Guide résumé d'ingénierie rédactive
Fournir des instructions claires
Ces modèles ne peuvent pas lire dans vos pensées. Si les sorties sont trop longues, demandez des réponses brèves. Si les sorties sont trop simples, demandez des écrits de niveau expert. Si vous n'aimez pas le format, démontrez le format que vous souhaitez voir. Moins le modèle doit deviner ce que vous voulez, plus vous avez de chances d'obtenir ce que vous voulez.
Inclure des détails dans votre requête pour obtenir des réponses plus pertinentes
- Bon exemple : "Rédigez un article de 300 mots sur les avantages de l'IA dans les soins de santé."
- Mauvais exemple : "Parle-moi de l'IA."
Demander au modèle d'adopter un personnage
- Bon exemple : "Tu es un expert en énergie renouvelable. Explique comment fonctionnent les panneaux solaires."
- Mauvais exemple : "Explique comment fonctionnent les panneaux solaires."
Utiliser des délimiteurs pour indiquer clairement les différentes parties de l'entrée
- Bon exemple : "Résumez le texte suivant :
Le changement climatique est un problème mondial..."
- Mauvais exemple : "Résumez ce texte."
Spécifier les étapes nécessaires pour accomplir une tâche
- Bon exemple : "Énumérez les étapes pour faire un gâteau : 1. Préchauffez le four, 2. Mélangez les ingrédients, 3. Faites cuire pendant 30 minutes."
- Mauvais exemple : "Comment fait-on un gâteau?"
Fournir des exemples
- Bon exemple : "Écrivez un poème sur l'océan. Par exemple, 'Les vagues se brisent sur le rivage, une symphonie rythmée.'"
- Mauvais exemple : "Écrivez un poème."
Spécifier la longueur souhaitée de la sortie
- Bon exemple : "Fournissez un bref résumé (50 mots) des avantages de l'exercice."
- Mauvais exemple : "Quels sont les avantages de l'exercice?"
Éviter les Questions Orientées ou Biaisées
Description: Formulez des questions de manière neutre pour éviter des réponses biaisées. Exemple:
- Mauvais : "Pourquoi les voitures électriques sont-elles meilleures que les voitures à essence ?"
- Bon : "Quels sont les avantages et les inconvénients des voitures électriques par rapport aux voitures à essence ?"
Affinage Itératif
Description: Affinez les prompts de manière itérative en fonction des réponses de l'IA. Exemple:
- "Qu'est-ce que la blockchain ?"
- (Après la réponse) "Pouvez-vous expliquer comment la blockchain est utilisée dans le secteur bancaire ?"
- (Après la réponse) "Quels sont les défis de l'adoption de la blockchain dans le secteur bancaire ?"
- "Quelle est la population actuelle de Tokyo ? (Utilisez des données actualisées pour répondre.)"
Fournir un texte de référence
Les modèles linguistiques peuvent inventer des réponses fausses en toute confiance, en particulier lorsqu'on leur pose des questions sur des sujets ésotériques ou pour des citations et des URL. De la même manière qu'une feuille de notes peut aider un étudiant à mieux réussir un examen, fournir un texte de référence à ces modèles peut les aider à répondre avec moins de fabrications.
Instruire le modèle à répondre en utilisant un texte de référence
- Bon exemple : "En vous basant sur le texte suivant, résumez l'argument de l'auteur : 'Dans son livre, l'auteur affirme...'"
- Mauvais exemple : "Résumez l'argument de l'auteur."
Instruire le modèle à répondre avec des citations d'un texte de référence
- Bon exemple : "Répondez à la question en utilisant des citations de cet article : 'L'impact économique de l'IA est substantiel...' [source]."
- Mauvais exemple : "Quel est l'impact économique de l'IA?"
Diviser les tâches complexes en sous-tâches plus simples
De la même manière qu'il est bon de décomposer un système complexe en un ensemble de composants modulaires en ingénierie logicielle, il en va de même pour les tâches soumises à un modèle linguistique. Les tâches complexes ont tendance à avoir des taux d'erreur plus élevés que les tâches plus simples. De plus, les tâches complexes peuvent souvent être redéfinies comme un flux de tâches plus simples dans lequel les sorties des premières tâches sont utilisées pour construire les entrées des tâches ultérieures.
Utiliser la classification d'intention pour identifier les instructions les plus pertinentes pour une requête utilisateur
- Bon exemple : "Classifiez la requête de l'utilisateur comme une demande d'information, une commande ou une question."
- Mauvais exemple : "Traitez la requête de l'utilisateur."
Pour les applications de dialogue nécessitant des conversations très longues, résumer ou filtrer les dialogues précédents
- Bon exemple : "Résumez les 10 messages précédents dans cette conversation."
- Mauvais exemple : "Résumez la conversation."
Résumer les longs documents par morceaux et construire un résumé complet de manière récursive
- Bon exemple : "Résumez les trois premiers chapitres, puis combinez-les en un résumé global."
- Mauvais exemple : "Résumez le livre."
Intention Claire
Description: Exprimez clairement votre intention dans le prompt. Exemple:
- "Votre tâche est de résumer cet article en moins de 150 mots."
Ajustement du Ton et du Style
Description: Adaptez le ton et le style de votre prompt selon vos besoins. Exemple:
- Formelle : "Veuillez rédiger un rapport sur les tendances économiques actuelles."
- Informelle : "Peux-tu me donner un résumé rapide des dernières nouvelles économiques ?"
Techniques Avancées
Few-shot Prompting
Description: Fournir quelques exemples pour guider le modèle vers une meilleure performance. Exemple:
Traduis en Espagnol les entrée que je te donne.
- User: Bonjour
- Assistant: Hola
- User: Comment vas tu?
- Assistant: Como Estas?
Chain-of-Thought (CoT) Prompting
Description: Demander au modèle de raisonner étape par étape.
Exemple:
- "Résolvons ce problème étape par étape. Si j'ai 5 pommes et que j'en donne 2, combien me reste-t-il ?"
3. Self-Consistency
Description: Générer plusieurs chemins de raisonnement et sélectionner la réponse la plus cohérente. Exemple:
- "Quel est le résultat de 17 + 19 ? Réfléchissons de plusieurs manières pour vérifier la réponse."
4. Generated Knowledge
Description: Utiliser des informations supplémentaires générées pour améliorer les réponses.
Exemple:
- "Expliquez pourquoi le ciel est bleu. Utilisez des connaissances supplémentaires sur l'atmosphère terrestre et la diffusion de la lumière."
5. Least-to-Most Prompting
Description: Commencer avec un prompt minimal et augmenter progressivement la complexité. Exemple:
- "Qu'est-ce qu'une cellule ?"
- "Quels sont les différents types de cellules chez les animaux ?"
- "Comment les cellules animales diffèrent-elles des cellules végétales ?"
6. Tree of Thoughts (ToT)
Description: Organiser les prompts de manière hiérarchique pour guider le raisonnement.
Exemple:
- "Décomposez les étapes nécessaires pour résoudre un problème complexe de mathématiques en sous-étapes plus simples."
7. Graph of Thoughts (GoT)
Description: Utiliser une approche en graphes pour représenter les pensées générées par le modèle. Exemple:
- "Créez un graphe des différents facteurs affectant le changement climatique et leurs interconnexions."
8. Retrieval Augmentation
Description: Incorporer des connaissances externes pour réduire les hallucinations du modèle.
Exemple:
- "Quelle est la population actuelle de Tokyo ? (Utilisez des données actualisées pour répondre.)"