പ്രോംപ്റ്റ് എഞ്ചിനീയറിംഗ് എങ്ങനെ പ്രവർത്തിക്കുന്നു
OpenAI മോഡലുകൾ പരിശീലിപ്പിക്കുന്ന രീതിയുടെ കാരണം, പ്രത്യേകിച്ച് നന്നായി പ്രവർത്തിക്കുകയും കൂടുതൽ പ്രയോജനപ്രദമായ മോഡൽ ഔട്ട്പുട്ടുകളിലേക്ക് നയിക്കുകയും ചെയ്യുന്ന നിർദ്ദിഷ്ട പ്രോംപ്റ്റ് ഫോർമാറ്റുകൾ ഉണ്ട്. പ്രോംപ്റ്റിംഗ് നുറുങ്ങുകൾക്കായി ആരംഭിക്കാൻ സാധാരണയായി ഏറ്റവും നല്ല സ്ഥലം OpenAI-യുടെ ഔദ്യോഗിക പ്രോംപ്റ്റ് എഞ്ചിനീയറിംഗ് ഗൈഡ് ആണ്.
നന്നായി പ്രവർത്തിക്കുന്നതായി ഞങ്ങൾ കണ്ടെത്തിയ ചില പ്രോംപ്റ്റ് ഫോർമാറ്റുകൾ താഴെ അവതരിപ്പിക്കുന്നു, എന്നാൽ നിങ്ങളുടെ ടാസ്കിന് കൂടുതൽ അനുയോജ്യമായേക്കാവുന്ന വ്യത്യസ്ത ഫോർമാറ്റുകൾ അന്വേഷിക്കാൻ മടിക്കേണ്ടതില്ല.
പൊതുനിയമങ്ങളും ഉദാഹരണങ്ങളും
കുറിപ്പ്: “{text input here}” യഥാർത്ഥ ടെക്സ്റ്റ്/സന്ദർഭത്തിനുള്ള പ്ലേസ്ഹോൾഡറാണ്.
1. ഏറ്റവും പുതിയ മോഡൽ ഉപയോഗിക്കുക
മികച്ച ഫലങ്ങൾക്കായി, ഏറ്റവും പുതിയതും ഏറ്റവും ശേഷിയുള്ളതുമായ മോഡലുകൾ ഉപയോഗിക്കാൻ ഞങ്ങൾ സാധാരണയായി ശുപാർശ ചെയ്യുന്നു. പുതിയ മോഡലുകളിൽ പ്രോംപ്റ്റ് എഞ്ചിനീയറിംഗ് നടത്തുന്നത് കൂടുതൽ എളുപ്പമായിരിക്കും.
കുറിപ്പ്: ഒരു റീസണിംഗ് മോഡലിന് പ്രോംപ്റ്റ് നൽകുന്നതും GPT മോഡലിന് പ്രോംപ്റ്റ് നൽകുന്നതും തമ്മിൽ പരിഗണിക്കേണ്ട ചില വ്യത്യാസങ്ങളുണ്ട്. കൂടുതൽ വിശദാംശങ്ങൾ ഇവിടെ.
2. നിർദ്ദേശങ്ങൾ പ്രോംപ്റ്റിന്റെ തുടക്കത്തിൽ ഇടുക, നിർദ്ദേശവും സന്ദർഭവും വേർതിരിക്കാൻ ### അല്ലെങ്കിൽ """ ഉപയോഗിക്കുക
കുറച്ച് ഫലപ്രദം ❌:
താഴെയുള്ള വാചകം ഏറ്റവും പ്രധാനപ്പെട്ട നിർദേശങ്ങളുള്ള ബുള്ളറ്റ് പോയിന്റ് പട്ടികയായി സംഗ്രഹിക്കുക.
{text input here}മികച്ചത് ✅:
താഴെയുള്ള വാചകം ഏറ്റവും പ്രധാനപ്പെട്ട നിർദേശങ്ങളുള്ള ബുള്ളറ്റ് പോയിന്റ് പട്ടികയായി സംഗ്രഹിക്കുക.
വാചകം: """
{text input here}
"""3. ആഗ്രഹിക്കുന്ന സന്ദർഭം, ഫലം, ദൈർഘ്യം, ഫോർമാറ്റ്, ശൈലി തുടങ്ങിയവയെക്കുറിച്ച് സാധ്യമായത്ര നിർദ്ദിഷ്ടവും വിവരണാത്മകവും വിശദവുമായിരിക്കുക
സന്ദർഭം, ഫലം, ദൈർഘ്യം, ഫോർമാറ്റ്, ശൈലി തുടങ്ങിയവയെക്കുറിച്ച് നിർദ്ദിഷ്ടമായിരിക്കുക.
