Prompt

Rollen af et prompt i LLM

Prompts spiller en afgørende rolle for funktionaliteten af LLM’er. De fungerer som den primære mekanisme, hvorigennem brugere interagerer med disse modeller. Ved at formulere dine forespørgsler eller instruktioner effektivt kan du i høj grad påvirke kvaliteten og relevansen af de svar, der genereres af LLM’en. Gode prompts er essentielle for at udnytte det fulde potentiale af LLM’er, uanset om det er til erhvervsapplikationer, indholdsproduktion eller forskningsformål.

Hvordan bruges et prompt i LLM?

Prompts bruges på forskellige måder til at styre outputtet fra en LLM. Her er nogle almindelige fremgangsmåder:

1. Zero-Shot Prompting: At give LLM’en en opgave uden nogen eksempler. For eksempel: “Oversæt ‘cheese’ til fransk.”
2. One-Shot Prompting: At give ét eksempel for at illustrere opgaven. For eksempel: “Oversæt engelsk til fransk: cheese => fromage. Nu oversæt ‘bread’.”
3. Few-Shot Prompting: At give flere eksempler for at guide modellen. For eksempel: “Oversæt engelsk til fransk: cheese => fromage, bread => pain. Nu oversæt ‘apple’.”
4. Chain-of-Thought Prompting: At inkludere detaljerede ræsonnementstrin i prompten for at hjælpe modellen med at generere et gennemtænkt svar. For eksempel: “Hvis du har 5 æbler og køber 3 mere, hvor mange æbler har du så? Først har du 5 æbler. Så lægger du 3 mere til, hvilket giver dig i alt 8 æbler.”

At lave effektive prompts i LLM

At skabe effektive prompts kræver klarhed og specificitet. Her er nogle tips:

• Klarhed: Brug et simpelt, entydigt sprog. Undgå jargon og komplekse ord. For eksempel: I stedet for at spørge, “Hvem vandt valget?” så specificér, “Hvilket parti vandt parlamentsvalget i Paraguay i 2023?”
• Specificitet: Giv nødvendig kontekst. I stedet for at spørge, “Lav en liste over titler til min selvbiografi,” vær specifik: “Lav en liste over ti titler til min selvbiografi. Bogen handler om min rejse som eventyrer, der har levet et utraditionelt liv, mødt mange forskellige personligheder og til sidst fundet fred i havearbejde.”
• Positive instruktioner: Formuler dine anvisninger positivt. I stedet for at sige, “Gør ikke titlerne for lange,” præcisér, “Hver titel skal bestå af mellem to og fem ord.”

Avancerede prompting-teknikker

Few-Shot og Chain-of-Thought Prompting

Forskere har fundet ud af, at det at give eksempler (few-shot prompting) eller inkludere detaljerede ræsonnementstrin (chain-of-thought prompting) kan forbedre modellens præstation markant. For eksempel:

• Few-Shot Prompting: “Oversæt engelsk til fransk: cheese => fromage, bread => pain. Nu oversæt ‘apple’.”
• Chain-of-Thought Prompting: “Roger har 5 tennisbolde. Han køber 6 mere. Hvor mange tennisbolde har han i alt? Først har Roger 5 tennisbolde. Så køber han 6 mere, hvilket betyder, at han nu har 11 tennisbolde.”

Struktureret prompting

At strukturere dit prompt på en meningsfuld måde kan guide LLM’en til at generere mere nøjagtige og relevante svar. For eksempel, hvis opgaven er kundeservice, kan du starte med en systembesked: “Du er en venlig AI-agent, der kan hjælpe kunden med deres nylige ordre.”