AI說書 - Prompt Engineering - 82 | N-Shot Prompting 增強方針

我們人類和ChatGPT的對話技巧也是需要學習的，有鑑於此，我想要一天分享一點「和ChatGPT對話的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。

基於 "Rethinking the Role of Demonstrations: What Makes In-Context Learning Work" 一文的見解，某些指導方針可以提高 Few-Shot Prompting 的有效性：

• 標籤定義：清晰的、與任務相關的標籤起著關鍵作用，例如，如果任務是分析陳述的情緒，則標籤應明確定義為快樂和悲傷
• 平衡輸入分佈：確保範例的多樣化和平衡分佈是泛化性的關鍵，例如，如果任務是將水果分類，請確保演示中每個類別的範例分佈均衡
• 格式一致性：範例中一致的格式有助於理解和準確性
• 隨機標籤效用：有時，即使是隨機或不正確的標籤，憑藉其結構，也可以為模型提供學習線索
• 真實分佈取樣：從真實的標籤分佈 (而不是均勻分佈) 中選擇隨機標籤，因為它可以增強模型對問題的理解並提高其效能，例如，如果任務是將部落格文章分類，並且標籤的真實分佈是 50% 旅行、20% 食品、15% 時尚和 15% 科技，則根據此分佈選擇隨機標籤，例如，“旅行，部落格文章 1；食物，部落格文章 2；旅行，部落格文章 3；科技，部落格文章 4；”輸入：“部落格文章 5”，輸出：模型更有可能根據標籤的真實分佈進行準確分類