Tässä on joitain tärkeitä edistyneitä nopean suunnittelun tekniikoita koodaustehtäviin suurilla kielimalleilla:
1. Koodaukseen liittyvien kyselyiden mallin tulkinnan ymmärtäminen: Tämä edellyttää syvällistä ohjelmointikonseptien ymmärtämistä ja kykyä ilmaista ne tavalla, jota malli pystyy käsittelemään tehokkaasti. Tavoitteena on luoda kehotteita, jotka sopivat mallin sisäisiin esityksiin ja huomiomekanismiin.[1]
2. Kehotteen ketjutus ja monikäännöskehote: Monimutkaisen koodaustehtävän jakaminen kehotteiden sarjaksi, jossa yhden kehotteen tulosta käytetään syötteenä seuraavalle. Tämä antaa mallille mahdollisuuden käsitellä tehtävää askel askeleelta.[2][3]
3. Ajatusketjun (CoT) kehotus: Tarjoaa mallille esimerkkejä vaiheittaisesta päättelystä ongelman ratkaisemiseksi, ohjaamalla sitä luomaan oma päättelyketjunsa.[4][5] Tämän on osoitettu parantavan merkittävästi suorituskykyä monimutkaisissa päättelytehtävissä.
4. Self-Consistency Prompting: CoT:n laajennus, jossa otetaan näytteitä useista päättelypoluista ja valitaan itsejohdonmukaisin vastaus. Tämä on hyödyllistä avoimissa ongelmissa, joissa on useita kelvollisia ratkaisuja.[4]
5. Automatic Prompt Engineering (APE): Tekniikka, joka käsittelee kehotetta itse optimoitavana "ohjelmana". Se käyttää kielimalleja ehdokaskehotteiden luomiseen ja etsimiseen tehokkaimman vaihtoehdon löytämiseksi tiettyyn tehtävään. [5]
6. Olevan kontekstin ja esimerkkien antaminen: Verkkotunnuskohtaisten tietojen, koodaustyyliohjeiden ja syöttö- ja lähtöesimerkkien lisääminen kehotteeseen voi auttaa ohjaamaan mallia kohti tarkempaa ja osuvampaa koodin luomista.[1][3]
Tärkeintä on iteratiivisesti kokeilla nopeaa suunnittelua, testausta ja jalostusta löytääksesi tehokkaimmat kehotteet tiettyihin koodaustehtäviisi ja kielimalliisi. Huolellinen nopea suunnittelu voi parantaa merkittävästi suurten kielimallien koodausavun ominaisuuksia.
[1] Prompt Engineering for Coding Tasks – Towards Data Science[2] Advanced Prompt Engineering Techniques – Mercity AI[3] Prompt Engineering 2024: Techniques, Uses & Advanced... - Acorn[4] Advanced Prompt Engineering: Mitä se sisältää? - DataScientest.com[5] prompts-advanced-usage.md – GitHub
Lainaukset:[1] https://towardsdatascience.com/prompt-engineering-llms-coding-chatgpt-artificial-intelligence-c16620503e4e?gi=54ae68d69ee0
[2] https://www.mercity.ai/blog-post/advanced-prompt-engineering-techniques
[3] https://www.acorn.io/resources/learning-center/prompt-engineering
[4] https://datascientest.com/en/advanced-prompt-engineering-what-does-it-involve
[5] https://github.com/dair-ai/Prompt-Engineering-Guide/blob/main/guides/prompts-advanced-usage.md