mirror of
https://github.com/dair-ai/Prompt-Engineering-Guide
synced 2024-11-08 07:10:41 +00:00
115 lines
3.4 KiB
Plaintext
115 lines
3.4 KiB
Plaintext
# Noções Básicas de Prompt
|
|
|
|
## Prompts Básicos
|
|
|
|
Você pode conseguir muito com prompts simples, mas a qualidade dos resultados depende da quantidade de informações que você fornece e de quão bem elaboradas são. Um prompt pode conter informações como *instrução* ou *pergunta* que você está passando para o modelo e incluir outros detalhes como *contexto*, *entradas* ou *exemplos*. Você pode usar esses elementos para instruir melhor o modelo e, como resultado, obter melhores resultados.
|
|
|
|
Vamos começar analisando um exemplo básico de um prompt simples:
|
|
|
|
*Prompt*
|
|
```
|
|
O céu é
|
|
```
|
|
|
|
*Saída:*
|
|
```
|
|
azul
|
|
|
|
O céu é azul em um dia claro. Em um dia nublado, o céu pode ser cinza ou branco.
|
|
```
|
|
|
|
Como você pode ver, o modelo de linguagem gera uma continuação de strings que fazem sentido no contexto `"O céu é"`. A saída pode ser inesperada ou distante da tarefa que queremos realizar.
|
|
|
|
Este exemplo básico também destaca a necessidade de fornecer mais contexto ou instruções sobre o que especificamente queremos alcançar.
|
|
|
|
Vamos tentar melhorar um pouco:
|
|
|
|
*Prompt:*
|
|
```
|
|
Complete a sentença:
|
|
|
|
O céu é
|
|
```
|
|
|
|
*Saída:*
|
|
|
|
```
|
|
tão lindo hoje.
|
|
```
|
|
|
|
Isto é melhor? Bem, dissemos ao modelo para completar a frase para que o resultado fique muito melhor, pois segue exatamente o que dissemos para fazer ("complete a frase"). Essa abordagem de projetar prompts ideais para instruir o modelo a executar uma tarefa é chamada de **engenharia de prompt**.
|
|
|
|
O exemplo acima é uma ilustração básica do que é possível com LLMs hoje. Os LLMs de hoje são capazes de executar todos os tipos de tarefas avançadas que variam de resumo de texto a raciocínio matemático e geração de código.
|
|
|
|
## Formatação de prompt
|
|
|
|
Tentamos um prompt muito simples acima. Um prompt padrão tem o seguinte formato:
|
|
|
|
```
|
|
<Pergunta>?
|
|
```
|
|
|
|
ou
|
|
|
|
```
|
|
<Instrução>
|
|
```
|
|
|
|
Isso pode ser formatado em um formato de resposta a perguntas (QA), que é padrão em muitos conjuntos de dados de QA, como segue:
|
|
|
|
```
|
|
P: <Pergunta>?
|
|
A:
|
|
```
|
|
|
|
Ao solicitar como o acima, também é chamado de *prompt de tiro zero*, ou seja, você está solicitando diretamente ao modelo uma resposta sem nenhum exemplo ou demonstração sobre a tarefa que deseja realizar. Alguns modelos de linguagem grandes têm a capacidade de executar prompts zero-shot, mas isso depende da complexidade e do conhecimento da tarefa em questão.
|
|
|
|
Dado o formato padrão acima, uma técnica popular e eficaz para solicitação é chamada de *promoção de poucos tiros*, onde fornecemos exemplos (ou seja, demonstrações). Os prompts de poucas fotos podem ser formatados da seguinte maneira:
|
|
|
|
```
|
|
<Pergunta>?
|
|
<Resposta>
|
|
|
|
<Pergunta>?
|
|
<Resposta>
|
|
|
|
<Pergunta>?
|
|
<Resposta>
|
|
|
|
<Pergunta>?
|
|
|
|
```
|
|
|
|
A versão do formato QA ficaria assim:
|
|
|
|
```
|
|
P: <Pergunta>?
|
|
R: <Resposta>
|
|
|
|
P: <Pergunta>?
|
|
R: <Resposta>
|
|
|
|
P: <Pergunta>?
|
|
R: <Resposta>
|
|
|
|
P: <Pergunta>?
|
|
A:
|
|
```
|
|
|
|
Lembre-se de que não é necessário usar o formato QA. O formato do prompt depende da tarefa em mãos. Por exemplo, você pode executar uma tarefa de classificação simples e fornecer exemplares que demonstrem a tarefa da seguinte forma:
|
|
|
|
*Prompt:*
|
|
```
|
|
Isso é incrível! // Positivo
|
|
Isto é mau! // Negativo
|
|
Uau, esse filme foi rad! // Positivo
|
|
Que espetáculo horrível! //
|
|
```
|
|
|
|
*Saída:*
|
|
```
|
|
Negativo
|
|
```
|
|
|
|
Os prompts de poucos disparos permitem o aprendizado no contexto, que é a capacidade dos modelos de linguagem de aprender tarefas dadas algumas demonstrações.
|