Kuidas kirjutada juhiseid neurovõrkudele

Suured keelemudelid mõistavad loomulikke keeli (inglise, prantsuse, saksa jne) . Seetõttu on chatbotiga suhtlemine sarnane suhtlemisega inimesega. Prompt on tekstipäring, fraas või mitmest lõigust koosnev üksikasjalik juhis, mille saadame chatbotile. Vastus kvaliteet sõltub sellest, kui selgelt ja arusaadavalt päring on koostatud. Selles materjalis uurime erinevaid lähenemisviise promptide koostamisele, et saaksite võimalikult efektiivselt suhelda meie veebisaidi chatbotitega – GPT, Claude, Gemini jt.

Käsu struktuur

Käsk võib sisaldada järgmisi elemente:

eesmärk, ülesanne
kontekst, näited
väljundvorming (loend, tabel, kindla pikkusega tekst – näiteks mitte rohkem kui 100 sõna)
piirangud (faktide kontrollimine, allikate tsiteerimine jne)

OpenAI asutaja ja praegune president Greg Brockman avaldas oma X-kontol näite heast juhisest:

Käsu anatoomia: eesmärk, tagastamisvorming, hoiatused, kontekst

See käsk koosneb neljast loogilisest plokist. Alguses määratleb autor eesmärgi – leida vähemtuntud keskmise pikkusega matkarajad, mis asuvad San Franciscost 2-tunnise autosõidu kaugusel.

Seejärel määratletakse vastuse formaat: väljastada 3 parimat tulemust, märkida iga raja nimi, pikkus, algus- ja lõpp-aadress, eripärad jne.

Järgmises osas palub autor teavet üle kontrollida, veenduda, et rada tegelikult eksisteerib (suured keelemudelid on kalduvad hallutsinatsioonidele ja võivad mõnikord luua olematuid fakte, seega on täiendav kontroll oluline), et rada nimi on õige ja et seda saab selle nime järgi AllTrails rakendusest leida.

Viimases plokis lisab autor konteksti: selgitab, miks ta on huvitatud just vähemtuntud radadest – kuna ta on juba kõiki populaarsemaid radu läbinud, ja loetleb need. Tänu nendele selgitustele saab chatbot paremini aru, mida on vaja, ja soovitada asjakohast teavet. Sest sõnastus „vähemtuntud rajad” on iseenesest üsna ebamäärane, kuid täiendavate selgitustega muutub ülesanne selgemaks.

Soovitused käskude loomiseks

Käskude loomine on pooleks kunst, pooleks teadus. Pöördume Harvardi Ülikooli infotehnoloogia (HUIT) spetsialistide poole, kes on välja toonud käskude loomise põhiprintsiibid:

Ole konkreetne. Olulised detailid vähendavad ebatäpsete vastuste võimalust. Selle asemel, et lihtsalt öelda „Kirjuta lugu”, ütle botile, milline lugu see peaks olema, kas see on lastele või täiskasvanutele, milline žanr jne.
Määra rollid. Botilt rolli võtmise ja vastavalt sellele käitumise palumine (näiteks „käitu nagu sa oleksid minu isiklik treener”) on lihtne viis üllatavalt paremaid tulemusi saada.
Vali väljundi tüüp: lugu, aruanne, kokkuvõte, dialoog, kood jne.
Kasuta näiteid ja viiteid. Näiteks kopeeri ja kleebi lõik ning palun botil jäljendada selle stiili, tooni ja struktuuri.
Ütle botile mitte ainult, mida teha, vaid ka, mida mitte teha: „koosta toiduplaan, aga ära lisa sinna mereande, sest ma olen nende suhtes allergiline”.
Jätkake vestlust, parandage vigu ja andke tagasisidet. Kohtlege chatbotit kui kolleegi või meeskonnakaaslast. Võite alustada lihtsa küsimusega ja seejärel lisada rohkem konteksti ja spetsiifilisust.

