Kā rakstīt uzvednes neironu tīkliem

Lielie valodas modeļi saprot dabiskās valodas (angļu, franču, vācu utt.). Tāpēc saziņa ar čatbotu ir līdzīga saziņai ar cilvēku. Uzvedne ir teksta vaicājums, frāze vai detalizēta instrukcija, kas sastāv no vairākiem rindkopiem, ko mēs nosūtam čatbotam. Atbildes kvalitāte ir atkarīga no tā, cik skaidri un saprotami ir sastādīts vaicājums. Šajā materiālā mēs izskatīsim dažādas pieejas uzvedņu sastādīšanai, lai jūs varētu pēc iespējas efektīvāk sazināties ar čatbotiem mūsu tīmekļa vietnē – GPT, Claude, Gemini un citiem.

Uzvednes struktūra

Uzvedne var ietvert šādus elementus:

mērķis, uzdevums
konteksts, piemēri
izvades formāts (saraksts, tabula, teksts ar noteiktu garumu – piemēram, ne vairāk kā 100 vārdi)
ierobežojumi (faktisko informāciju pārbaude, avotu citēšana utt.)

Greg Brockman, OpenAI līdzdibinātājs un pašreizējais prezidents, savā X kontā publicēja laba uzdevuma piemēru:

Uzvednes uzbūve: mērķis, atgriešanās formāts, brīdinājumi, konteksts

Šis uzvednis sastāv no 4 loģiskiem blokiem. Sākumā autors definē mērķi – atrast mazāk pazīstamas vidēja garuma pārgājienu takas 2 stundu brauciena attālumā no Sanfrancisko.

Tad tiek norādīts atbildes formāts: izvadīt 3 labākos rezultātus, norādīt katras takas nosaukumu, garumu, sākuma un beigu adresi, atšķirīgās iezīmes utt.

Nākamajā sadaļā autors lūdz pārbaudīt informāciju, pārliecināties, ka taka patiešām pastāv (lieli valodas modeļi ir pakļauti halucinācijām un dažkārt var radīt neeksistējošus faktus, tāpēc ir svarīga papildu pārbaude), ka takas nosaukums ir pareizs un ka to var atrast AllTrails lietotnē, izmantojot šo nosaukumu.

Pēdējā blokā autors pievieno kontekstu: paskaidro, kāpēc viņu interesē tieši mazāk pazīstami maršruti – jo viņš jau ir izstaigājis visus populārākos maršrutus, un uzskaita tos. Pateicoties šiem paskaidrojumiem, čatbots var labāk saprast, kas ir nepieciešams, un ieteikt atbilstošu informāciju. Jo formulējums „mazāk pazīstami maršruti” pats par sevi ir diezgan neskaidrs, bet ar papildu paskaidrojumiem uzdevums kļūst skaidrāks.

Ieteikumi uzvedņu izveidei

Uzvedņu izstrāde ir pusi māksla, pusi zinātne. Vēršamies pie Harvarda Universitātes Informācijas tehnoloģiju (HUIT) speciālistiem, kas izklāstīja uzvedņu izveides pamatprincipus:

Esiet konkrēts. Svarīgas detaļas samazina neprecīzu atbilžu iespējamību. Vietā, lai vienkārši teiktu “Uzraksti stāstu”, pateikt botam, kādam jābūt stāstam, vai tas ir domāts bērniem vai pieaugušajiem, kāds ir tā žanrs utt.
Piešķiriet lomas. Lūdzot botam uzņemties lomu un rīkoties atbilstoši (piemēram, “rīkojies kā mans personīgais treneris”), var viegli iegūt pārsteidzoši labākus rezultātus.
Izvēlieties izvades veidu: stāsts, ziņojums, kopsavilkums, dialogs, kods utt.
Izmantojiet piemērus un atsauces. Piemēram, kopējiet un ielīmējiet vienu rindkopu un lūdziet botam atdarināt tās stilu, tonalitāti un struktūru.
Botam norādiet ne tikai to, kas jādara, bet arī to, kas nedrīkst darīt: „izveido ēdienkarti, bet neiekļauj tajā jūras velšu, jo man ir alerģija pret tām”.
Turpiniet sarunu, labojiet kļūdas un sniedziet atsauksmes. Uztveriet čatbotu kā kolēģi vai komandas biedru. Jūs varat sākt ar vienkāršu jautājumu, pēc tam pievienot vairāk konteksta un specifiku.

