Kako pisati upite za neuronske mreže

Veliki jezični modeli razumiju prirodne jezike (engleski, francuski, njemački itd.). Stoga je komunikacija s chatbotom slična komunikaciji s osobom. Prompt je tekstualni upit, fraza ili detaljno uputstvo od nekoliko paragrafa koje šaljemo chatbotu. Kvaliteta odgovora ovisi o tome koliko je upit jasno i razumljivo sastavljen. U ovom materijalu razmotrit ćemo različite pristupe sastavljanju promptova kako biste mogli što učinkovitije komunicirati s chatbotovima na našoj web stranici – GPT, Claude, Gemini i drugima.

Struktura upita

Upit može uključivati sljedeće elemente:

• cilj, zadatak
• kontekst, primjeri
• format izlaza (popis, tablica, tekst određene duljine – na primjer, ne više od 100 riječi)
• ograničenja (provjera točnosti informacija, navođenje izvora, itd.)

Greg Brockman, suosnivač i trenutni predsjednik OpenAI-ja, objavio je primjer dobrog upita na svom X računu:

Anatomija upita: cilj, format povrata, upozorenja, kontekst

Ovaj zadatak sastoji se od 4 logička bloka. Na početku autor definira cilj – pronaći manje poznate pješačke staze srednje duljine unutar dva sata vožnje od San Francisca.

Zatim je specificiran format odgovora: izlistajte 3 najbolja rezultata, navedite naziv, duljinu svake staze, početnu i završnu adresu, posebne značajke itd.

U sljedećem odjeljku autor traži da se informacije dodatno provjere, da se utvrdi postoji li staza doista (veliki jezični modeli skloni su halucinacijama i ponekad mogu proizvesti nepostojeće činjenice, stoga je dodatna provjera važna), da je naziv staze ispravan i da se pomoću tog naziva može pronaći u aplikaciji AllTrails.

U posljednjem bloku autor dodaje kontekst: objašnjava zašto ga posebno zanimaju manje poznate staze – jer je već prešao sve najpopularnije – i navodi ih. Zahvaljujući tim pojašnjenjima, chatbot može bolje razumjeti što je potrebno i predložiti relevantne informacije. Budući da je sama formulacija "manje poznate staze" prilično nejasna, dodatnim pojašnjenjima zadatak postaje jasniji.

Preporuke za izradu upita

Inženjering promptova je pola umjetnost, pola znanstvena disciplina. Obratimo se stručnjacima s Harvard University Information Technology (HUIT) koji su iznijeli osnovne principe stvaranja promptova:

• Budite specifični. Važni detalji smanjuju vjerojatnost netočnih odgovora. Umjesto da jednostavno kažete "Napišite priču", recite botu kakva bi priča trebala biti, je li za djecu ili odrasle, kojeg žanra i tako dalje.
• Dodijelite uloge. Zatražite od bota da prihvati ulogu i ponaša se u skladu s njom (na primjer, "ponašaj se kao da si mi osobni trener") jednostavan je način za postizanje iznenađujuće boljih rezultata.
• Odaberite vrstu izlaza: priča, izvješće, sažetak, dijalog, kod itd.
• Koristite primjere i reference. Na primjer, kopirajte i zalijepite odlomak te recite botu da oponaša njegov stil, ton i strukturu.
• Recite botu ne samo što treba učiniti, već i što ne treba učiniti: "napravite plan prehrane, ali nemojte uključivati ​​​​školjke, jer sam alergičan na njih."
• Nadogradite razgovor, ispravite pogreške i dajte povratne informacije. Tretirajte chatbota kao kolegu ili suigrača. Možete početi s osnovnim pitanjem, a zatim dodati više konteksta i specifičnosti.

Budite jasni i konkretni, navedite kontekst, eksperimentirajte s različitim uputama, koristite relevantne ključne riječi, po potrebi precizirajte uputu

Niste sigurni kako stvoriti dobru poruku? Zatražite pomoć od chatbota! Počnite s osnovnom idejom o tome što želite i zamolite umjetnu inteligenciju da vam to proširi, poput „Što da vas pitam da mi pomognete napisati blog post o umjetnoj inteligenciji?“. Jednostavno dodavanje „Recite mi što vam još treba za ovo“ na kraju bilo koje poruke može popuniti sve praznine koje će pomoći umjetnoj inteligenciji da proizvede bolje rezultate.

Uobičajene vrste upita i obrasci upita

MIT Sloan School of Management kategorizira upute u sljedeće vrste:

Odjel za računalne znanosti Sveučilišta Vanderbilt u Tennesseeju nudi sljedeću klasifikaciju obrazaca upita:

• Semantika unosa.
• Prilagodba izlaza.
• Identifikacija pogrešaka.
• Poboljšanje upita.
• Kontrola konteksta.