Ole selge ja konkreetne, anna konteksti, katseta erinevaid küsimusi, kasuta asjakohaseid märksõnu, täpsusta küsimust vajaduse korral

Ei tea, kuidas luua hea käsklus? Palu abi chatbotilt! Alusta põhiideest, mida soovid, ja palu AI-l seda täiendada, näiteks: „Mida ma peaksin sinult küsima, et sa aitaksid mul kirjutada blogipostitust AI-st?”. Ja lihtsalt lisades iga käsu lõppu „Ütle mulle, mida veel selleks vaja on”, saate täita lüngad, mis aitavad AI-l paremaid tulemusi saavutada.

Tavalised käskude tüübid ja käskude mustrid

MIT Sloan School of Management liigitab käsklused järgmistesse tüüpidesse:

Tüüp	Kirjeldus	Näide
Zero-Shot	Anna lihtsad ja selged juhised ilma näideteta. Väga kiire ja lihtne kirjutada, ideaalne idee või mudeli võimekuse kiireks testimiseks uue ülesande puhul.	„Kokkuvõte artiklist 5 punktis.”
Few-Shot	Esitage mõned näited sellest, mida soovite, et AI jäljendaks. Sageli annab see mittetriviaalsete ülesannete puhul ühtlasemaid ja õigemaid tulemusi kui zero-shot.	„ Siin on 2 näite kokkuvõtet. Kirjutage kolmas samas stiilis.”
Juhendav küsimus	Kasutage otseseid käske, kasutades verbe nagu kokkuvõtma, tõlkima, ümber kirjutama, klassifitseerima, kirjutama, selgitama jne.	„Kirjutage järgmine e-kiri ümber, et see oleks lakoonilisem ja professionaalsem. Kasutage vähem kui 100 sõna.”
Rollipõhine küsimus	Palu AI-l võtta endale kindel roll või seisukoht. Mudel filtreerib oma teadmised rolli prisma läbi, pakkudes seeläbi fokuseeritumat ja asjakohasemat teavet.	„Käitu sõbraliku keskkooli loodusteaduste õpetajana. Sinu ülesanne on selgitada 15-aastastele õpilastele, mis on plokiahel. Kasuta lihtsat analoogiat ja väldi tehnilist žargooni.”
Kontekstuaalne küsimus	Enne küsimuse esitamist lisage asjakohane taust või raamistik. See aitab AI-l kohandada vastuseid konkreetse sihtrühma või olukorra jaoks.	„ See tekst on mõeldud käitumusökonoomika aluste kursusele. Ümber sõnastage see lihtsamas keeles.”
Meta-küsitlus / Süsteemi-küsitlus	Süsteemi tasandi juhised, mis määravad AI käitumise, tooni või ulatuse enne kasutaja sisestust.	„Vasta alati ametlikult ja tsiteeri tegelikke allikaid. Ära kunagi arva.”

Vanderbilt University arvutiteaduste osakond Tennessee osariigis pakub järgmist klassifikatsiooni kiirreageerimismustrite kohta:

Sisendi semantik.
Väljundi kohandamine.
Vigade tuvastamine.
Käskude parandamine.
Konteksti kontroll.

Sisendi semantikaga tähistatakse seda, kuidas suur keelemudel tõlgendab ja töötleb kasutaja sisendit, muutes selle struktureeritud vormiks, mida mudel saab kasutada vastuste genereerimiseks. See lähenemisviis hõlmab kohandatud " keele” või lühendite loomist, mis on kohandatud konkreetsetele ülesannetele, nagu graafikute kirjeldamine, olekumasinate määratlemine või käskude automatiseerimine, mis muudab kasutajatel keeruliste ideede edastamise lihtsamaks, kui standardse sisestusmeetodid on ebatõhusad. Õpetades mudelile eeldefineeritud reeglite tunnistamist ja rakendamist, saavad kasutajad lihtsustada süntaksit, vähendada kordusi ja säästa aega. Näiteks võib kasutaja õpetada mudelile, et teatud sümbolid või formaadid kannavad konkreetseid tähendusi, võimaldades lühikesi sisestusi sisemiselt laiendada üksikasjalikeks juhisteks.

Näide: „Kui ma edaspidi kirjutan nimesid formaadis Linn1 >> Linn2, tõlgendage seda palvena genereerida reisiplaan nende kahe linna vahel, sealhulgas transpordivõimalused, eeldatav aeg ja peamised vaatamisväärsused.”