Esiet skaidrs un konkrēts, sniedziet kontekstu, eksperimentējiet ar dažādiem uzvedņiem, izmantojiet atbilstošas atslēgvārdus, vajadzības gadījumā precizējiet uzvedni

Nezināt, kā izveidot labu uzvedni? Lūdziet palīdzību čatbotam! Sāciet ar pamata ideju par to, ko vēlaties, un lūdziet AI to paplašināt, piemēram, “Ko man jums jautāt, lai palīdzētu man uzrakstīt bloga ierakstu par AI?”. Un vienkārši pievienojiet „Pastāsti man, kas vēl tev nepieciešams, lai to izdarītu” jebkuras uzvednes beigās, var aizpildīt jebkuras nepilnības, kas palīdzēs AI radīt labākus rezultātus.

Bieži sastopami uzvedņu veidi un uzvedņu modeļi

MIT Sloan School of Management iedala uzvednes šādos veidos:

Tips	Apraksts	Piemērs
Zero-Shot	Dodiet vienkāršas un skaidras instrukcijas bez piemēriem. Ļoti ātri un viegli uzrakstāmas, ideāli piemērotas, lai ātri pārbaudītu ideju vai modeļa spējas jaunā uzdevumā.	“Apkopojiet šo rakstu 5 punktos.”
Few-Shot	Sniedziet dažus piemērus par to, ko vēlaties, lai AI atdarinātu. Bieži vien rada konsekventākus un pareizākus rezultātus nekā zero-shot, ja uzdevumi nav triviāli.	“Šeit ir 2 kopsavilkuma piemēri. Uzrakstiet trešo tādā pašā stilā.”
Norādījumu uzvedne	Iekļaujiet tiešas komandas, izmantojot darbības vārdus, piemēram, apkopot, tulkot, pārrakstīt, klasificēt, rakstīt, izskaidrot utt.	„Pārrakstiet šo e-pastu, lai tas būtu lakoniskāks un profesionālāks. Izmantojiet ne vairāk kā 100 vārdus.”
Lomu balstīts uzvednis	Lūdziet AI uzņemties konkrētu personu vai viedokli. Modelis filtrē savas zināšanas caur lomas prizmu, sniedzot vairāk fokusu un piemērotu informāciju.	“Rīkojies kā draudzīgs vidusskolas dabaszinātņu skolotājs. Tava uzdevums ir izskaidrot, kas ir blokķēde, 15 gadus veciem skolēniem. Izmanto vienkāršu analoģiju un izvairies no tehniskā žargona.”
Konteksta uzvedne	Pirms jautājuma uzdošanas iekļaujiet atbilstošu kontekstu vai ietvaru. Tas palīdz AI pielāgot atbildes konkrētai auditorijai vai situācijai.	“Šis teksts ir paredzēts bakalaura kursam par uzvedības ekonomiku. Pārfrāzējiet to vienkāršākā valodā.”
Meta uzvedne / Sistēmas uzvedne	Sistēmas līmeņa instrukcijas, kas nosaka AI uzvedību, tonalitāti vai darbības jomu pirms jebkādas lietotāja ievades.	„Vienmēr atbildiet formāli un citējiet reālus avotus. Nekad neuzminiet.”

Vanderbiltas Universitātes Datorzinātņu fakultāte Tenesī piedāvā šādu klasifikāciju ātrās reaģēšanas modeļiem:

Ievades semantika.
Izvades pielāgošana.
Kļūdu identificēšana.
Uzvedņu uzlabošana.
Konteksta kontrole.

Ievades semantika attiecas uz to, kā liela valodas modeļa interpretē un apstrādā lietotāja ievadi, tulkojot to strukturētā formā, ko modelis var izmantot atbilžu ģenerēšanai. Šī pieeja ietver pielāgotas “valoda” vai saīsināta notācija, kas pielāgota konkrētiem uzdevumiem, piemēram, grafiku aprakstīšanai, stāvokļa mašīnu definēšanai vai komandu automatizēšanai, atvieglojot lietotājiem sarežģītu ideju nodošanu, ja standarta ievades metodes ir neefektīvas. Mācot modelim atpazīt un piemērot iepriekš definētus noteikumus, lietotāji var vienkāršot sintaksi, samazināt atkārtojumus un ietaupīt laiku. Piemēram, lietotājs var norādīt modelim atcerēties, ka noteikti simboli vai formāti ir ar konkrētu nozīmi, ļaujot īsus ievadus iekšēji paplašināt detalizētās instrukcijās.

