İstem teknikleri

LLM'lere istem verirken kullanabileceğiniz üç temel teknik vardır. Her birini ne zaman ve nasıl kullanacağınızı anlamak, daha etkili istemler yazmanıza yardımcı olur.

Zero-shot istemleme

Zero-shot istemleme, modele hiçbir örnek vermeden bir görev yaptırmaktır. Bu modeller muazzam veri kümeleri üzerinde eğitildiğinden, iç bilgileri sayesinde gösterim olmadan çok sayıda görevi yerine getirebilir.

Şöyle düşünün: Bir gitaristten, daha önce hiç piyano çalmamış olsa bile piyano çalmasını istemek. Müzik ve enstrümanlar hakkındaki önceki bilgisini uygulayarak çözmeye çalışır.

Örnek:

İstem:

Classify the text into the categories of satisfied, neutral or unsatisfied.

Text: I was happy with the customer support today.

Çıktı:

Satisfied

Ne zaman kullanın: Sınıflandırma, çeviri ve yerleşik bilgiyle soru yanıtlama gibi genel görevler için idealdir. Kullandığımız istemlerin çoğu varsayılan olarak zero-shot istemlerdir.

Few-shot istemleme

Few-shot istemleme, bir görevin nasıl yapılacağına dair gösterimler sunmak demektir. Yalnızca yapay zekâ modelinin genel eğitimine güvenmek yerine, modelin tam görevinizi daha yüksek kalitede yapmasını yönlendiren spesifik örnekler verirsiniz.

Şöyle düşünün: Bir gitariste ilk kez piyano çalmasını istemeden önce birkaç piyano parçası göstermek.

Örnek:

İstem:

I was happy with the customer support today - satisfied
The product is horrible! - very unsatisfied
This is one of the best products I have ever used - very satisfied
This is such a great product! -

Çıktı:

Very Satisfied

Ne zaman kullanın:

• Biçimin önemli olduğu karmaşık veya nüanslı görevler
• Tutarlı çıktı yapısı gerektiğinde
• Genellikle 3–4 örnek en iyi sonucu verir

Önemli sınırlama: Karmaşık akıl yürütme görevlerinde few-shot istemleme sınırına ulaşır. Bu durumlarda daha iyi sonuç için chain-of-thought ilkeleriyle birleştirin.

Chain-of-Thought istemleme

Chain-of-thought istemleme, modeli düşünme sürecini dışsallaştırmaya zorlayarak — esasen "çalışmasını göstermesini" sağlayarak — akıl yürütme kalitesini artırır. Modelin aksi halde hayal ürünü veya mantıksal olarak tutarsız sonuçlar üretebileceği karmaşık veya uç durum problemlerinde özellikle yararlıdır.

Üç kanıtlanmış teknik:

1. Doğrudan adım adım talimatlar

İsteminize "Think step by step" ekleyin. Bu basit ifade, modeli karmaşık problemleri sonuçlara atlamak yerine mantıksal bileşenlere ayırmaya yönlendirir.

2. Mantıksal bir çerçeve sağlayın

Modelin doğru yaklaşımı kendi başına bulmasını ummak yerine, izlemesi gereken tam çerçeveyi verin. Bu, çözüm yolunu kısıtlayarak akıl yürütme hatalarını azaltır.

Örnek:

Belirsiz istem:

Analyze the impact of climate change on polar bear populations.

Yapılandırılmış istem:

Analyze the impact of climate change on polar bear populations using this framework:
1. Current polar bear population status
2. Climate change factors affecting Arctic habitat
3. Direct impacts (habitat loss, hunting changes)
4. Indirect impacts (food chain disruption)
5. Future population projections

3. Süreç ayrımı için XML etiketleri

Akıl yürütmeyi nihai çıktıdan ayırmak için ` ve ` etiketlerini kullanın. Bu, özellikle karmaşık çok adımlı problemlerde modelin çalışma sürecini cilalı sonuçla karıştırmasını önler. XML etiketleri hakkında daha fazla bilgi burada.

Hızlı karşılaştırma

Teknikleri birleştirme

Daha da iyi sonuçlar için bu teknikleri birleştirebilirsiniz:

• Karmaşık akıl yürütme görevleri için few-shot örnekleri chain-of-thought talimatlarıyla kullanın
• Uç durumlarla uğraşırken zero-shot istemlere chain-of-thought ilkelerini uygulayın
• Tutarlı akıl yürütme için few-shot örnekleri chain-of-thought çerçeveleriyle yapılandırın

SSS

Görevi, bağlamı, kısıtları ve istenen çıktıyı belirten net bir doğrudan istemle başlayın. Görev daha fazla yapı gerektirdiğinde örnekler, adım adım akıl yürütme talimatları veya istem zincirleme ekleyin.

Hedefi daha spesifik hale getirin, çıktı biçimini tanımlayın, örnekler verin, çelişen talimatları azaltın ve göreve uygun bir model seçin. Tekrarlanabilir iş için istemi kaydedin veya bir ajana ya da Skill'e dönüştürün.