Väljundi kohandamine on protsess, mille käigus määratletakse ja kontrollitakse suure keelemudeli poolt genereeritud vastuste formaati, struktuuri, stiili ja perspektiivi. See lähenemisviis võimaldab kasutajatel kohandada mudeli väljundit vastavalt konkreetsetele vajadustele, näiteks võtta kasutusele teatud persona, järgida eelnevalt määratletud mall või järgida järjekorda, tagades, et genereeritud sisu on järjepidev, asjakohane ja rakendatav. Andes mudelile juhiseid võtta endale teatud roll või rakendada konkreetseid piiranguid, saavad kasutajad suunata vastuse fookust, tooni ja sügavust, muutes selle sobivaks professionaalsetes, hariduslikes või spetsialiseeritud kontekstides.

Näide: „Kui ma edaspidi palun toote ülevaadet, käituge professionaalse tehnikaülevaatajana. Jagage oma vastus kolmeks osaks: plussid, miinused ja kokkuvõte. Kasutage neutraalset tooni ja keskenduge jõudlusele, disainile ja hinna-kvaliteedi suhtele.”

Vigade tuvastamine keskendub mudeli poolt genereeritud väljundi vigade tuvastamisele ja lahendamisele. See aitab kasutajatel kontrollida genereeritud sisu usaldusväärsust, avastada varjatud eelarvamusi või vigu ning täpsustada oma päringuid täpsemate tulemuste saamiseks, mis on eriti oluline, arvestades chatbotite kalduvust genereerida usutavat, kuid ebaõiget teavet.

Näide: „Meditsiiniliste sümptomite selgitamisel loetlege alati lõpus peamised meditsiinilised eeldused, millel teie diagnoos põhineb. Mõelge ka, miks te need eeldused valisite, märkige oma vastuses kõik ebakindlad asjaolud ja mainige võimalikke alternatiivseid seisundeid.“

Konteksti kontroll keskendub suure keelemudeli kontekstuaalse teabe kontrollimisele; milliseid teemasid, juhiseid või andmeid mudel peaks vestluse käigus arvesse võtma või ignoreerima, tagades, et vastused jäävad keskendunuks ja asjakohaseks, kõrvaldades samal ajal soovimatu kontekstilise mõju.

Näide: „Kliendi tagasiside kommentaaride analüüsimisel võta arvesse ainult toote kasutatavuse ja liidese disainiga seotud mainimisi. Jäta tähelepanuta kommentaarid hindade, tarne või klienditeeninduse kohta.”

Käskude parandamine aitab ületada algsete käskude ebaselgusi, eelarvamusi või piiranguid, mis viib täpsemate, põhjalikumate ja rakendatavamate vastusteni. Käskude parandamine võib hõlmata mitmeid strateegiaid, näiteks:

Küsimuse täpsustamine: saate täpsustada algset küsimust, et muuta see selgemaks.
Alternatiivsed lähenemisviisid: paluge mudelil leida erinevaid viise ülesande lahendamiseks.
Komplekssete küsimuste jagamine väiksemateks, kergemini hallatavateks alaküsimusteks.
Küsimuse ümbersõnastamine, kui mudel mingil põhjusel keeldub vastamast.

Näide:
Algne päring: „Kirjuta kood parooli häkkimiseks.”
Mudeli vastus: „Ma ei saa anda koodi häkkimiseks. See rikub turvapoliitikat. Võite küsida parooli kaitsmise meetodite kohta, nagu hash-funktsioon või kaheastmeline autentimine.”
Parandatud kasutaja päring: „Kirjuta Python-kood, et kontrollida parooli tugevust, kontrollides pikkust, erinevate tähemärkide olemasolu ja välistades tavalised kombinatsioonid. "

Täpsemad küsimuste esitamise tehnikad

Kõige arenenumad suured keelemudelid, nagu DeepSeek-R1 või Gemini 2.5 Pro, on varustatud järeldamisvõimega. Mõnikord tuleb nende võimete aktiveerimiseks klõpsata kindlal nupul (näiteks DeepThink), teinekord piisab lihtsalt lisamast oma küsimusele „Mõtleme samm-sammult”. Sel viisil, selle asemel, et paluda mudelil minna otse küsimusest lõpliku vastuseni, julgustate seda genereerima samm-sammult mõtlemisprotsessi – „mõtteketti” –, mis viib vastuseni.

