【Prompt Engineering 提示工程】Ep.2 踏入提示魔法師的旅程,基本原則與建議

【Prompt Engineering 提示工程】Ep.2 踏入提示魔法師的旅程,基本原則與建議

更新於 發佈於 閱讀時間約 3 分鐘

前面我們有介紹「【Generative AI — Prompt篇】Ep.1 什麼是Prompt Engineering?」相信對於下指令給AI應該已經具有基本知識了吧,在進入Prompt Engineering之前有一些Guideline是我們需要知道的,就如同線上遊戲一般,我們會先進到新手村學習一些基本知識概念再開始打怪的旅程,而Prompt Engineering也是有一些基本觀念與技巧需要讓大家知道一下,如此一來才能讓我們更快的越級打怪,少了一些彎彎繞繞的遠路。

資訊越完整越好

問: 請問Python怎學?

看到這句話的我們會怎麼答提問者這個問題呢? 我想大部分的人心裡應該都OOXX吧! 範圍那麼廣,我到底應該怎麼教你呢? 你好歹也問個怎麼安裝、語法…之類的明確目標吧! 這資訊不完整我是要怎麼回答啊!

我們人類都會有這樣的困惑了,何況是AI呢? 對於AI來說它可能會將所有較大概率的可能答案都給你,並猜測你可能需要這個,這會演變成答非所問的狀況,因為我們心裡可能是想問「怎麼安裝Python」但ChatGPT可能給我們的回答是程式語言的語法教學,這就是提問者目標不精確導致的狀況。

我們可以這麼問: 請問Python怎麼在windows系統進行安裝?

這個問句就非常的漂亮,提問者的意圖很明顯,而且給足問題的資訊,就是想要在windows系統上安裝Python,對於解答者來說得到更多資訊,更能夠回答出提問者所需的答案。

簡潔易懂收斂目標

問: 請給我幾個Email範本,不要太多

這問題的意圖表達出提問者需要Email範本,但什麼叫做不要太多? 5個範本? 10個範本? 很難量化的一句話,這也會大幅度的發散回答。

我們不妨這麼問: 請給我最適用於公司商務的3個Email範本

我們將領域收斂到「公司商務」,並且將範本量化到「3個」範本,這對於回答者來說更加的容易回答。

適當的使用標點符號

問:我愛你好朋友

這句話到底是「我愛你,好朋友」來表達愛意?

還是「我愛你好,朋友」期許對方好的問候呢?

標點符號在一段語句中非常的重要,擺錯位置意思差很多,就跟斷詞一樣,斷錯詞會導致AI理解錯誤進而給出錯誤的答案,因此適當的加上標點符號於正確位置會讓我們的AI更加聰明。

結語

原來Prompt Engineering水這麼深,技巧原來如此之多,不過確實蠻有趣的,一個小小的標點符號,或者小小的詞語變化就能夠讓回答的結果如此多變,真的是一門不簡單的工程,但持續學習會讓我們更容易問對問題,不管是提問AI還是與人之間的溝通,相信不斷的思考精進對我們來說都是正向的幫助。

喜歡撰寫文章的你,不妨來了解一下:

Web3.0時代下為創作者、閱讀者打造的專屬共贏平台 — 為什麼要加入?

歡迎加入一起練習寫作,賺取知識!

