Prompt engineering nədir? Nümunələrlə praktik bələdçi
Prompt engineering AI modellərindən etibarlı nəticə almaq üçün giriş yazmaq bacarığıdır. Yaxşı promptun hissələrini əvvəl-sonra nümunələri ilə öyrən.
Bu məqalədə
Prompt engineering böyük dil modelinə verilən girişin (təlimatlar, kontekst, nümunələr və format tələbləri) elə dizayn edilməsidir ki, nəticə faydalı, dəqiq və ardıcıl olsun. Praktikada bu, modelin nəyi bilməli olduğuna, nə etməli olduğuna və nəticənin necə görünməli olduğuna qərar vermək, sonra promptun həqiqətən bunu verib-vermədiyini yoxlamaq deməkdir.
Bu tərif mücərrəd səslənir, ona görə bələdçinin əksəriyyəti nümunələrdən ibarətdir. Yalnız bir şeyi yadda saxlasan: model yalnız qarşısındakı ilə işləyə bilər. Pis nəticələrin əksəriyyəti prompt yazanın bildiyi, amma heç vaxt demədiyi bir şeyin buraxılmasından gəlir.
Promptun ifadəsi niyə bu qədər vacibdir?
Dil modeli ona verilmiş mətnin davamını proqnozlaşdırır. Onun layihənə, auditoriyana, əvvəlki qaralamalara və ya menecerinlə tonla bağlı apardığın söhbətə çıxışı yoxdur. Vəziyyətin haqqında bildiyi hər şey promptdan gəlir (çat tətbiqlərində isə əvvəlki mesajlardan və yaddaş funksiyalarından).
Yəni prompt "bu hesabatın xülasəsini yaz" deyəndə, model hər boşluğu təxminlə doldurur. Nə qədər uzun? Kim üçün? Bəndlər, yoxsa mətn? Riskləri qeyd etməlidir, yoxsa neytral qalmalıdır? Təxmin inandırıcı və ümumi olacaq, çünki məlumat çatışmayanda ümumi olan ən təhlükəsiz seçimdir.
Prompt engineering əsasən bu boşluqları məqsədli şəkildə bağlamaq intizamıdır.
Yaxşı prompt necə görünür?
İnsanların hər gün çat köməkçilərinə göndərdiyi sorğu:
Komandama yeni son tarix barədə e-poçt yaz.
Model nəzakətli, cansıxıcı və "[yeni tarix]" kimi yer tutucuları olan e-poçt yazacaq. Səhv deyil, sadəcə redaktəsiz yararsızdır.
İndi bunu bir neçə dəfə edən insanın yazdığı versiya:
Beş backend mühəndisindən ibarət komandama qısa e-poçt yaz.
Kontekst: API miqrasiyasının son tarixi 14 martdan 28 marta keçdi,
çünki ödəniş vendoru sandbox-ını gecikdirdi. Komandadan heç kim
gecikməyə səbəb olmayıb. İki nəfər köhnə tarixə görə məzuniyyət
planlaşdırmışdı.
Məqsəd: Onlara yeni tarixi bildir, səbəbi bir cümlə ilə izah et və
məzuniyyət planlarının dəyişməməli olduğunu de.
Ton: düz və sakit, korporativ doldurma olmasın. 120 sözdən az.
"Dana" kimi imzala.
Orada heç bir hiyləgərlik baş vermədi. İkinci prompt sadəcə faktları, auditoriyanı, məqsədi, tonu və uzunluq limitini ehtiva edir. Gündəlik istifadədə prompt engineering-in böyük hissəsi budur.
Yaxşı promptun komponentləri hansılardır?
Müxtəlif bələdçilər onlara fərqli ad verir, amma eyni hissələr təkrar-təkrar ortaya çıxır. Hər promptda hamısı lazım olmayacaq.
Tapşırıq. Feil və obyekt. "Xülasə et", "təsnif et", "yenidən yaz", "çıxar", "müqayisə et". "Kömək et" və ya "baxıb de" kimi qeyri-müəyyən feillər modeli nəyin edilməsini istədiyini təxmin etməyə məcbur edir.
Kontekst. Modelin çıxara bilməyəcəyi fon: auditoriya kimdir, sənəd nə üçündür, artıq nə sınanıb. Keyfiyyətin böyük hissəsi buradan gəlir. Bunu rol və kontekst mövzusunda dərindən əhatə edirik.
Məhdudiyyətlər. Uzunluq, ton, oxu səviyyəsi, nədən qaçmaq, nə mütləq daxil olmalıdır. Məhdudiyyətləri yazmaq ucuzdur və çoxlu irəli-geri yazışmanın qarşısını alır.
Çıxış formatı. Bəndlər, cədvəl, müəyyən açarlarla JSON, tək söz. Proqram çıxışı oxuyacaqsa, format könüllü deyil. Structured output mövzusu bu halı ətraflı əhatə edir.