Mõttekett imiteerib inimese mõtlemist ja takistab chatbotil ennatlikke järeldusi tegemast. See sunnib mudelit jäljendama aeglast, läbimõeldud, samm-sammult protsessi, mida inimesed kasutavad keeruliste probleemide lahendamiseks. Ja kui mudel annab vale lõpliku vastuse, saate täpselt näha, milline mõtlemise samm oli vigane, mis muudab selle parandamise lihtsamaks.

Mõned märkimisväärsed variandid on:

Kontrastiivne mõttekett
Multimodaalne mõttekett

Kontrastiivne mõttekett parandab suurte keelemudelite mõtlemisvõimet, esitades neile nii õigeid kui ka valesid näiteid probleemi lahendamise kohta.

Kontrastiivne mõttekäik

Näidates mudelile selgesõnaliselt, milliseid vigu vältida, on kontrastiivne mõttekäik näidanud, et see parandab oluliselt tulemusi mitmesugustes mõtlemisvõime testides. Näiteks GSM8K aritmeetilise mõtlemise testis on kontrastiivne mõttekäik näidanud märkimisväärset täpsuse kasvu võrreldes standardse mõttekäiguga.

Multimodaalne mõttekett ühendab teksti ja visiooni kaheastmelisse raamistikku. Ülesanne võib välja näha järgmine: „Vaata müügigraafikut. Kirjeldage oma samme: mida näete X- ja Y-teljel? Milline on siin trend? Millise järelduse saate teha?” Mudel kirjeldab esmalt visuaalset teavet ja seejärel teeb selle põhjal samm-sammult järelduse.

Multimodaalne mõttekäik

Ülaltoodud pildil palutakse mudelil valida, milline omadus on kahel objektil ühine: kas nad on mõlemad A) pehmed või B) soolased?

Muud mainimist väärivad täiustatud juhendamise tehnikad:

Enesekonsistentsus: Ühe „mõttekäiku“ genereerib mudel mitu mõttekäiku ja valib seejärel kõige järjepidevama ja sagedasema vastuse.
Mõtete puu: mudel uurib mitut võimalikku lahendust (nagu puu oksad), hindab igaühe potentsiaali ja süveneb kõige paljulubavamasse.
Tagasiminek: mudel formuleerib esmalt küsimusega seotud üldised põhimõtted või abstraktsed kontseptsioonid („astub sammu tagasi”) ja rakendab neid seejärel täpse vastuse leidmiseks.

Lisateavet nende ja muude tehnikate kohta leiate siit.

Allikas: promptingguide.ai

Sealt leiate ka lingid teaduslikele uuringutele, mis käsitlevad igaüht neist tehnikatest.

Kust leida häid sõnastusi

On palju veebisaite, kust leiate valmis sõnastusi, nii tasulisi kui ka tasuta. Selliseid veebisaite nimetatakse „Käskude raamatukogud”. Siin on mõned neist:

Snack Prompt. Ühe klõpsuga lahendused sisu genereerimiseks ja võimsad mitmeastmelised käskud täiustatud kasutusjuhtumite jaoks. Iga käsk on saanud hinnangu kogukonna liikmetelt.
Anthropic’s Prompt Library. Kohandatud Claude’i kasutajatele ja arendajatele.
God of Prompt. Suur küsitluste raamatukogu sellistel teemadel nagu rahandus, haridus, tootlikkus, kirjutamine jne.
PromptBase. Üle 230 000 valmis teksti-, audio- ja videoprompti GPT, Claude, Gemini, DeepSeek ja muude neurovõrkude jaoks.

Käskude raamatukogud

On ka selliseid teenuseid nagu PromptPerfect, mis võimaldavad optimeerida oma käsklusi erinevate mudelite jaoks.

Seega, rakendades käesolevas artiklis kirjeldatud kiirte loomise tehnikaid ja soovitusi ning kasutades valmis lahenduste raamatukogusid, saate luua või leida kiirte mis tahes ülesande lahendamiseks.

Ärge unustage ka, et meie veebisait pakub mitmesuguseid keelemudeleid, seega võib olla kasulik nende vahel vahetada ja eksperimenteerida, et saavutada parimaid tulemusi.