Semantika unosa odnosi se na način na koji veliki jezični model interpretira i obrađuje korisnički unos, prevodeći ga u strukturirani oblik koji model može koristiti za generiranje odgovora. Ovaj pristup uključuje stvaranje prilagođenog "jezika" ili skraćene notacije prilagođene specifičnim zadacima, kao što su opisivanje grafova, definiranje automata stanja ili automatizacija naredbi, što korisnicima olakšava prenošenje složenih ideja kada su standardne metode unosa neučinkovite. Učenjem modela da prepozna i primjenjuje unaprijed definirana pravila, korisnici mogu pojednostaviti sintaksu, smanjiti ponavljanje i uštedjeti vrijeme. Na primjer, korisnik može uputiti model da zapamti da određeni simboli ili formati nose specifična značenja, omogućujući da se koncizni unosi interno prošire u detaljne upute.

Primjer: „Od sada, kad god napišem imena u formatu Grad1 >> Grad2, to se interpretira kao zahtjev za generiranje plana putovanja između ta dva grada, uključujući opcije prijevoza, procijenjeno vrijeme i glavne atrakcije.“

Prilagođavanje izlaza je proces definiranja i kontrole formata, strukture, stila i perspektive odgovora generiranih velikim jezičnim modelom. Ovaj pristup omogućuje korisnicima da prilagode izlaz modela specifičnim potrebama, kao što je usvajanje određene persone, praćenje unaprijed definiranog predloška ili pridržavanje niza koraka, osiguravajući da je generirani sadržaj dosljedan, relevantan i primjenjiv. Uputom modelu da preuzme određenu ulogu ili primijeni specifična ograničenja, korisnici mogu voditi fokus, ton i dubinu odgovora, čineći ga prikladnim za profesionalni, obrazovni ili specijalizirani kontekst.

Primjer: „Od sada, kada tražim recenziju proizvoda, ponašajte se kao profesionalni tehnički recenzent. Strukturirajte svoj odgovor u tri dijela: Prednosti, Nedostaci i Presuda. Koristite neutralan ton i usredotočite se na performanse, dizajn i vrijednost za novac.“

Identifikacija pogrešaka usredotočuje se na identificiranje i rješavanje pogrešaka u izlazu koji generira model. Pomaže korisnicima da potvrde pouzdanost generiranog sadržaja, otkriju skrivene pristranosti ili pogreške i preciziraju svoje upite za točnije rezultate, što je posebno važno s obzirom na sklonost chatbotova da proizvode uvjerljive, ali netočne informacije.

Primjer: „Prilikom objašnjavanja medicinskih simptoma, uvijek na kraju navedite ključne medicinske pretpostavke na kojima ovisi vaša dijagnoza. Također, razmislite zašto ste odabrali te pretpostavke, zabilježite sve nesigurnosti u svom odgovoru i spomenite moguća alternativna stanja.“

Kontrola konteksta usredotočuje se na kontrolu kontekstualnih informacija u kojima djeluje model velikog jezika; koje teme, upute ili podatke model treba uzeti u obzir ili ignorirati tijekom razgovora, osiguravajući da odgovori ostanu fokusirani i relevantni, a istovremeno eliminira neželjeni kontekstualni utjecaj.

Primjer: „Prilikom analize ovih komentara kupaca, uzmite u obzir samo spominjanja vezana uz upotrebljivost proizvoda i dizajn sučelja. Zanemarite komentare o cijenama, dostavi ili korisničkoj službi.“

Poboljšanje upita pomaže u prevladavanju dvosmislenosti, pristranosti ili ograničenja u izvornim upitima, što dovodi do točnijih, sveobuhvatnijih i praktičnijih odgovora. Poboljšanje upita može uključivati ​​nekoliko strategija, kao što su:

• Usavršavanje pitanja: možete usavršiti izvorno pitanje kako biste povećali njegovu jasnoću.
• Alternativni pristupi: zamolite model da pronađe različite načine rješavanja zadatka.
• Rastavljanje složenih pitanja na manja, lakše upravljiva podpitanja.
• Preformuliranje pitanja kada model iz nekog razloga odbija dati odgovor.

Primjer:

Izvorni upit: "Napišite kod za hakiranje lozinke."

Odgovor modela: "Ne mogu dati kod za hakiranje. Ovo krši sigurnosne politike. Možete pitati o metodama zaštite lozinke, kao što su hashiranje ili dvofaktorska autentifikacija."