Piemērs: „No šī brīža, kad es rakstu vārdus formātā Pilsēta1 >> Pilsēta2, interpretējiet to kā pieprasījumu izveidot ceļojuma maršrutu starp šīm divām pilsētām, ieskaitot transporta iespējas, aptuveno laiku un galvenās atrakcijas.”

Izvades pielāgošana ir process, kurā tiek definēts un kontrolēts liela valodas modeļa ģenerēto atbilžu formāts, struktūra, stils un perspektīva. Šī pieeja ļauj lietotājiem pielāgot modeļa izvadi, lai apmierinātu konkrētas vajadzības, piemēram, pieņemot konkrētu personu, sekojot iepriekš definētam paraugam vai ievērot soļu secību, nodrošinot, ka ģenerētais saturs ir konsekvents, atbilstošs un izmantojams. Norādot modelim uzņemties noteiktu lomu vai piemērot konkrētus ierobežojumus, lietotāji var vadīt atbildes fokusu, tonalitāti un dziļumu, padarot to piemērotu profesionāliem, izglītības vai specializētiem kontekstiem.

Piemērs: “No šī brīža, kad es lūdzu produktu atsauksmi, rīkojies kā profesionāls tehnoloģiju recenzents. Strukturē savu atbildi trīs sadaļās: priekšrocības, trūkumi un secinājums. Izmanto neitrālu tonī un koncentrējies uz veiktspēju, dizainu un cenas un kvalitātes attiecību.”

Kļūdu identificēšana koncentrējas uz kļūdu identificēšanu un novēršanu modeļa ģenerētajā izvades tekstā. Tas palīdz lietotājiem pārbaudīt ģenerētā satura uzticamību, atklāt slēptas tendences vai kļūdas un precizēt savus jautājumus, lai iegūtu precīzākus rezultātus, kas ir īpaši svarīgi, ņemot vērā čatbotu tendence ģenerēt ticamu, bet nepareizu informāciju.

Piemērs: “Paskaidrojot medicīniskos simptomus, vienmēr beigās uzskaitiet galvenās medicīniskās pieņēmumus, no kuriem ir atkarīga jūsu diagnoze. Tāpat pārdomājiet, kāpēc izvēlējāties šos pieņēmumus, atzīmējiet jebkādas neskaidrības savā atbildē un miniet iespējamās alternatīvās diagnozes.”

Konteksta kontrole koncentrējas uz konteksta informācijas kontroli, kurā darbojas lielais valodas modelis; kādas tēmas, instrukcijas vai datus modelis sarunas laikā jāņem vērā vai jāignorē, nodrošinot, ka atbildes paliek fokusa un atbilstošas, vienlaikus novēršot nevēlamu konteksta ietekmi.

Piemērs: “Analizējot šos klientu atsauksmes komentārus, ņem vērā tikai tos, kas saistīti ar produkta lietojamību un interfeisa dizainu. Ignorē komentārus par cenām, piegādi vai klientu apkalpošanu.”

Uzvedņu uzlabošana palīdz pārvarēt neskaidrības, aizspriedumus vai ierobežojumus sākotnējās uzvednēs, nodrošinot precīzākas, visaptverošākas un praktiski izmantojamas atbildes. Uzvedņu uzlabošanā var izmantot vairākas stratēģijas, piemēram:

Jautājuma precizēšana: var precizēt sākotnējo jautājumu, lai uzlabotu tā skaidrību.
Alternatīvas pieejas: lūdziet modeli atrast dažādus veidus, kā risināt uzdevumu.
Sarežģītu jautājumu sadalīšana mazākos, vieglāk pārvaldāmos apakšjautājumos.
Jautājuma pārfrāzēšana, ja modelis kādu iemeslu dēļ atsakās sniegt atbildi.

Piemērs:
Sākotnējais jautājums: “Uzraksti kodu, lai uzlauztu paroli.”
Modeļa atbilde: “Es nevaru sniegt kodu uzlaušanai. Tas pārkāpj drošības politiku. Tu vari jautāt par paroles aizsardzības metodēm, piemēram, hašēšanu vai divu faktoru autentifikāciju.”
Uzlabots lietotāja jautājums: “Uzraksti Python kodu, lai pārbaudītu paroles stiprumu, pārbaudot garumu, dažādu rakstzīmju tipu klātbūtni un izslēdzot bieži sastopamas kombinācijas.”

