Prompt Engineering Techniky

Prompt reframing: Jak změnit úhel pohledu AI pro lepší výsledky

Bře 30, 2024 by Vladimír Matula 0 Comments

Technika Prompt Reframing (Přeformulování výzvy) je účinným nástrojem v práci s jazykovými modely, jako je Chat GPT. Jejím hlavním cílem je jemně změnit formulaci výzvy, aniž by se změnil její původní záměr. To může vést k vytváření různých odpovědí, které mohou nabídnout nové pohledy na stejnou problematiku. Tato technika je užitečná zejména při hledání různých perspektiv, zlepšování kvality odpovědí a obohacování obsahu.

Technika Prompt Reframing (Přeformulování) je užitečná metoda v oblasti umělé inteligence, která umožňuje jemně změnit formulaci dotazu, přičemž zůstává věrná původnímu záměru. Tato technika může být velmi užitečná pro získávání různorodých odpovědí na stejný nebo podobný dotaz, čímž se obohacuje kontext a poskytují se nové úhly pohledu.

Podrobnější vysvětlení techniky Prompt Reframing

1. Přizpůsobení výzvy při zachování záměru: Prompt Reframing zahrnuje jemné úpravy v zadání dotazu, které umožňují modelu vygenerovat různé odpovědi, přičemž základní záměr dotazu zůstává stejný. To může zahrnovat změnu struktury věty, použití synonym nebo parafrázování.

2. Podpora různorodých odpovědí: Tím, že se dotaz přeformuluje, může model interpretovat úkol různými způsoby a poskytnout různé odpovědi, které odpovídají původnímu záměru. Tato metoda je užitečná zejména při exploraci různých myšlenek a přístupů.

Techniky formulování pro zachování záměru

A. Použití synonym: Použití různých slov nebo frází, které mají stejný nebo podobný význam, může pomoci modelu generovat různé odpovědi. Například místo „Popište výhody práce z domova“ můžete použít „Jaké jsou přínosy práce z domova?“.

Příklad:

  • Originál: „Popište výhody práce z domova.“
  • Přeformulováno: „Jaké jsou přínosy práce z domova?“

B. Parafrázování otázek: Přeformulování otázky tak, aby byla mírně odlišná, ale stále se zaměřovala na stejný hlavní bod, může vést k různým odpovědím. Tento přístup může přinést nové nuance v odpovědích.

Příklad:

  • Originál: „Jaké jsou výzvy spojené s implementací obnovitelných zdrojů energie?“
  • Přeformulováno: „S jakými obtížemi se můžeme setkat při zavádění obnovitelných zdrojů energie?“

C. Změna perspektivy: Změna úhlu pohledu může nabídnout nový kontext pro odpověď. Například místo otázky z obecného pohledu lze otázku položit z pohledu specifické skupiny lidí.

Příklad:

  • Originál: „Jaké jsou dopady klimatických změn?“
  • Přeformulováno: „Jak klimatické změny ovlivňují zemědělce?“

D. Zahrnutí specifických aspektů: Přidání specifických aspektů do dotazu může vést k více zaměřeným a podrobným odpovědím.

Příklad:

  • Originál: „Diskutujte o technologických inovacích posledního desetiletí.“
  • Přeformulováno: „Jaké technologické inovace v oblasti komunikace byly nejvýznamnější za poslední desetiletí?“

Designové pokyny pro přeformulování promptů

Pro zjednodušení promptů byly identifikovány následující principy:

  1. Použití nízkoúrovňových vzorů: Místo termínů, které vyžadují znalosti kontextu, použijte konkrétní vzory očekávaného výstupu.
  2. Seznamování instrukcí: Přeměňte popisné atributy na odrážkové seznamy. Negativní tvrzení převeďte na pozitivní.
  3. Rozdělení úkolu: Rozdělte úkol na více jednodušších úkolů.
  4. Zavedení omezení: Přidejte explicitní textové instrukce k omezením výstupu.
  5. Specializace instrukce: Přizpůsobte instrukce tak, aby přímo odpovídaly zamýšlenému výstupu.
Prompt Engineering Techniky

Template Filling (Vyplňování šablon) pro stabilní výstupy

Bře 30, 2024 by Vladimír Matula 0 Comments

Template Filling (vyplňování šablon) v prompt engineeringu znamená, že používáš šablonu promptu s placeholdery (např. {{promenna}}) a před odesláním do LLM je automaticky nahradíš konkrétními hodnotami z dat. Výsledkem je vždy konkrétní prompt pro daný případ, ale se stejnou strukturou instrukcí.

K čemu to je

  • Konzistence: každá generace dostane stejná pravidla a formát.
  • Škálování: jedna šablona může obsloužit velké množství variant.
  • Kontrola: můžeš vynutit tón, délku, strukturu a zakázat nežádoucí tvrzení.
  • Stabilita: méně náhodných rozdílů, protože instrukce jsou pořád stejné.