Nümunələr. Axtardığın nümunəni göstərən bir neçə giriş/çıxış cütü. Nümunələr güclüdür və həm də pis istifadə etmək asandır, ona görə zero-shot və few-shot prompting haqqında ayrıca yazı hazırlamışıq.
Rol ("Sən təcrübəli vergi mühasibisən") bəzən komponent kimi də sadalanır. O, lüğəti və dərinliyi müəyyən etməyə kömək edə bilər, amma kontekstsiz rol insanların gözlədiyindən xeyli az iş görür. "Sən ekspert marketoloqsan" az şey əlavə edir, "Oxucular mobil telefonda sürətlə göz gəzdirən xəstəxana satınalma menecerləridir" isə çox şey əlavə edir.
Prompt engineering yalnız çatbotlar üçündür?
Xeyr və məhz burada termin "engineering" sözünü qazanır. Bu adı bölüşən iki tamam fərqli iş var.
Birincisi söhbət tipli prompting-dir: sən ChatGPT, Claude və ya Gemini-yə yazırsan və cavab yaxşı olana qədər təkrarlayırsan. Burada növbəti mesajda kursu düzəldə bilərsən, ona görə bir az zəif prompt sənə bir dəqiqəyə başa gəlir.
İkincisi proqram daxilindəki promptlar-dır: dəstək botu, sənəd klassifikatoru, kod rəyi aləti, API çağıran agent. Prompt heç vaxt görmədiyin girişlərdə minlərlə dəfə işləyir. "Yox, daha qısa" deyən heç kim yoxdur. Çatda düzəldəcəyin kiçik qeyri-müəyyənlik production-da 4% uğursuzluq nisbətinə çevrilir.
İkinci iş birincinin nadir hallarda ehtiyac duyduğu şeyləri əlavə edir:
- Hər söhbət üzrə davranışı müəyyən edən system prompt (necə yazılır).
- Kodun nəticəni parse edə bilməsi üçün ciddi çıxış formatları.
- Modelin fakt uydurmaması üçün onu əldə edilmiş sənədlərə əsaslandırmaq.
- Prompt injection-a qarşı müdafiələr, çünki istifadəçi girişi və sənədlər öz təlimatlarını daşıya bilər.
- Test dəsti: promptu hər dəyişdikdə yenidən işlətdiyin bir neçə onlarla real giriş.
Sonuncu nöqtə yeni başlayanların atladığı, təcrübəlilərin isə heç vaxt atlamadığı məqamdır. Production promptunu test hallarını yenidən işlətmədən dəyişirsənsə, təxmin edirsən.
İşlənmiş nümunə: qeyri-müəyyəndən etibarlıya
Tutaq ki, modelin daxil olan müştəri mesajlarını kateqoriyalara ayırmasını istəyirsən. İlk cəhd:
Bu müştəri mesajını kateqoriyalara ayır.
Mesaj: "Mart fakturamda iki dəfə pul tutuldu, zəhmət olmasa düzəldin."
Qayıdan cavab təxminən "Bu mesaj Billing kateqoriyasına aiddir, çünki müştəri təkrar ödənişi bildirir" kimi olur. İnsan üçün yaxşıdır, kod üçün ağrılıdır. Növbəti mesaj isə "Billing" əvəzinə "Payments" kimi qayıda bilər, çünki hansı kateqoriyaların olduğunu heç vaxt demədin.
İkinci cəhd:
Müştəri mesajını dəqiq bir kateqoriyaya təsnif et.
Kateqoriyalar:
- billing: ödənişlər, geri qaytarmalar, fakturalar, ödəniş üsulları
- account: giriş, parol, profil, hesabın silinməsi
- bug: məhsulda nəsə sınıb və ya yanlış davranır
- other: qalan hər şey
Yalnız kiçik hərflərlə kateqoriya adını yaz, başqa heç nə.
Mesaj: """Mart fakturamda iki dəfə pul tutuldu, zəhmət olmasa düzəldin."""
İşi üç dəyişiklik gördü. Etiket dəsti sabitləndi, hər etiketin qısa tərifi var ki, kənar hallar getməyə yer tapsın, çıxış formatı isə açıq yazıldı. Üç dırnaq istifadəçi mətninin harada başlayıb bitdiyini göstərir, bu da modelə datanı təlimatlardan ayırmağa kömək edir (qəsdən hücumlara qarşı təhlükəsizlik sərhədi olmasa da).
Sonra onu iyirmi real mesaj üzərində sına, o cümlədən "Fakturamı görmək üçün daxil ola bilmirəm" kimi çətinlərində. Bu billing-dir, yoxsa account? Tərifləriniz buna cavab verməlidir. Cavab vermirsə, model ardıcıl olmayaraq birini seçəcək və çarə daha sərt ton yox, daha dəqiq tərifdir.
Hansı prompt üsullarını əvvəlcə bilməlisən?