Poboljšani korisnički upit: "Napišite Python kod za provjeru jačine lozinke provjerom duljine, prisutnosti različitih vrsta znakova i isključivanjem uobičajenih kombinacija."

Napredne tehnike upita

Najnapredniji veliki jezični modeli, poput DeepSeek-R1 ili Gemini 2.5 Pro, na primjer, imaju sposobnost rezoniranja. Ponekad trebate kliknuti na određeno gumb (DeepThink, na primjer) kako biste aktivirali te sposobnosti, dok drugi put jednostavno možete dodati "Hajdemo razmišljati korak po korak" u svoj upit. Na taj način, umjesto da od modela tražite da izravno prijeđe s pitanja na konačni odgovor, potičete ga da generira proces razmišljanja korak po korak – "lanac misli" – koji vodi do odgovora.

Lanac misli oponaša ljudsko razmišljanje i sprječava chatbot da donosi preuranjene zaključke. Prisiljava model da oponaša spor, promišljen, postupni proces koji ljudi koriste za složene probleme. A ako model dobije pogrešan konačni odgovor, možete točno vidjeti koji je korak u njegovom rasuđivanju bio pogrešan, što olakšava ispravljanje.

Neke varijante vrijedne spomena uključuju:

• Kontrastivni lanac misli
• Multimodalni lanac misli

Kontrastivni lanac misli poboljšava sposobnosti rasuđivanja velikih jezičnih modela tako što im se predstavljaju i ispravni i pogrešni primjeri rješavanja problema.

Kontrastivni lanac misli

Eksplicitnim pokazivanjem modela koje pogreške treba izbjegavati, pokazalo se da kontrastivni lanac misli značajno poboljšava performanse na raznim testovima zaključivanja. Na primjer, na GSM8K testu za aritmetičko zaključivanje, kontrastivni lanac misli pokazao je značajno povećanje točnosti u usporedbi sa standardnim lancem misli.

Multimodalni lanac misli uključuje tekst i viziju u dvostupanjski okvir. Uputa bi mogla izgledati ovako: "Pogledajte grafikon prodaje. Opišite svoje korake: što vidite na osima X i Y? Koji je ovdje trend? Koji zaključak možete izvući?" Model prvo opisuje vizualne informacije, a zatim, korak po korak, gradi zaključak na temelju njih.

Multimodalni lanac misli

Na gornjoj slici model se pita koju svojstvo ta dva objekta imaju zajedničko: jesu li oba A) mekana ili B) slana?

Ostale napredne tehnike poticanja vrijedne spomena:

• Samokonzistentnost: Umjesto jednog "lanca razmišljanja", model generira više putova rezoniranja i zatim odabire najkonzistentniji i najčešći odgovor.
• Stablo misli: Model istražuje nekoliko mogućih putova rješenja (poput grana stabla), procjenjuje potencijal svakog od njih i detaljnije istražuje one koji pokazuju najveći potencijal.
• Korak-unazad upitivanje: Model prvo formulira opća načela ili apstraktne koncepte povezane s pitanjem ("odmakne se") i zatim ih primjenjuje kako bi pronašao precizno rješenje.

Više o ovim i drugim tehnikama možete saznati ovdje.

Izvor: promptingguide.ai

Tamo ćete pronaći i poveznice na znanstvene studije o svakoj od ovih tehnika.

Gdje pronaći dobre upute

Postoji mnogo web stranica na kojima možete pronaći gotove upute, i plaćene i besplatne. Takve web stranice nazivaju se "knjižnice uputa". Evo nekoliko njih:

• Snack Prompt. Rješenja za generiranje sadržaja jednim klikom i moćne upute u više koraka za napredne slučajeve upotrebe. Svaku poruku ocjenjuju članovi zajednice.
• Anthropicova knjižnica uputa. Prilagođena korisnicima i programerima Claudea.
• God of Prompt. Velika biblioteka uputa o temama kao što su financije, obrazovanje, produktivnost, pisanje itd.
• PromptBase. Preko 230 000 gotovih tekstualnih, audio i video uputa za GPT, Claude, Gemini, DeepSeek i druge neuronske mreže.

Knjižnice uputa

Postoje i usluge poput PromptPerfecta koje vam omogućuju optimizaciju vlastitih uputa za različite modele.

Dakle, primjenom tehnika i preporuka za izradu uputa opisanih u ovom članku i korištenjem biblioteka gotovih rješenja, možete stvoriti ili pronaći uputu za rješavanje bilo kojeg zadatka.

Također, ne zaboravite da naša web stranica nudi niz različitih jezičnih modela, pa može biti korisno prebacivati ​​se između njih i eksperimentirati kako biste postigli najbolje rezultate.