シラバス レッスン 250 中 112 · ニューラルネットの直感、LLM と AI キャップストーン
ニューラルネットの直感、LLM と AI キャップストーン

プロンプトエンジニアリング

タスクについてモデルが知っていることはすべてプロンプトから来るので、良いプロンプトを書くことは本物の技術です。2 つの原則が、重みの大部分を担います。

あいまいではなく、具体的に

あいまいなプロンプトは、あいまいな(あるいは間違った)答えを招きます。比べてみましょう:

# vague
"summarize this"

# specific
"Summarize this in 2 sentences for a non-technical reader. "
"Lead with the single most important number."

形式、読み手、長さ、何に焦点を当てるかを述べます。モデルは心を読めません。テキストの予測器です。

例を見せる(few-shot プロンプト)

最も頼りになる技は、本当の質問の前に、入力と出力の組をいくつかモデルに 見せる ことです。これは few-shot プロンプトと呼ばれ、説明するよりはるかにうまくパターンを教えます:

Classify the sentiment.

Input: good
Output: positive
Input: awful
Output: negative
Input: great
Output:

モデルはタスクの形を見てそれを続け、最後の Output: を埋めます。最後の行を空けておくことが、答えるようにという合図です。

本物で試す

Floati アプリでは、デバイス上のモデルが読み込まれたら、このような文字列をそのまま渡し(例えば AI パネルで await engine.chat(prompt))、最後の行を完成させるのを見られます。この採点の中ではライブのモデルを動かせない(WebGPU が必要で、非決定的です)ので、ここではプロンプトの 文字列 を作ります。それが、あなたが完全に制御できる部分です。

あなたの番

few_shot_prompt(task, examples, query) を書いてください。文字列を返します:task の行、空行、それから各 (inp, out) の例を Input: <inp> の行と、それに続く Output: <out> の行として、そして最後の Input: <query> の行と、モデルが完成させる末尾の Output: です。すべてを改行でつなぎます。次に prompt = few_shot_prompt("Classify the sentiment.", examples, "great") とします。

このレッスンに問題を見つけましたか?報告する · このレッスンについて質問する

この演習はまもなく開きます

その前のレッスンを終えると、このレッスンが解放されます。コース全体が無料でアカウントも不要、このレッスンは今すぐ読めます。