Kaip rašyti užduotis neuroniniams tinklams

Didelės kalbos modeliai supranta natūralias kalbas (anglų, prancūzų, vokiečių ir kt.). Todėl bendravimas su pokalbių robotu yra panašus į bendravimą su žmogumi. Komanda yra tekstinis užklausimas, frazė arba išsamios instrukcijos, kurias siunčiame pokalbių robotui. Atsakymo kokybė priklauso nuo to, kaip aiškiai ir suprantamai suformuluota užklausa. Šioje medžiagoje aptarsime įvairius komandų formavimo būdus, kad galėtumėte kuo veiksmingiau bendrauti su mūsų svetainės pokalbių robotais – GPT, Claude, Gemini ir kitais.

Užklausos struktūra

Užklausa gali apimti šiuos elementus:

• tikslas, užduotis
• kontekstas, pavyzdžiai
• išvesties formatas (sąrašas, lentelė, tam tikro ilgio tekstas – pavyzdžiui, ne daugiau kaip 100 žodžių)
• apribojimai (faktų tikrinimas, šaltinių citavimas ir kt.)

Greg Brockman, „OpenAI“ įkūrėjas ir dabartinis prezidentas, savo „X“ paskyroje paskelbė geros užklausos pavyzdį:

Komandos anatomija: tikslas, grąžinimo formatas, įspėjimai, kontekstas

Šis užklausimas susideda iš 4 loginių blokų. Pradžioje autorius apibrėžia tikslą – rasti mažiau žinomus vidutinio ilgio pėsčiųjų takus, esančius ne toliau kaip 2 valandų kelio atstumu nuo San Francisko.

Tada nurodomas atsakymo formatas: pateikti 3 geriausius rezultatus, nurodyti kiekvieno tako pavadinimą, trukmę, pradžios ir pabaigos adresą, išskirtines savybes ir pan.

Kitoje dalyje autorius prašo dar kartą patikrinti informaciją, įsitikinti, kad takas tikrai egzistuoja (dideli kalbos modeliai yra linkę į haliucinacijas ir kartais gali pateikti neegzistuojančius faktus, todėl svarbu atlikti papildomą patikrinimą), kad tako pavadinimas yra teisingas ir kad jį galima rasti „AllTrails“ programėlėje pagal šį pavadinimą.

Paskutiniame bloke autorius priduria kontekstą: paaiškina, kodėl juos domina būtent mažiau žinomi takai – nes jie jau yra išvaikščioję visus populiariausius takus, ir pateikia jų sąrašą. Dėka šių paaiškinimų, pokalbių robotas gali geriau suprasti, ko reikia, ir pasiūlyti atitinkamą informaciją. Kadangi pats žodžių junginys „mažiau žinomi takai“ yra gana neaiškus, tačiau su papildomais paaiškinimais užduotis tampa aiškesnė.

Rekomendacijos, kaip kurti užklausas

Užklausų kūrimas yra pusiau menas, pusiau mokslas. Kreipkimės į Harvardo universiteto informacinių technologijų (HUIT) specialistus, kurie apibrėžė pagrindinius užklausų kūrimo principus:

• Būkite konkretūs. Svarbios detalės sumažina netikslių atsakymų tikimybę. Vietoj to, kad paprasčiausiai parašytumėte „Parašyk istoriją“, pasakykite botui, kokia tai turėtų būti istorija, ar ji skirta vaikams, ar suaugusiems, kokio žanro ir pan.
• Paskirkite vaidmenis. Paprašyti boto imtis vaidmens ir elgtis atitinkamai (pavyzdžiui, „elkis taip, lyg būtum mano asmeninis treneris“) yra paprastas būdas gauti netikėtai geresnius rezultatus.
• Pasirinkite išvesties tipą: istorija, ataskaita, santrauka, dialogas, kodas ir pan.
• Naudokite pavyzdžius ir nuorodas. Pavyzdžiui, nukopijuokite ir įklijuokite pastraipą ir paprašykite boto imituoti jos stilių, toną ir struktūrą.
• Botui nurodykite ne tik, ką daryti, bet ir ko nedaryti: „sukurk maisto planą, bet neįtrauk į jį jūros gėrybių, nes esu jiems alergiškas“.
• Remkitės pokalbiu, taisykite klaidas ir teikite grįžtamąjį ryšį. Elkitės su pokalbių botu kaip su kolega ar komandos nariu. Galite pradėti nuo paprasto klausimo, tada pridėti daugiau konteksto ir konkretumo.