Doporučená struktura šablony promptu

  1. Role / úkol: kdo má model být a co má udělat.
  2. Cíl: jaký typ výstupu a jak má být dlouhý.
  3. Data: vstupní fakta a parametry (zde se vyplňují placeholdery).
  4. Pravidla: co model smí/nesmí, zakázaná slova, omezení.
  5. Formát výstupu: přesná struktura (např. odstavce, seznam, JSON).
  6. Fallback: jak postupovat při chybějících datech (např. “neuvedeno” / “UNKNOWN”).

Ukázka šablony promptu (obecná)

Jsi [ROLE]. Tvůj úkol je [ÚKOL].

CÍL:
- Výstup: [TYP VÝSTUPU]
- Délka: [ROZSAH]
- Tón: [TÓN / STYL]

DATA (použij jen tato fakta, nic nevymýšlej):
- Pole A: {{pole_a}}
- Pole B: {{pole_b}}
- Pole C: {{pole_c}}

PRAVIDLA:
- Neuváděj informace, které nejsou v DATA.
- Dodrž délku a tón.
- Zakázaná slova/tvrzení: [SEZNAM]

FALLBACK:
- Pokud některé pole chybí, napiš “neuvedeno”.

VÝSTUPNÍ FORMÁT:
- [POVINNÁ STRUKTURA, např. H1 + 2 odstavce / JSON se schématem]

Nejčastější chyby a jak jim předejít

  • Nejasná data: používej standardizované názvy polí a stejný formát (data, měny, jednotky).
  • Chybějící pole: vždy definuj fallback chování (co napsat, když hodnota není).
  • Příliš volné instrukce: vynucuj strukturu výstupu a přidej konkrétní omezení.
  • Riziko halucinací: explicitně zakaž přidávání faktů mimo sekci DATA.

Doporučené “guardrails”

  • Explicitní pravidlo: „Použij pouze fakta z DATA.“
  • Zakázané tvrzení: seznam claimů/slov, která se nesmí objevit.
  • Kontrola formátu: požaduj výstup ve striktní struktuře (např. JSON schema).
  • Kontrola délky: stanov max/min rozsah a požaduj dodržení.
  • Fallback režim: jednotné chování při chybějících hodnotách.
Prompt Engineering Techniky

Least-To-Most Prompting (Od nejméně po nejvíce)

Bře 30, 2024 by Vladimír Matula 0 Comments

V článku Least-to-Most Prompting Enables Complex Reasoning in Large Language Models], který navrhli Zhou a kol. z Google Research, je metoda Least-to-most prompting novou metodou, jejímž cílem je zlepšit schopnost řešení problémů ve velkých jazykových modelech.

Metoda vychází z pedagogické psychologie a spočívá v rozkladu složitých problémů na jednodušší, postupné podproblémy, přičemž využívá odpovědi z předchozích podproblémů k usnadnění řešení následujících.

Implementace metody „least-to-most prompting“ nevyžaduje trénování modelu ani jeho dolaďování. 

Provádí se výhradně prostřednictvím několika podnětů, což se účinně projevilo v úlohách, jako je symbolická manipulace, kompoziční zobecnění (schopnost naučit se význam slov a následně je asociací aplikovat na jiné pojmy) a matematické uvažování.

Následující obrázek z článku ukazuje řešení matematické slovní úlohy metodou least-to-most ve dvou fázích: (1) dotaz na jazykový model pro rozklad úlohy na dílčí úlohy; (2) dotaz na jazykový model pro postupné řešení dílčích úloh. Odpověď na druhý podproblém je postavena na odpovědi na první podproblém. 

Demonstrační příklady pro výzvu každé fáze jsou v této ilustraci vynechány.

Zdroj: PromptChainer: Řetězení výzev velkých jazykových modelů pomocí vizuálního programování. ze dne [ 13. března 2022].
(více…)
Prompt Engineering Techniky

Self-Ask Prompting (Sebedotazování)

Bře 30, 2024 by Vladimír Matula 0 Comments

Moderní jazykové modely jsou v mnohém ohromující – dokáží psát, překládat, analyzovat i programovat. Přesto mají jednu výraznou slabinu: složené otázky, které vyžadují několik logických kroků. Pokud se zeptáte „Kdo byl prezidentem Francie v roce, kdy zemřel Picasso?“, model musí nejprve zjistit, kdy Picasso zemřel, a teprve potom hledat francouzského prezidenta pro daný rok. Právě pro tyto situace vznikly techniky jako Self-Ask Prompting a Ask Me Anything (AMA).

(více…)
Prompt Engineering Techniky

Symbolické uvažování (PAL): Cesta k přesným výpočtům v LLM

Bře 30, 2024 by Vladimír Matula 0 Comments

Uvažujme následující otázku:

Mám židli, dvě brambory, květák, hlávku salátu, dva stoly, zelí, dvě cibule a tři lednice. Kolik mám zeleniny?