കുറച്ച് ഫലപ്രദം ❌:
OpenAIയെ കുറിച്ച് ഒരു കവിത എഴുതുക. മികച്ചത് ✅:
സമീപകാല DALL-E ഉൽപ്പന്ന പ്രകാശനത്തെ കേന്ദ്രീകരിച്ച്, OpenAIയെ കുറിച്ച് {famous poet} എന്നവരുടെ ശൈലിയിൽ ഒരു ചെറു പ്രചോദനാത്മക കവിത എഴുതുക (DALL-E ഒരു text to image ML model ആണ്).4. ഉദാഹരണങ്ങളിലൂടെ ആഗ്രഹിക്കുന്ന ഔട്ട്പുട്ട് ഫോർമാറ്റ് വ്യക്തമായി പറയുക
കുറച്ച് ഫലപ്രദം ❌:
താഴെയുള്ള വാചകത്തിൽ പരാമർശിച്ചിരിക്കുന്ന എന്റിറ്റികൾ വേർതിരിച്ചെടുക്കുക. താഴെ പറയുന്ന 4 എന്റിറ്റി തരങ്ങൾ വേർതിരിച്ചെടുക്കുക: കമ്പനികളുടെ പേരുകൾ, വ്യക്തികളുടെ പേരുകൾ, പ്രത്യേക വിഷയങ്ങൾ, തീമുകൾ.
വാചകം: {text}കാണിക്കുകയും പറയുകയും ചെയ്യുക - നിർദ്ദിഷ്ട ഫോർമാറ്റ് ആവശ്യകതകൾ കാണിച്ചുകൊടുക്കുമ്പോൾ മോഡലുകൾ മികച്ച രീതിയിൽ പ്രതികരിക്കുന്നു. ഒന്നിലധികം ഔട്ട്പുട്ടുകൾ വിശ്വാസ്യതയോടെ പ്രോഗ്രാമാറ്റിക്കായി പാർസ് ചെയ്യാനും ഇത് എളുപ്പമാക്കുന്നു.
മികച്ചത് ✅:
താഴെയുള്ള വാചകത്തിൽ പരാമർശിച്ചിരിക്കുന്ന പ്രധാന എന്റിറ്റികൾ വേർതിരിച്ചെടുക്കുക. ആദ്യം എല്ലാ കമ്പനികളുടെ പേരുകളും, തുടർന്ന് എല്ലാ വ്യക്തികളുടെ പേരുകളും, പിന്നെ ഉള്ളടക്കത്തിന് അനുയോജ്യമായ പ്രത്യേക വിഷയങ്ങളും, ഒടുവിൽ പൊതുവായ പ്രധാന തീമുകളും വേർതിരിച്ചെടുക്കുക.
ആവശ്യമായ ഫോർമാറ്റ്:
കമ്പനികളുടെ പേരുകൾ: <comma_separated_list_of_company_names>
വ്യക്തികളുടെ പേരുകൾ: -||-
പ്രത്യേക വിഷയങ്ങൾ: -||-
പൊതുവായ തീമുകൾ: -||-
വാചകം: {text}5. സീറോ-ഷോട്ടിൽ തുടങ്ങുക, തുടർന്ന് ഫ്യൂ-ഷോട്ട്; രണ്ടും പ്രവർത്തിച്ചില്ലെങ്കിൽ ഫൈൻ-ട്യൂൺ ചെയ്യുക
✅ സീറോ-ഷോട്ട്
താഴെയുള്ള വാചകത്തിൽ നിന്ന് കീവേഡുകൾ വേർതിരിച്ചെടുക്കുക.
വാചകം: {text}
കീവേഡുകൾ:✅ ഫ്യൂ-ഷോട്ട് - കുറച്ച് ഉദാഹരണങ്ങൾ നൽകുക
താഴെ നൽകിയിരിക്കുന്ന അനുബന്ധ വാചകങ്ങളിൽ നിന്ന് കീവേഡുകൾ വേർതിരിച്ചെടുക്കുക.
വാചകം 1: Stripe വെബ് ഡെവലപ്പർമാർക്ക് അവരുടെ വെബ്സൈറ്റുകളിലും മൊബൈൽ ആപ്ലിക്കേഷനുകളിലും പെയ്മെന്റ് പ്രോസസ്സിംഗ് ഏകീകരിക്കാൻ ഉപയോഗിക്കാവുന്ന APIകൾ നൽകുന്നു.
