AI說書 - Prompt Engineering - 74 | N-Shot Prompting 結構

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。

N-Shot Prompting 的有效性很大程度取決於它的結構，N-Shot Prompting 中的「N」表示為模型理解特定任務而提供的範例。當我們深入研究結構時，重點是確保充分利用這些範例來指導模型，N-Shot Prompting 包含以下步驟：

1. 任務定義

• 顆粒度：明確定義的任務為範例提供了更清晰的上下文，確定您的目標是尋求通用解決方案還是專注於特定的細微差別，任務越清晰，「N」個例子就越能有效地引導模型
• 目標澄清：明確概述您希望模型實現的目標，該方向將確保提供的範例是目標導向且相關的

2. 範例條款

• 「N」內的多樣性：如果您使用 5 次提示，請確保這五個範例涵蓋任務的可能場景範圍，這使模型能夠適應多種情況，使其輸出更具適應性
• 策略選擇：由於您受到「N」個範例的限制，因此應該仔細選擇每個範例，將它們視為更大任務領域的代表性樣本
• 呈現的一致性：以一致的格式呈現「N」個範例，這有助於模型識別模式並理解輸入和期望輸出之間的關係

3. 輸出生成

• 評估：輸入「N」個範例並使用模型後，評估其輸出，它是否與提供的範例的預期結果一致
• 迭代細化：如果輸出不令人滿意，請考慮細化您的「N」個範例，有時，範例中的輕微調整可以顯著改善輸出

4. 反饋和迭代

• 分析與調整：根據模型的效能，重新檢視您的「N」個範例，也許一個例子太含糊，或者另一個例子範圍太窄，微調這些可以增強模型的理解
• 「N」的可擴展性：如果結果不符預期，請考慮嘗試調整 Shot 數量，對於某些任務，3-Shot 可能就足夠了，而其他任務可能需要 7-Shot 方法