Būkite aiškūs ir konkretūs, pateikite kontekstą, eksperimentuokite su įvairiais raginimais, naudokite atitinkamus raktinius žodžius, prireikus patobulinkite raginimą.

Nežinote, kaip sukurti gerą užduotį? Paprašykite pagalbos pokalbių boto! Pradėkite nuo pagrindinės idėjos, ko norite, ir paprašykite AI ją išplėtoti, pvz., „Ką turėčiau paklausti, kad padėtumėte man parašyti blogo įrašą apie AI?“. Paprasčiausiai pridėdami „Pasakykite, ko dar reikia, kad tai padarytumėte“ bet kurios užduoties pabaigoje, galite užpildyti bet kokias spragas, kurios padės AI sukurti geresnius rezultatus.

Dažniausiai naudojami prašymų tipai ir prašymų modeliai

MIT Sloan School of Management klasifikuoja prašymus į šiuos tipus:

Vanderbilt universiteto Kompiuterių mokslų katedra Tenesyje siūlo tokį greitųjų šablonų klasifikavimą:

• Įvesties semantika.
• Išvesties pritaikymas.
• Klaidų identifikavimas.
• Greitųjų šablonų tobulinimas.
• Konteksto kontrolė.

Įvesties semantika reiškia, kaip didelis kalbos modelis interpretuoja ir apdoroja vartotojo įvestį, verčia ją į struktūrizuotą formą, kurią modelis gali naudoti atsakymams generuoti. Šis metodas apima pritaikytos „kalbos“ arba trumpųjų užrašų, pritaikytų konkrečioms užduotims, pvz., grafikų aprašymui, būsenų mašinų apibrėžimui arba komandų automatizavimui, kūrimą, kad vartotojams būtų lengviau perteikti sudėtingas idėjas, kai standartiniai įvesties metodai yra neveiksmingi. Išmokydami modelį atpažinti ir taikyti iš anksto nustatytas taisykles, vartotojai gali supaprastinti sintaksę, sumažinti pasikartojimus ir sutaupyti laiko. Pavyzdžiui, vartotojas gali nurodyti modeliui įsiminti, kad tam tikri simboliai ar formatai turi konkrečią reikšmę, leidžiant trumpus įvesties duomenis išplėsti į išsamias instrukcijas viduje.

Pavyzdys: „Nuo šiol, kai rašysiu pavadinimus formatu Miestas1 >> Miestas2, tai reikš prašymą sudaryti kelionės maršrutą tarp šių dviejų miestų, įskaitant transporto galimybes, numatomą laiką ir pagrindines lankytinas vietas.“

Išvesties pritaikymas – tai didelio kalbos modelio generuojamų atsakymų formato, struktūros, stiliaus ir perspektyvos apibrėžimo ir kontrolės procesas. Šis metodas leidžia vartotojams pritaikyti modelio išvestį prie konkrečių poreikių, pvz., pritaikyti tam tikrą personažą, laikytis iš anksto nustatyto šablono ar laikytis veiksmų sekos, užtikrinant, kad generuojamas turinys būtų nuoseklus, aktualus ir praktiškai pritaikomas. Nurodydami modeliui prisiimti tam tikrą vaidmenį arba taikyti konkrečius apribojimus, vartotojai gali nukreipti atsakymo dėmesio centrą, toną ir gilumą, kad jis tiktų profesiniam, švietimo ar specializuotam kontekstui.

