LLM 模型使用大量的數據集進行訓練具有龐大的參數量，所以在 FineTune 上需要耗費許多的時間與費用，因為這些缺點所以發展出提示工程 (Prompt Engineering)
Prompts (提示詞)
- 生成的結果與品質取決於提示詞（Prompts） 的設計，可以包含指令或問題等訊息，並包含其他詳細訊息，如上下文、輸入或範例。
- 因為自然語言的特性，即使Prompt只有微小的差異也可能導致相差甚遠的結果。
- 使用合適的 Prompt 能夠提升大語言模型處理複雜任務場景的能力。
- 要找到合適的 Prompt 需要大量的實驗迭代與訓練資料。
Prompt Formatting（提示格式化）
zero-shot prompting（零樣本提示）
- 沒有提供期望的輸出示範直接進行提問，此輸出結果較無法預期。
Q: What is prompt engineering?
- 更甚至可以省略
Q:”What is prompt engineering?
few-shot prompting (少樣本提示)
提供一些期望的輸出樣式，讓模型能提供預期的回復。
- 提問 :
This is awesome! // Positive
This is bad! // Negative
Wow that movie was rad! // Positive
What a horrible show!
- 回應 :
Negative
Prompt Elements (提示元素)
- Instruction (指令) : 希望模型執行特定任務或指令。
- "Write", "Classify", "Summarize", "Translate” …
### Instruction ###
Translate the text below to Spanish:
Text: "hello!"
¡Hola!
- Context（語境） : 引導模型做出更好回應的外部資訊或附加上下文。
- Input Data（輸入資料）: 希望尋找答案的輸入或問題。
- Output Indicator（輸出指示）: 指定輸出的類型或格式。
