpowiedź w formie tabeli, listy wypunktowanej, zwięzłej prezentacji, słów kluczowych, zdania lub akapitu. Ten komunikat systemowy instruuje model, aby w odpowiedziach stosował bardziej konwersacyjny styl:

    All questions should be answered comprehensively with details, unless the user requests a concise response specifically.
  

    What is a smart way to make a business that sells DVD's in 2025?
  

    Okay, you're looking at a real uphill battle here. The DVD market is significantly diminished due to streaming services, digital downloads, and Blu-ray. However, that doesn't necessarily mean it's impossible to build a DVD-based business in 2025. It just requires a hyper-focused strategy and a deep understanding of the remaining market. Here's a breakdown of smart approaches:

    I. Understanding the Challenges and Opportunities
    Challenges:
    Dominance of Streaming: Netflix, Amazon Prime Video, Disney+, and countless other services offer vast libraries on-demand.
    Digital Downloads/Rentals: Platforms like iTunes, Google Play, and Vudu make purchasing or renting digital versions easy.
    Blu-ray & 4K Ultra HD: Offer superior picture and sound quality, often preferred by home theater enthusiasts.
    ....
.....
  

      All questions should be answered comprehensively with details, unless the user requests a
      concise response specifically. Respond in the same language as the query.
    

      What is a smart way to create a lemonade business?
    

  Launching a Successful Lemonade Stand: A Smart Approach
  Creating a lemonade business, whether a simple stand or a larger operation, requires strategic thinking. Here's a breakdown of how to approach it smartly:
  
  1. Define Your Business:
  Scope: Are you aiming for a small, seasonal lemonade stand, a food truck, a delivery service, or something else entirely?
  Target Audience: Who are you selling to? Families, office workers, tourists?
  Unique Selling Proposition: What sets your lemonade apart? Special flavors, organic ingredients, a unique recipe?
  
  Pricing: Research competitor prices and determine a profitable pricing structure.
  Location: Consider foot traffic, accessibility, and regulations for your chosen location.
  .....
    

Podsumowanie

• Podawaj modelowi instrukcje dotyczące tego, co ma robić.
• Instrukcje powinny być jasne i konkretne.
• Określ ograniczenia lub wymagania dotyczące formatowania danych wyjściowych.

Uwzględnij przykłady z niewielką ilością danych

W prompcie możesz uwzględnić przykłady, które pokazują modelowi, jak poprawnie wykonać zadanie. Model próbuje rozpoznać wzorce i zależności na podstawie przykładów, a następnie stosuje je podczas generowania odpowiedzi. Prompty, które zawierają kilka przykładów, nazywamy promptami typu few-shot, a prompty, które nie zawierają żadnych przykładów, nazywamy promptami typu zero-shot. Prompty typu few-shot są często używane do regulowania formatowania, formułowania, zakresu lub ogólnego wzoru odpowiedzi modelu. Korzystaj z konkretnych i zróżnicowanych przykładów, aby ukierunkować model i uzyskać dokładniejsze wyniki.

Zalecamy, aby zawsze uwzględniać w promptach przykłady krótkich wypowiedzi. Prompty bez przykładów typu few-shot będą prawdopodobnie mniej skuteczne. Możesz usunąć instrukcje z promptu, jeśli przykłady wystarczająco jasno przedstawiają zadanie.

Prompty typu „zero-shot” a „few-shot”

Ten prompt zero-shot prosi model o wybranie najlepszego wyjaśnienia.

Please choose the best explanation to the question:

Question: How is snow formed?
Explanation1: Snow is formed when water vapor in the air freezes into ice crystals in the
atmosphere, which can combine and grow into snowflakes as they fall through the atmosphere and
accumulate on the ground.
Explanation2: Water vapor freezes into ice crystals forming snow.
Answer:
  

Explanation 1 is the best explanation.
  

Jeśli Twój przypadek użycia wymaga, aby model generował zwięzłe odpowiedzi, możesz uwzględnić w promptach przykłady, które preferują zwięzłe odpowiedzi.