LLM by měl převést vstup na slovník s entitami a hodnotami podle jejich množství, přičemž by měl odfiltrovat entity, které nejsou zeleninou.

Nakonec je odpovědí součet hodnot slovníku pod výstupem PAL z LLM:

 

# note: I'm not counting the chair, tables, or fridges
   vegetables_to_count = {
       'potato': 2,
       'cauliflower': 1,
       'lettuce head': 1,
       'cabbage': 1,
       'onion': 2
   }
   answer = sum(vegetables_to_count.values())
Prompt Engineering Techniky

Automatic Reasoning (Automatické Uvažování a používání nástrojů ART)

Bře 30, 2024 by Vladimír Matula 0 Comments

ART, aneb co kdyby si AI uměla sama říct, jaký nástroj potřebuje

Když řešíte složitý pracovní úkol, nepracujete jen z hlavy. Sáhnete po kalkulačce, vyhledáte si aktuální data, podíváte se, jak jste podobný problém řešili minule. Přirozeně kombinujete vlastní uvažování s nástroji kolem sebe. Jenže jazykové modely to tradičně neuměly – byly odkázány výhradně na to, co se naučily během tréninku, bez možnosti cokoli ověřit nebo doplnit za pochodu. Rámec ART (Automatic Reasoning and Tool-use), který v roce 2023 vyvinul tým výzkumníků vedený Bhargavi Paranjape, tuto hranici posouvá.

(více…)
Prompt Engineering Techniky

Iterative Prompting (Iterativní promptování)

Bře 30, 2024 by Vladimír Matula 0 Comments

Iterativní promptování je způsob práce s jazykovým modelem (LLM), kdy se nesnažíš napsat „dokonalý prompt“ hned napoprvé. Místo toho používáš opakovaný cyklus: zadáš první verzi promptu, podíváš se na výstup, vyhodnotíš, co je špatně nebo co chybí, prompt upravíš (nebo doplníš) a zkusíš to znovu. 

Každá další iterace je cílený krok, který má posunout výstup blíž k tomu, co opravdu chceš.

(více…)
Prompt Engineering Techniky

Sequential Prompting (Sekvenční promptování)

Bře 30, 2024 by Vladimír Matula 0 Comments

Sequential prompting (sekvenční promptování) je technika prompt engineeringu, kdy místo jednoho velkého promptu používáš sérii promptů v určitém pořadí. Každý krok má jasný dílčí cíl (např. analýza → návrh → kontrola → finální výstup) a postupně model „vedeš“ k lepšímu výsledku. Smysl je rozdělit složitý úkol na menší části, které se dají snadněji řídit a kontrolovat.

(více…)
Vzorce pro prodejní dopisy, Vzorce pro reklamní inzeráty, Vzorce pro výzvy k akci

Drahokam Boba Stonea

Bře 24, 2024 by Vladimír Matula 0 Comments

Nyní si vytvořím HTML výstup podle vzoru ostatních vzorců v příkladech:
html


Bob Stone's Gem Formula

Drahokam Boba Stonea


Bob Stone’s Gem je legendární 7kroková formulka, kterou vytvořil Bob Stone, přezdívaný „Pan Direct Marketing“. Tato metodika se více než 35 let úspěšně používá v prodejních dopisech, reklamách s přímou odezvou a marketingových kampaních. Formulka systematicky vede čtenáře od nejsilnějšího přínosu až k výzvě k akci.

# Postup:

Začněte nejsilnějším přínosem, postupně ho rozviňte, konkretizujte nabídku, podložte důkazy, ukažte náklady nečinnosti, shrňte výhody a zakončete jasnou výzvou k akci.

1
NEJSILNĚJŠÍ PŘÍNOS (Strongest Benefit)
Začněte nejdůležitějším přínosem ve stručném a jasném tvrzení – ideálně v nadpisu nebo úvodní větě.

2
ROZŠÍŘENÍ PŘÍNOSU (Expand Benefit)
Rozveďte hlavní přínos a ukažte pozitivní dopad na život čtenáře. Vybudujte zájem rychle.

3
CO ZÍSKAJÍ (What They Get)
Detailně popište, co čtenář dostane – všechny funkce, vlastnosti a přínosy. Buďte konkrétní.

4
DŮKAZ (Proof)
Podložte tvrzení sociálními důkazy, testimonials, statistikami, oceněními nebo případovými studiemi.

5
ZTRÁTA PŘI NEČINNOSTI (Cost of Inaction)
Ukažte, co ztratí, pokud nebudou jednat. Lidé se víc bojí ztráty než touží po zisku.

6
SHRNUTÍ VÝHOD (Summary Benefits)
Zopakujte klíčové přínosy a připomeňte hodnotu nabídky. Poslední šance přesvědčit.

7
VÝZVA K AKCI (Call to Action)
Jasně řekněte, co má čtenář udělat. Jednoduché, přímé a bez nutnosti přemýšlení.

Read More