avatar-img
阿Han的沙龍
126會員
280內容數
哈囉,我是阿Han,是一位 👩‍💻 軟體研發工程師,喜歡閱讀、學習、撰寫文章及教學,擅長以圖代文,化繁為簡,除了幫助自己釐清思路之外,也希望藉由圖解的方式幫助大家共同學習,甚至手把手帶您設計出高品質的軟體產品。
留言
avatar-img
留言分享你的想法!
阿Han的沙龍 的其他內容
「Prompt」這個詞是提示的意思,但為什麼需要提示呢? 當AI不理解我們的時候,勢必給出的回應並非準確的為我們解答,因此一個好的提示是非常重要的,就如同我們人與人之間的溝通一樣,如何將自己心裡的疑惑轉化成好的問題來提問對方,讓對方理解,進而給出一個明確的答案,這就是提示(Prompt)的重要性,對
所謂TF-IDF是由兩個名詞所組成的, 分別是「詞頻(Term Frequency,TF)」和「逆文檔頻率(Inverse Document Frequency,IDF)。 表示詞在文檔中出現的頻率, 就統計學而言, 只要這個詞在文本中出現越多次代表越值得關注, 因此它會具有一個重要的統計評估指標之
假設我們有一段雙聲道的音檔, 正常來說透過whisper進行語音辨識時都是以整段音檔進行辨識,但我們若想將左右聲道分離進行辨識的話就得對音檔進行音訊處理了。 怎麼做呢? 比較簡單的方式就是透過音訊處理工具將音檔進行左右聲道的分離,再獨立的進行辨識即可。 這次會將雙聲道音檔透過pydub這套音訊處理工
詞跟詞之間的距離有多近呢? 如果一個詞在相對的空間內都佔有一席之地的話, 試想, 每個詞都是一個獨立的個體, 就如同我們人類一般, 相同興趣的、相同頻率的就容易被歸納在一起,某些詞可能是相近的意思, 因此我們只需要給每個詞標上一個向量值, 並進行統計,而這些詞在這批資料集之中所佔的位置依照距離都能夠
常常我們在進行NLP討論時,不管哪一種NLP任務都會偶爾聽到BOW這個詞,原來全名就是「Bag-of-words」由名稱就可以知道這是在處理NLP任務之前的基礎工事,將一整篇文章切碎成一段語句,甚至是最小單位的「詞」,而這些詞又如何表述關係或者進一步的使用,試圖讓機器可以理解我們人類的詞語,就是基於
Named Entity Recognition(NER)是一種自然語言處理技術,它的目的是識別文本中的具有特定意義的實體(也稱為命名實體)。這些命名實體可以是人名、地名、組織名、日期、時間、數量等等。 這項技術可以幫助機器更好地理解文本,提高自然語言處理的精度和效率,也可以用於許多應用場景,例如搜
「Prompt」這個詞是提示的意思,但為什麼需要提示呢? 當AI不理解我們的時候,勢必給出的回應並非準確的為我們解答,因此一個好的提示是非常重要的,就如同我們人與人之間的溝通一樣,如何將自己心裡的疑惑轉化成好的問題來提問對方,讓對方理解,進而給出一個明確的答案,這就是提示(Prompt)的重要性,對
所謂TF-IDF是由兩個名詞所組成的, 分別是「詞頻(Term Frequency,TF)」和「逆文檔頻率(Inverse Document Frequency,IDF)。 表示詞在文檔中出現的頻率, 就統計學而言, 只要這個詞在文本中出現越多次代表越值得關注, 因此它會具有一個重要的統計評估指標之
假設我們有一段雙聲道的音檔, 正常來說透過whisper進行語音辨識時都是以整段音檔進行辨識,但我們若想將左右聲道分離進行辨識的話就得對音檔進行音訊處理了。 怎麼做呢? 比較簡單的方式就是透過音訊處理工具將音檔進行左右聲道的分離,再獨立的進行辨識即可。 這次會將雙聲道音檔透過pydub這套音訊處理工
詞跟詞之間的距離有多近呢? 如果一個詞在相對的空間內都佔有一席之地的話, 試想, 每個詞都是一個獨立的個體, 就如同我們人類一般, 相同興趣的、相同頻率的就容易被歸納在一起,某些詞可能是相近的意思, 因此我們只需要給每個詞標上一個向量值, 並進行統計,而這些詞在這批資料集之中所佔的位置依照距離都能夠
常常我們在進行NLP討論時,不管哪一種NLP任務都會偶爾聽到BOW這個詞,原來全名就是「Bag-of-words」由名稱就可以知道這是在處理NLP任務之前的基礎工事,將一整篇文章切碎成一段語句,甚至是最小單位的「詞」,而這些詞又如何表述關係或者進一步的使用,試圖讓機器可以理解我們人類的詞語,就是基於
Named Entity Recognition(NER)是一種自然語言處理技術,它的目的是識別文本中的具有特定意義的實體(也稱為命名實體)。這些命名實體可以是人名、地名、組織名、日期、時間、數量等等。 這項技術可以幫助機器更好地理解文本,提高自然語言處理的精度和效率,也可以用於許多應用場景,例如搜