കീവേഡുകൾ 1: Stripe, പെയ്മെന്റ് പ്രോസസ്സിംഗ്, APIs, വെബ് ഡെവലപ്പർമാർ, വെബ്സൈറ്റുകൾ, മൊബൈൽ ആപ്ലിക്കേഷനുകൾ
##
വാചകം 2: OpenAI വാചകം മനസ്സിലാക്കാനും സൃഷ്ടിക്കാനും വളരെ നന്നായി കഴിവുള്ള അത്യാധുനിക ഭാഷാ മോഡലുകൾ പരിശീലിപ്പിച്ചിട്ടുണ്ട്. ഞങ്ങളുടെ API ഈ മോഡലുകളിലേക്കുള്ള ആക്സസ് നൽകുന്നു, കൂടാതെ ഭാഷ പ്രോസസ്സിംഗ് ഉൾപ്പെടുന്ന ഏതാണ്ടെല്ലാ ജോലികളും പരിഹരിക്കാൻ ഇത് ഉപയോഗിക്കാം.
കീവേഡുകൾ 2: OpenAI, ഭാഷാ മോഡലുകൾ, ടെക്സ്റ്റ് പ്രോസസ്സിംഗ്, API.
##
വാചകം 3: {text}
കീവേഡുകൾ 3:✅ഫൈൻ-ട്യൂൺ: ഫൈൻ-ട്യൂൺ മികച്ച രീതികൾ ഇവിടെ കാണുക.
6. “അനാവശ്യമായ”തും കൃത്യതയില്ലാത്തതുമായ വിവരണങ്ങൾ കുറയ്ക്കുക
കുറച്ച് ഫലപ്രദം ❌:
ഈ ഉൽപ്പന്നത്തിനുള്ള വിവരണം വളരെ ചെറുതായിരിക്കണം, കുറച്ച് വാക്യങ്ങൾ മാത്രം, അതിലധികമാകരുത്.മികച്ചത് ✅:
ഈ ഉൽപ്പന്നത്തെ വിവരിക്കാൻ 3 മുതൽ 5 വരെ വാക്യങ്ങളുള്ള ഒരു പാരഗ്രാഫ് ഉപയോഗിക്കുക.7. എന്ത് ചെയ്യരുത് എന്ന് മാത്രം പറയുന്നതിനുപകരം, പകരം എന്ത് ചെയ്യണമെന്ന് പറയുക
കുറച്ച് ഫലപ്രദം ❌:
താഴെ കൊടുത്തിരിക്കുന്നത് ഒരു ഏജന്റും ഉപഭോക്താവും തമ്മിലുള്ള സംഭാഷണമാണ്. USERNAME അല്ലെങ്കിൽ PASSWORD ചോദിക്കരുത്. ആവർത്തിക്കരുത്.
ഉപഭോക്താവ്: എനിക്ക് എന്റെ അക്കൗണ്ടിൽ ലോഗിൻ ചെയ്യാൻ കഴിയുന്നില്ല.
ഏജന്റ്:മികച്ചത് ✅:
താഴെ കൊടുത്തിരിക്കുന്നത് ഒരു ഏജന്റും ഉപഭോക്താവും തമ്മിലുള്ള സംഭാഷണമാണ്. ഏജന്റ് പ്രശ്നം നിർണയിച്ച് ഒരു പരിഹാരം നിർദേശിക്കാൻ ശ്രമിക്കും, അതേസമയം PIIയുമായി ബന്ധപ്പെട്ട ചോദ്യങ്ങൾ ഒന്നും ചോദിക്കാതിരിക്കും. username അല്ലെങ്കിൽ password പോലുള്ള PII ചോദിക്കുന്നതിനുപകരം, ഉപയോക്താവിനെ www.samplewebsite.com/help/faq എന്ന സഹായ ലേഖനത്തിലേക്ക് വഴിനടത്തുക.
ഉപഭോക്താവ്: എനിക്ക് എന്റെ അക്കൗണ്ടിൽ ലോഗിൻ ചെയ്യാൻ കഴിയുന്നില്ല.
ഏജന്റ്:8. കോഡ് ജനറേഷനുമായി ബന്ധപ്പെട്ടത് - മോഡലിനെ ഒരു പ്രത്യേക പാറ്റേണിലേക്കു നയിക്കാൻ “ലീഡിംഗ് വേഡുകൾ” ഉപയോഗിക്കുക
കുറച്ച് ഫലപ്രദം ❌:
# ഒരു ലളിതമായ python function എഴുതുക അത്
# 1. mile ലുള്ള ഒരു സംഖ്യ എന്നോട് ചോദിക്കണം
# 2. അത് miles നെ kilometers ആക്കി മാറ്റണംതാഴെയുള്ള ഈ കോഡ് ഉദാഹരണത്തിൽ, “import” ചേർക്കുന്നത് Python-ൽ എഴുതാൻ തുടങ്ങണമെന്ന് മോഡലിന് സൂചന നൽകുന്നു. (അതുപോലെ, ഒരു SQL സ്റ്റേറ്റ്മെന്റിന്റെ തുടക്കത്തിന് “SELECT” ഒരു നല്ല സൂചനയാണ്.)