Pavyzdys: „Nuo šiol, kai paprašysiu produkto apžvalgos, elkitės kaip profesionalus technologijų apžvalgininkas. Suskirstykite savo atsakymą į tris dalis: privalumus, trūkumus ir verdiktą. Naudokite neutralų toną ir sutelkite dėmesį į našumą, dizainą ir kainos bei kokybės santykį.“

Klaidų identifikavimas sutelkia dėmesį į modelio generuojamų rezultatų klaidų identifikavimą ir ištaisymą. Tai padeda vartotojams patikrinti generuojamo turinio patikimumą, aptikti paslėptus šališkumus ar klaidas ir patobulinti užklausas, kad gautų tikslesnius rezultatus, o tai ypač svarbu, atsižvelgiant į pokalbių robotų polinkį generuoti įtikinamą, bet neteisingą informaciją.

Pavyzdys: „Aiškindami medicininius simptomus, visada pabaigoje išvardykite pagrindines medicinines prielaidas, nuo kurių priklauso jūsų diagnozė. Taip pat apmąstykite, kodėl pasirinkote šias prielaidas, atkreipkite dėmesį į bet kokias neaiškumas savo atsakyme ir paminėkite galimas alternatyvias sąlygas.“

Konteksto kontrolė orientuota į kontekstinės informacijos, kurioje veikia didelis kalbos modelis, kontrolę; kokias temas, instrukcijas ar duomenis modelis turėtų atsižvelgti arba ignoruoti pokalbio metu, užtikrinant, kad atsakymai išliktų koncentruoti ir aktualūs, tuo pačiu pašalinant nepageidaujamą kontekstinę įtaką.

Pavyzdys: „Analizuojant šiuos klientų atsiliepimus, atsižvelgti tik į komentarus, susijusius su produkto naudojimu ir sąsajos dizainu. Ignoruoti komentarus apie kainas, pristatymą ar klientų aptarnavimą.“

Greitas patobulinimas padeda įveikti neaiškumus, šališkumą ar apribojimus originaliuose užklausimuose, todėl atsakymai tampa tikslesni, išsamesni ir praktiškesni. Užklausimo patobulinimas gali apimti keletą strategijų, pavyzdžiui:

• Klausimo patobulinimas: galite patobulinti originalų klausimą, kad jis taptų aiškesnis.
• Alternatyvūs metodai: paprašykite modelio rasti kitus užduoties sprendimo būdus.
• Sudėtingų klausimų suskaidymas į mažesnius, lengviau valdomus paklausimus.
• Klausimo performulavimas, kai modelis dėl kokių nors priežasčių atsisako pateikti atsakymą.

Pavyzdys:

Pirminis užklausimas: „Parašykite kodą, skirtą slaptažodžiui nulaužti.“

Modelio atsakymas: „Negaliu pateikti kodo, skirto nulaužti. Tai pažeidžia saugumo politiką. Galite paklausti apie slaptažodžių apsaugos metodus, pvz., maišos funkciją arba dviejų veiksnių autentifikavimą.“

Patobulintas vartotojo užklausimas: „Parašykite Python kodą, skirtą patikrinti slaptažodžio stiprumą, patikrinant jo ilgį, skirtingų simbolių tipų buvimą ir išskiriant dažnas kombinacijas.“

Išplėstinės užklausos technikos

Pažangiausi didelių kalbų režimai, tokie kaip DeepSeek-R1 arba Gemini 2.5 Pro, turi mąstymo gebėjimus. Kartais reikia paspausti tam tikrą mygtuką (pavyzdžiui, DeepThink), kad aktyvuotumėte minėtus gebėjimus, o kartais galite tiesiog pridėti „Mąstykime žingsnis po žingsnio” prie savo užklausos. Tokiu būdu, vietoj to, kad prašytumėte modelį pereiti tiesiai nuo klausimo prie galutinio atsakymo, skatinate jį sukurti žingsnis po žingsnio mąstymo procesą – „minties grandinę“ – kuri veda prie atsakymo.

Minties grandinė imituoja žmogaus mąstymą ir neleidžia pokalbių robotui daryti skubotų išvadų. Ji verčia modelį imituoti lėtą, apgalvotą, žingsnis po žingsnio procesą, kurį žmonės naudoja sprendžiant sudėtingas problemas. Jei modelis pateikia neteisingą galutinį atsakymą, galite tiksliai pamatyti, kuris mąstymo etapas buvo klaidingas, todėl jį lengviau ištaisyti.