Poniższy prompt zawiera 2 przykłady, które pokazują, że krótsze wyjaśnienia są preferowane. W odpowiedzi widać, że przykłady skłoniły model do wybrania krótszego wyjaśnienia (Explanation2) zamiast dłuższego (Explanation1), jak to miało miejsce wcześniej.

Below are some examples showing a question, explanation, and answer format:

Question: Why is sky blue?
Explanation1: The sky appears blue because of Rayleigh scattering, which causes shorter blue
wavelengths of light to be scattered more easily than longer red wavelengths, making the sky look
blue.
Explanation2: Due to Rayleigh scattering effect.
Answer: Explanation2

Question: What is the cause of earthquakes?
Explanation1: Sudden release of energy in the Earth's crust.
Explanation2: Earthquakes happen when tectonic plates suddenly slip or break apart, causing a
release of energy that creates seismic waves that can shake the ground and cause damage.
Answer: Explanation1

Now, Answer the following question given the example formats above:

Question: How is snow formed?
Explanation1: Snow is formed when water vapor in the air freezes into ice crystals in the
atmosphere, which can combine and grow into snowflakes as they fall through the atmosphere and
accumulate on the ground.
Explanation2: Water vapor freezes into ice crystals forming snow.
Answer:
  

Answer: Explanation2
  

Znajdowanie optymalnej liczby przykładów

Aby uzyskać najlepsze wyniki, możesz eksperymentować z liczbą przykładów w promptach. Modele takie jak Gemini często wykrywają wzorce na podstawie kilku przykładów, ale może być konieczne wypróbowanie różnych liczb przykładów, aby uzyskać pożądane wyniki. Jeśli jednak dodasz zbyt wiele przykładów, model może zacząć nadmiernie dopasowywać odpowiedź do przykładów.

Używaj przykładów, aby pokazywać wzorce zamiast antywzorców

Używanie przykładów, aby pokazać modelowi wzór do naśladowania, jest skuteczniejsze niż używanie przykładów, aby pokazać modelowi wzór do unikania.

⛔ Wzór negatywny:

Don't end haikus with a question:
Haiku are fun
A short and simple poem
Don't you enjoy them?
  

✅ Wzór pozytywny:

Always end haikus with an assertion:
Haiku are fun
A short and simple poem
A joy to write
  

Używaj spójnego formatowania w przykładach

Aby uniknąć odpowiedzi w niepożądanych formatach, sprawdź, czy struktura i formatowanie przykładów z niewielką ilością danych są takie same. Jednym z głównych celów dodawania przykładów typu few-shot do promptów jest pokazanie modelowi formatu odpowiedzi. Dlatego ważne jest, aby format był spójny we wszystkich przykładach. Zwróć szczególną uwagę na tagi XML, spacje, znaki końca wiersza i znaki rozdzielające przykłady.

Podsumowanie

• Uwzględnienie w promptach przykładów odpowiedzi pomaga modelowi nauczyć się, jak odpowiadać.
• Podaj modelowi przykłady wzorców, których ma przestrzegać, a nie przykłady wzorców, których ma unikać.
• Eksperymentuj z liczbą promptów do uwzględnienia. W zależności od modelu zbyt mała liczba przykładów może nie wystarczyć do zmiany zachowania modelu. Zbyt duża liczba przykładów powoduje nadmierne dopasowanie modelu.
• Stosuj spójne formatowanie w przykładach.

Dodawanie informacji kontekstowych

Zamiast zakładać, że model ma wszystkie wymagane informacje, możesz dołączyć do promptu instrukcje i informacje, których potrzebuje do rozwiązania problemu. Te informacje kontekstowe pomagają modelowi zrozumieć ograniczenia i szczegóły dotyczące tego, czego oczekujesz.

W tym przykładzie model prosi o wskazanie sposobu rozwiązania problemu z routerem:

What should I do to fix my disconnected wifi? The light on my Google Wifi router is yellow and
blinking slowly.
  

  A yellow blinking light on your Google Wifi router usually indicates a problem with the internet connection. Here are some steps to troubleshoot and fix the issue:
  1. Restart your router and modem:
    - Unplug your modem from the power outlet and wait for 30 seconds.
    - Plug your modem back in and wait for it to fully boot up.
    - Unplug your Google Wifi router and wait for 30 seconds.
    - Plug your Google Wifi router back in and wait for it to fully boot up.
.....
  