മികച്ചത് ✅:
# ഒരു ലളിതമായ python function എഴുതുക അത്
# 1. mile ലുള്ള ഒരു സംഖ്യ എന്നോട് ചോദിക്കണം
# 2. അത് miles നെ kilometers ആക്കി മാറ്റണം
import9. എന്തും സൃഷ്ടിക്കുക ഫീച്ചർ ഉപയോഗിക്കുക
ഒരു ടാസ്ക് അല്ലെങ്കിൽ പ്രതീക്ഷിക്കുന്ന സ്വാഭാവിക ഭാഷാ ഔട്ട്പുട്ട് വിവരിച്ച്, അതനുസരിച്ചുള്ള പ്രോംപ്റ്റ് ലഭിക്കാൻ ഡെവലപ്പർമാർക്ക് 'എന്തും സൃഷ്ടിക്കുക' ഫീച്ചർ ഉപയോഗിക്കാം.
'എന്തും സൃഷ്ടിക്കുക' ഫീച്ചർ ഉപയോഗിക്കുന്നതിനെക്കുറിച്ച് കൂടുതൽ അറിയുക.
പരാമീറ്ററുകൾ
പൊതുവേ, മോഡലിന്റെ ഔട്ട്പുട്ടിൽ മാറ്റം വരുത്താൻ ഏറ്റവും കൂടുതലായി ഉപയോഗിക്കുന്ന പരാമീറ്ററുകൾ മോഡൽ, ടെംപറേച്ചർ എന്നിവയാണെന്ന് ഞങ്ങൾ കണ്ടെത്തിയിട്ടുണ്ട്.
മോഡൽ - ഉയർന്ന പ്രവർത്തനക്ഷമതയുള്ള മോഡലുകൾക്ക് പൊതുവേ ചെലവും കാലതാമസവും കൂടുതലായിരിക്കാം.
ടെംപറേച്ചർ - മോഡൽ സാധ്യത കുറഞ്ഞ ഒരു ടോക്കൺ എത്ര തവണ ഔട്ട്പുട്ടായി നൽകുന്നു എന്നതിന്റെ അളവ്. ടെംപറേച്ചർ കൂടുന്തോറും ഔട്ട്പുട്ട് കൂടുതൽ ക്രമരഹിതവും സാധാരണയായി കൂടുതൽ സർഗാത്മകവുമാകും. എന്നാൽ, ഇത് “സത്യസന്ധത” എന്നതിന് തുല്യമല്ല. ഡാറ്റ വേർതിരിച്ചെടുക്കൽ, വസ്തുതാപരമായി കൃത്യമായ ചോദ്യോത്തരങ്ങൾ തുടങ്ങിയ മിക്ക വസ്തുതാധിഷ്ഠിത ഉപയോഗങ്ങൾക്കും ടെംപറേച്ചർ 0 ആക്കുന്നതാണ് ഏറ്റവും നല്ലത്.
max_completion_tokens (പരമാവധി ദൈർഘ്യം) - ഇത് ഔട്ട്പുട്ടിന്റെ ദൈർഘ്യം നിയന്ത്രിക്കുന്നില്ല; പകരം, ടോക്കൺ സൃഷ്ടിക്കുന്നതിനുള്ള കർശനമായ പരമാവധി പരിധിയാണ്. സാധാരണയായി ഈ പരിധിയിലെത്തേണ്ടിവരില്ല. പൂർത്തിയായെന്ന് മോഡലിന് തോന്നുമ്പോഴോ നിങ്ങൾ നിർവചിച്ച നിർത്തൽ ക്രമത്തിലെത്തുമ്പോഴോ അത് സ്വയം നിർത്തും.
stop (നിർത്തൽ ക്രമങ്ങൾ) - സൃഷ്ടിക്കപ്പെടുമ്പോൾ വാചക സൃഷ്ടി നിർത്താൻ കാരണമാകുന്ന പ്രതീകങ്ങളുടെ അഥവാ ടോക്കണുകളുടെ ഒരു കൂട്ടം.
മറ്റ് പരാമീറ്ററുകളുടെ വിവരണങ്ങൾക്ക് API അവലംബം കാണുക.