Keletas paminėtinų variantų:

• Kontrastinė mąstymo grandinė
• Daugiakryptė mąstymo grandinė

Kontrastinė mąstymo grandinė pagerina didelių kalbos modelių mąstymo gebėjimus, pateikdama jiems teisingus ir neteisingus pavyzdžius, kaip išspręsti problemą.

Kontrastinė minties grandinė

Aiškiai parodydama modeliui, kokių klaidų reikia vengti, kontrastinė mąstymo grandinė, kaip įrodyta, žymiai pagerina įvairių mąstymo testų rezultatus. Pavyzdžiui, GSM8K aritmetinio mąstymo teste kontrastinė mąstymo grandinė parodė žymiai didesnį tikslumą, palyginti su standartine mąstymo grandine.

Daugiakryptė mąstymo grandinė apima tekstą ir vaizdą dviejų etapų sistemoje. Užduotis gali atrodyti taip: „Pažvelkite į pardavimo diagramą. Apibūdinkite savo veiksmus: ką matote X ir Y ašyse? Kokia čia tendencija? Kokią išvadą galite padaryti?“ Modelis pirmiausia apibūdina vizualinę informaciją, o tada, žingsnis po žingsnio, remiantis ja daro išvadą.

Daugiakryptė mąstymo grandinė

Paveikslėlyje modelis prašomas pasirinkti, kokią savybę turi abu objektai: ar jie abu yra A) minkšti, ar B) sūrūs?

Kitos pažangios užduočių pateikimo technikos, kurias verta paminėti:

• Sąmoningas nuoseklumas: vietoj vienos „minties grandinės“ modelis sukuria kelis mąstymo kelius ir tada pasirenka nuosekliausią ir dažniausiai pasikartojantį atsakymą.
• Minties medis: modelis tiria kelis galimus sprendimų kelius (kaip medžio šakos), įvertina kiekvieno iš jų perspektyvumą ir giliau nagrinėja perspektyviausius.
• Atgalinis provokavimas: modelis pirmiausia suformuluoja bendruosius principus ar abstrakčius sąvokas, susijusias su klausimu („žengia žingsnį atgal“), ir tada juos taiko, kad rastų tikslų atsakymą.

Daugiau apie šias ir kitas technikas galite sužinoti čia.

Šaltinis: promptingguide.ai

Ten taip pat rasite nuorodas į mokslinius tyrimus apie kiekvieną iš šių technikų.

Kur rasti gerų užduočių

Yra daug svetainių, kuriose galite rasti paruoštų užduočių, tiek mokamų, tiek nemokamų. Tokios svetainės vadinamos „užduočių bibliotekomis“. Štai keletas iš jų:

• Snack Prompt. Vieno paspaudimo sprendimai turiniui generuoti ir galingos daugiažingsnės užduotys pažengusiems naudotojams. Kiekvieną užduotį vertina bendruomenės nariai.
• Anthropic’s Prompt Library. Pritaikyta Claude naudotojams ir kūrėjams.
• God of Prompt. Didelė užduočių biblioteka tokiomis temomis kaip finansai, švietimas, produktyvumas, rašymas ir kt.
• PromptBase. Daugiau nei 230 000 paruoštų tekstinių, garso ir vaizdo užduočių GPT, Claude, Gemini, DeepSeek ir kitoms neuroninėms tinkloms.

Greitosios bibliotekos

Taip pat yra tokios paslaugos kaip PromptPerfect, kurios leidžia optimizuoti savo paties užklausas skirtingiems modeliams.

Taigi, taikydami šiame straipsnyje aprašytas užklausų kūrimo technikas ir rekomendacijas bei naudodami parengtų sprendimų bibliotekas, galite sukurti arba rasti užklausą bet kokios užduoties sprendimui.

Be to, nepamirškite, kad mūsų svetainė siūlo įvairius skirtingų kalbų modelius, todėl gali būti naudinga juos keisti ir eksperimentuoti, kad pasiektumėte geriausius rezultatus.