Answer the question using the text below. Respond with only the text provided.
Question: What should I do to fix my disconnected wifi? The light on my Google Wifi router is yellow and blinking slowly.

Text:
Color: Slowly pulsing yellow
What it means: There is a network error.
What to do:
Check that the Ethernet cable is connected to both your router and your modem and both devices are turned on. You might need to unplug and plug in each device again.

Color: Fast blinking yellow
What it means: You are holding down the reset button and are factory resetting this device.
What to do:
If you keep holding down the reset button, after about 12 seconds, the light will turn solid yellow. Once it is solid yellow, let go of the factory reset button.

Color: Solid yellow
What it means: Router is factory resetting.
What to do:
This can take up to 10 minutes. When it's done, the device will reset itself and start pulsing white, letting you know it's ready for setup.

Color: Solid red
What it means: Something is wrong.
What to do:
Critical failure. Factory reset the router. If the light stays red, contact Wifi customer support.
  

Check that the Ethernet cable is connected to both your router and your modem and both devices are turned on. You might need to unplug and plug in each device again.
  

Podsumowanie

• W promptach uwzględnij informacje (kontekst), których model ma używać podczas generowania odpowiedzi.
• Podaj modelowi instrukcje dotyczące korzystania z informacji kontekstowych.

Dodawanie prefiksów

Prefiks to słowo lub wyrażenie, które dodajesz do treści promptu. Może ono służyć do różnych celów w zależności od tego, gdzie je umieścisz:

• Prefiks wejścia: dodanie prefiksu do sygnałów wejściowych, aby semantycznie odzwierciedlał istotne części danych wejściowych dla modelu. Na przykład prefiksy „English:” i „French:” oznaczają 2 różne języki.
• Prefiks danych wyjściowych: dane wyjściowe są generowane przez model, ale możesz dodać prefiks dla danych wyjściowych w promptzie. W prefiksie danych wyjściowych znajdują się informacje o tym, czego oczekuje się w odpowiedzi. Na przykład prefiks danych wyjściowych „JSON:” sygnalizuje modelowi, że dane wyjściowe powinny być w formacie JSON.
• Przykład prefiksu: w promptach typu „few-shot” dodanie prefiksów do przykładów zapewnia etykiety, których model może używać podczas generowania danych wyjściowych, co ułatwia analizowanie treści wyjściowych.

W tym przykładzie „Text:” jest preiksem wejściowym, a „The answer is:” jest preiksem wyjściowym.

Classify the text as one of the following categories.
- large
- small
Text: Rhino
The answer is: large
Text: Mouse
The answer is: small
Text: Snail
The answer is: small
Text: Elephant
The answer is:
  

The answer is: large
  

Pozwól modelowi dokończyć częściowe dane wejściowe

Generatywne modele językowe działają jak zaawansowane narzędzie do autouzupełniania. Gdy podasz część treści, model może dostarczyć resztę treści lub to, co według niego jest kontynuacją tych treści, jako odpowiedź. Jeśli dodasz przykłady lub kontekst, model może je uwzględnić.

Ten przykład zawiera prompt z instrukcją i danymi wejściowymi:

For the given order, return a JSON object that has the fields cheeseburger, hamburger, fries, or
drink, with the value being the quantity.

Order: A burger and a drink.
  

```
{
  "hamburger": 1,
  "drink": 1
}
```
  

Model wykonał instrukcje, ale zapisywanie ich w języku naturalnym może być czasochłonne i wymaga od modelu interpretacji. Na przykład menu restauracji może zawierać wiele pozycji. Aby zmniejszyć rozmiar odpowiedzi JSON, warto pominąć elementy, które nie zostały zamówione. W takim przypadku możesz podać przykład i prefiks odpowiedzi, a model dokończyć zadanie:

Valid fields are cheeseburger, hamburger, fries, and drink.
Order: Give me a cheeseburger and fries
Output:
```
{
  "cheeseburger": 1,
  "fries": 1
}
```
Order: I want two burgers, a drink, and fries.
Output:
  

```
{
  "hamburger": 2,
  "drink": 1,
  "fries": 1
}
```
  

Zwróć uwagę, że element „cheeseburger” został wykluczony z wyników, ponieważ nie był częścią zamówienia.