Əhəmiyyət sırasına görə qısa, dürüst siyahı:
- Tapşırıq və çıxış formatı barədə konkret ol. Gündəlik problemlərin çoxunu əhatə edir.
- Kontekst ver. Auditoriya, məqsəd, məhdudiyyətlər, "yaxşı"nın necə göründüyü.
- Format və ya üslub sözlə təsvir etmək çətin olduqda nümunə göstər.
- Çoxaddımlı məsələlərdə cavabdan əvvəl əsaslandırma istə. Bu, chain-of-thought prompting arxasındakı ideyadır, baxmayaraq ki, yeni reasoning modelləri bunun çoxunu özləri edir.
- Faktlar vacib olduqda cavabları retrieval ilə mənbələrə əsaslandır. Grounding (RAG) mövzusu bu haqqındadır.
- Model əməliyyat edə bilirsə, alətləri aydın müəyyən et.
Bu siyahıda sehrli ifadələrin olmadığını görəcəksən. Əvvəllər insanlar "dərin nəfəs al" kimi duaları və ya modelə bəxşiş təklif etməyi mübadilə edirdi. Onlardan bəzisinin konkret köhnə modellərdə ölçülə bilən təsiri olub, amma etibarlı şəkildə köçmür və istədiyini deyən promptu əvəz etmir.
Prompt engineering nə deyil
Bu, modelin bilmədiyi şeyi ona bildirmək üsulu deyil. Cavab şirkətinin daxili siyasətindən asılıdırsa, siyasət promptda olmasa və ya ora retrieval ilə gətirilməsə, heç bir ifadə onu çıxarmayacaq.
Bu həm də birdəfəlik hərəkət deyil. Modellər yenilənir, girişlər dəyişir və bir modeldə işləyən prompt başqasında fərqli davrana bilər. Həqiqətən istifadə etdiyin modeldə sına və dəyişəndə yenidən sına.
Və bu yalnız yazı da deyil. İşin böyük hissəsi nəticələri tənqidi oxumaqdır: modelin təlimatın hərfinə əməl etdiyini, amma niyyəti qaçırdığını görmək, sonra hansı çatışmayan cümlənin buna yol verdiyini müəyyən etmək.
Bunda necə yaxşılaşmaq olar?
Real tapşırıqlar üçün promptlar yaz, nəticələri diqqətlə oxu və hər dəfə bir şeyi dəyiş. OpenAI, Anthropic və Google-ın öz modelləri üçün dərc etdiyi prompt bələdçilərini oxu: onlar pulsuz, konkretdir və çoxlu uğursuzluq halı görən insanlar tərəfindən yazılıb.
Ayrı-ayrı qərarları təcrid olunmuş şəkildə məşq etmək də kömək edir: bu dörd təlimatdan hansı bu nəticəni düzəldir, bu prompt dəqiq harada uğursuz olur. Bizim qurduğumuz quiz tətbiqi TokIQ (Google Play-də, tezliklə iPhone-da) məhz belə məşq üçün nəzərdə tutulub. Nədən istifadə etməyindən asılı olmayaraq, vacib vərdiş eynidir: hər məyus edən nəticəyə promptun haqqında məlumat kimi bax. Strukturlaşdırılmış yol üçün prompt engineering necə öyrənilir yazısına bax və ya fundamentals mövzusundan başla.
Tez-tez verilən suallar
Prompt engineering sadə dillə nədir?
Prompt engineering AI modelinə verdiyin təlimatları, konteksti və nümunələri elə yazmaqdır ki, o, həqiqətən ehtiyacın olan nəticəni versin. Bura həm tək sorğunun ifadəsi, həm də tətbiqlərin içindəki təkrar istifadə olunan promptların dizaynı daxildir.
Modellər daha ağıllı olduğu üçün prompt engineering hələ də aktualdır?
Bəli. Yaxşı modellər qeyri-müəyyən ifadəni daha tez-tez bağışlayır, amma sənin vermədiyin konteksti, keyfiyyət tələbini və kodunun gözlədiyi dəqiq formatı yenə də təxmin edə bilmir. İş fəndlərdən aydın spesifikasiyaya və test etməyə doğru keçib.
Prompt engineering etmək üçün kod yazmağı bilmək lazımdır?
Xeyr. Bacarığın əksəriyyəti aydın yazı və diqqətli sınaqdır. Promptları proqram təminatına qurduqda, məsələn JSON çıxışını validasiya etmək və ya eyni promptu çoxlu test girişlərində işlətmək üçün kod kömək edir.
Promptun əsas hissələri hansılardır?
Faydalı promptda adətən tapşırıq, modelə lazım olan kontekst, uzunluq və ya ton kimi məhdudiyyətlər, çıxış formatı və bəzən nümunələr olur. Hər promptun hamısına ehtiyacı yoxdur, amma çatışmayan kontekst və çatışmayan format zəif nəticələrin ən çox görülən səbəbidir.
- #prompt engineering
- #əsaslar
- #prompt nümunələri
- #LLM