Biểu đồ cấu trúc khá đầy đủ của 1 Prompt tốt. Các bạn có thể dựa vào đ…


Xem bài viết trên Group | Tác giả:  
Like: 48 | Comment: 1 | Share: 24

Biểu đồ cấu trúc khá đầy đủ của 1 Prompt tốt. Các bạn có thể dựa vào đây để xem mình bị lủng chỗ nào nhé.

Large language models (hay LLM) để chỉ các mô hình xác suất có khả năng hiểu và sinh ngôn ngữ tự nhiên dựa trên kiến thức được thu thập từ các tập dữ liệu cực lớn. LLM là một trong những ứng dụng thành công nhất của các mô hình transformer. Ngoài việc đẩy mạnh các ứng dụng xử lý ngôn ngữ tự nhiên – như dịch, chatbot và trợ lý ảo AI – LLM còn được dùng trong lĩnh vực chăm sóc sức khỏe, phát triển phần mềm…

1. **Role Prompting (Gợi ý theo Vai trò):**Đặt câu hỏi hoặc yêu cầu với một vai trò cụ thể, ví dụ: “Hãy nghĩ về bạn là một nhà khoa học dữ liệu và giải thích…”

1. **Few Shot Prompting (Gợi ý qua 1 ít thông tin):**Sử dụng một số ví dụ hoặc mẫu để mô tả yêu cầu, giúp mô hình hiểu nhanh chóng thông tin cần thiết.

1. **Chain of Thought Prompting (Gợi ý Chuỗi ý):**Đặt nhiều câu hỏi liên quan để kích thích mô hình tư duy theo chuỗi ý, mô phỏng quá trình suy nghĩ liên tục. (Ví dụ, nếu yêu cầu mô hình tư duy theo chuỗi ý về “ảnh hưởng của công nghệ thông tin đối với cuộc sống hàng ngày,” mô hình có thể bắt đầu bằng việc thảo luận về lợi ích của Internet, sau đó chuyển sang tác động của máy tính cá nhân, và tiếp tục đến các khía cạnh như công việc, giáo dục và giao tiếp. Các ý này được liên kết chặt chẽ, tạo thành một chuỗi ý liên tục.)

1. **Zero Shot Chain of Thought (Suy nghĩ liên tục không gợi ý):**Thách thức mô hình bằng cách yêu cầu nó suy nghĩ liên tục mà không có thông tin gợi ý trước. ( Kiểu như mình cứ bấm continue ấy, hoặc mình kêu nó chi tiết hơn chỉ với 1 câu lệnh duy nhất như vậy)

1. **Least of Most Prompting (Gợi ý ít nhất hoặc nhiều nhất):**Yêu cầu mô hình tạo ra kết quả với ít hoặc nhiều thông tin nhất có thể. ( Hãy tạo ra … nhiều…. nhất có thể)

1. **Dual Prompt Approach (Tiếp cận Gợi ý Đa phương tiện):**Sử dụng hai câu hỏi hoặc yêu cầu cùng một lúc để định hình góc nhìn đa chiều. ( Nếu bạn là … thì , còn nếu bạn là … thì ..)

1. **Combining Techniques (Kết hợp Các Kỹ thuật):**Ghép nối nhiều kỹ thuật gợi ý để tạo ra một prompt phức tạp và đa dạng. ( Kết hợp 1 với 2, 1 vs 3, 1 vs 2,3,4)

**Phần của Prompt:** * Sử dụng ký tự đặc biệt để phân biệt dữ liệu từ prompt. * Yêu cầu đầu ra theo định dạng cấu trúc như JSON, XML, HTML để dễ xử lý. * Bao gồm thông tin về phong cách để điều chỉnh ngữ cảnh của đầu ra. * Đặt điều kiện và yêu cầu mô hình xác minh thông tin.

**Các khái niệm cơ bản của LLM (Mô hình Ngôn ngữ Siêu lớn):** * Nhiệt độ (Temperature): Điều chỉnh sự ngẫu nhiên của đầu ra. * Top P: Xác định ngưỡng top xác suất cho việc chọn từ các token. * Các siêu tham số khác: Điều chỉnh hiệu suất và độ chính xác của mô hình.

## **1 số cách nâng cao hiệu quả:**

**Sử dụng Delimiters để phân biệt dữ liệu từ Gợi ý:** * Đảm bảo rõ ràng giữa dữ liệu và câu hỏi để mô hình hiểu rõ yêu cầu.

**Yêu cầu đầu ra có Cấu trúc như JSON, XML, HTML, v.v.:** * Giúp mô hình tạo ra đầu ra dễ dàng xử lý và hiểu quả.

**Bao gồm Thông tin Phong cách để sửa đổi ngữ cảnh của đầu ra:** * Cho phép điều chỉnh phong cách ngôn ngữ của kết quả.

**Đưa ra Điều kiện và yêu cầu mô hình kiểm tra xác minh thông tin:** * Tạo điều kiện để đảm bảo rằng mô hình chỉ tạo ra thông tin đã được xác minh.

**Đưa ra ví dụ thành công khi yêu cầu nhiệm vụ và hỏi:** * Mô tả ví dụ thành công giúp mô hình hiểu rõ yêu cầu nhiệm vụ và kỳ vọng.

**Chỉ định các bước cần thiết để thực hiện một nhiệm vụ:** * Hướng dẫn mô hình với các bước cụ thể để thực hiện một công việc nào đó.

**Hướng dẫn mô hình tự tìm ra giải pháp trước khi đưa ra câu trả lời:** * Khuyến khích mô hình suy nghĩ độc lập và đề xuất giải pháp của chính nó.

**Lặp lại và Hiệu chỉnh Gợi ý:** * Liên tục đánh giá và điều chỉnh gợi ý để cải thiện hiệu suất và độ chính xác của mô hình.

Xem bài viết trên Group

Trả lời