Poproś model o sformatowanie odpowiedzi

Strategia zakończenia może też pomóc w sformatowaniu odpowiedzi. W tym przykładzie model tworzy plan eseju:

Create an outline for an essay about hummingbirds.
  

  Hummingbirds: A Symphony of Speed and Color
    I. Introduction
    A. Hummingbirds are fascinating creatures known for their dazzling colors, lightning-fast flight, and unique feeding habits.
    B. Brief overview of the diversity of hummingbird species and their geographic distribution.
    C. Thesis statement: Hummingbirds are an embodiment of resilience, adaptation, and the wonders of the natural world.
.....
  

Prompt nie określał formatu zarysu, więc model wybrał go za Ciebie. Aby model zwrócił streszczenie w określonym formacie, możesz dodać tekst, który stanowi początek streszczenia, a model uzupełni go na podstawie wstępnego wzorca.

Create an outline for an essay about hummingbirds.
I. Introduction
   *
  

  Hummingbirds: Jewels of the Air
    **I. Introduction**
       * **Hook:** Begin with a captivating image or anecdote about hummingbirds, emphasizing their vibrant colors, rapid flight, and unique feeding habits.
       * **Background:** Briefly introduce hummingbirds as the smallest birds in the world and their fascinating adaptations for a nectar-rich diet.
       * **Thesis:** State the main argument or focus of the essay. Examples: 
            * **The incredible adaptations of hummingbirds enable them to thrive in diverse ecosystems.**
            * **Hummingbirds play a crucial role in pollination and biodiversity.**
            * **The beauty and grace of hummingbirds make them captivating subjects for both scientific study and artistic appreciation.**
  

Podsumowanie

• Jeśli podasz modelowi częściowe dane wejściowe, uzupełni on te dane na podstawie dostępnych przykładów lub kontekstu w promptach.
• Czasami może być łatwiej, gdy model samodzielnie wypełni pole, niż opisywać zadanie w języku naturalnym.
• Dodanie częściowej odpowiedzi do prompta może pomóc modelowi w śledzeniu pożądanego wzoru lub formatu.

dzielić prompty na proste komponenty,

W przypadku zastosowań wymagających złożonych promptów możesz pomóc modelowi w zarządzaniu tą złożonością, dzieląc dane na prostsze komponenty.

Instrukcje szczegółowe

Zamiast umieszczać wiele instrukcji w jednym prompt, utwórz po jednym promptie na każdą instrukcję. Możesz wybrać, który prompt przetworzyć na podstawie danych wejściowych użytkownika.

Prośby o łańcuch

Odpowiedzi zbiorcze

Funkcja agregacji jest używana, gdy chcesz wykonywać różne zadania równolegle na różnych częściach danych i zbierać wyniki w celu uzyskania ostatecznego wyniku. Możesz na przykład polecić modelowi wykonanie jednej operacji na pierwszej części danych, a potem innej na pozostałej części danych i zsumowanie wyników.

Podsumowanie

• Podziel złożone instrukcje na prompty i zdecyduj, które z nich zastosować na podstawie danych wejściowych użytkownika.
• Podziel wiele kolejnych kroków na osobne prompty i połącz je w taki sposób, aby wyjście z poprzedniego promptu stało się wejściem do następnego promptu.
• Rozdziel równoległe zadania i zbiorczo przetwarzaj odpowiedzi, aby uzyskać wynik końcowy.

Eksperymentowanie z różnymi wartościami parametrów

Każde wywołanie wysłane do modelu zawiera wartości parametrów, które określają, jak model wygeneruje odpowiedź. Model może generować różne wyniki zależnie od tych wartości. Wypróbuj różne wartości parametrów, aby uzyskać najlepsze wyniki w tym zadaniu. Parametry dostępne w różnych modelach mogą się różnić. Najczęstsze parametry to:

• Maksymalna liczba tokenów wyjściowych
• Temperatura
• Top-K
• Top-P

Maksymalna liczba tokenów wyjściowych

Jeśli chcesz uzyskiwać krótsze odpowiedzi, podaj niższą wartość, a jeśli dłuższe – wyższą.

Temperatura

W większości przypadków dobrze jest zacząć od temperatury 0.2. Jeśli model zwróci zbyt ogólną lub krótką odpowiedź, albo odpowiedź zastępczą, spróbuj zwiększyć temperaturę.

Top-K

Na każdym etapie wyboru tokena próbkowane są tokeny Top-K o najwyższym prawdopodobieństwie. Tokeny są następnie filtrowane na podstawie parametru Top-P, a ostateczny wybór tokena dokonywany jest przy pomocy próbkowania z użyciem temperatury.

Jeśli chcesz uzyskiwać mniej losowe odpowiedzi, podaj niższą wartość, a jeśli bardziej – wyższą. Wartość domyślna parametru górnego K to 40.

Top-P

Jeśli chcesz uzyskiwać mniej losowe odpowiedzi, podaj niższą wartość, a jeśli bardziej – wyższą. Wartość domyślna parametru górnego P to 0.95.

Strategie iteracji promptów

Projektowanie promptów to proces iteracyjny, który często wymaga kilku iteracji, zanim otrzymasz pożądaną odpowiedź. W tej sekcji znajdziesz wskazówki dotyczące tego, co możesz zrobić, aby poprawić swoje prompty.

Użyj innego sformułowania

Użycie różnych słów lub zwrotów w promptach często powoduje, że model udziela różnych odpowiedzi, mimo że wszystkie oznaczają to samo. Jeśli prompt nie przynosi oczekiwanych wyników, spróbuj go przeformułować.

Version 1:
How do I bake a pie?

Version 2:
Suggest a recipe for a pie.

Version 3:
What's a good pie recipe?
  

Przełączanie się na analogiczne zadanie

Jeśli model nie będzie wykonywał instrukcji dotyczących danego zadania, spróbuj podać mu instrukcje dotyczące podobnego zadania, które daje ten sam wynik.

Ten prompt informuje model, aby sklasyfikował książkę za pomocą zdefiniowanych wstępnie kategorii.

Which category does The Odyssey belong to:
thriller
sci-fi
mythology
biography
  

    The Odyssey belongs to the category of **mythology**. 

    Here's why:
    
    * **Mythology:** The Odyssey tells the story of Odysseus, a hero from Greek mythology, and his
    journey home after the Trojan War. It features gods, monsters, and supernatural events common to
    Greek mythology.
.....
  

Odpowiedź jest poprawna, ale model nie pozostał w ramach opcji. Chcesz też, aby model odpowiadał tylko jednym z dostępnych wyborów, a nie pełnym zdaniem. W takim przypadku możesz przeformułować instrukcje jako pytanie jednokrotnego wyboru i poprosić model o wybranie opcji.

Multiple choice problem: Which of the following options describes the book The Odyssey?
Options:
- thriller
- sci-fi
- mythology
- biography
  

The correct answer is **mythology**. 
  

Zmienianie kolejności treści prompta

Kolejność treści w prośbie może czasami wpływać na odpowiedź. Spróbuj zmienić kolejność treści i zobacz, jak to wpływa na odpowiedź.

Version 1:
[examples]
[context]
[input]

Version 2:
[input]
[examples]
[context]

Version 3:
[examples]
[input]
[context]

Odpowiedzi zastępcze

Odpowiedź zastępcza to odpowiedź zwrócona przez model, gdy prompt lub odpowiedź powoduje uruchomienie filtra bezpieczeństwa. Przykładem odpowiedzi zastępczej jest „Nie mogę Ci w tym pomóc, ponieważ jestem tylko modelem językowym”.

Jeśli model zwróci odpowiedź zastępczą, spróbuj zwiększyć temperaturę.

Czego warto unikać

• Nie polegaj na modelach do generowania informacji o faktycznych.
• Używaj ostrożnie w zadaniach z matematyki i logiki.

Dalsze kroki

• Teraz, gdy już lepiej rozumiesz projektowanie promptów, spróbuj napisać własne prompty za pomocą Google AI Studio.
• Więcej informacji o promptach multimodalnych znajdziesz w artykule Prompty z plikami multimedialnymi.