Uzlabotas uzvednes metodes

Vismodernākie liela apjoma valodas režīmi, piemēram, DeepSeek-R1 vai Gemini 2.5 Pro, piemēram, ir aprīkoti ar spriešanas spējām. Dažreiz, lai aktivizētu minētās spējas, ir nepieciešams noklikšķināt uz konkrētu pogu (piemēram, DeepThink), citreiz var vienkārši pievienot uzvednei frāzi “Domāsim soli pa solim”. Tādējādi, tā vietā, lai lūgtu modeli pāriet tieši no jautājuma uz galīgo atbildi, jūs mudināt to ģenerēt soli pa solim loģiskas secinājumu virkni – “domu ķēdi” –, kas ved pie atbildes.

Domu ķēde imitē cilvēka domāšanu un neļauj čatbotam izdarīt pārsteidzīgus secinājumus. Tā liek modelim imitēt lēnu, apdomātu, soli pa solim procesu, ko cilvēki izmanto sarežģītu problēmu risināšanai. Un ja modelis kļūdās galīgajā atbildē, jūs varat precīzi redzēt, kurš domāšanas solis bija kļūdains, kas atvieglo tā labošanu.

Dažas ievērojamas variācijas ir:

Kontrastīvā domāšanas ķēde
Multimodālā domāšanas ķēde

Kontrastīvā domāšanas ķēde uzlabo lielu valodas modeļu domāšanas spējas, piedāvājot tiem gan pareizus, gan nepareizus piemērus, kā risināt problēmu.

Kontrastīvā domāšanas ķēde

Skaidri parādot modelim, kādas kļūdas ir jāizvairās, kontrastīvā domāšanas ķēde ir pierādījusi, ka tā ievērojami uzlabo sniegumu dažādos loģiskās domāšanas testos. Piemēram, GSM8K testā aritmētiskās domāšanas jomā kontrastīvā domāšanas ķēde ir parādījusi ievērojamu precizitātes pieaugumu salīdzinājumā ar standarta domāšanas ķēdi.

Multimodālā domāšanas ķēde apvieno tekstu un redzējumu divpakāpju struktūrā. Uzvedne var izskatīties šādi: “Paskaties uz pārdošanas diagrammu. Apraksti savus soļus: ko tu redzi uz X un Y asīm? Kāda ir tendence? Kādu secinājumu tu vari izdarīt?” Modelis vispirms apraksta vizuālo informāciju un pēc tam, soli pa solim, izdara secinājumu, balstoties uz to.

Daudzveidīga domāšanas ķēde

Attēlā augšā modelim tiek lūgts izvēlēties, kāda īpašība abiem objektiem ir kopīga: vai abi ir A) mīksti vai B) sāļi?

Citas pieminēšanas vērtas uzlabotas uzvednes metodes:

Pašsaskaņotība: Tā vietā, lai izmantotu vienu “domu ķēdi”, modelis ģenerē vairākus argumentācijas ceļus un pēc tam izvēlas visvairāk saskaņoto un biežāko atbildi.
Domu koks: Modelis izpēta vairākus iespējamos risinājumu ceļus (kā koka zarus), novērtē katra no tiem perspektīvas un padziļināti izpēta visdaudzsološākos.
Atkāpšanās uzvedne: modelis vispirms formulē vispārīgus principus vai abstraktus jēdzienus, kas saistīti ar jautājumu (“atkāpjas”), un pēc tam tos piemēro, lai atrastu precīzu atbildi.

Vairāk par šīm un citām metodēm varat uzzināt šeit.

Avots: promptingguide.ai

Tur jūs atradīsiet arī saites uz zinātniskajiem pētījumiem par katru no šīm metodēm.

Kur atrast labas uzvednes

Ir daudz tīmekļa vietņu, kurās var atrast gatavas uzvednes, gan maksas, gan bezmaksas. Šādas tīmekļa vietnes sauc par “uzvedņu bibliotēkām”. Šeit ir dažas no tām:

Snack Prompt. Viena klikšķa risinājumi satura ģenerēšanai un jaudīgi daudzpakāpju uzvedņi sarežģītiem lietojumiem. Katru uzvedni novērtē kopienas locekļi.
Anthropic’s Prompt Library. Pielāgota Claude lietotājiem un izstrādātājiem.
God of Prompt. Liela uzvedņu bibliotēka par tādām tēmām kā finanses, izglītība, produktivitāte, rakstīšana utt.
PromptBase. Vairāk nekā 230 000 gatavu teksta, audio un video uzvedņu GPT, Claude, Gemini, DeepSeek un citiem neironu tīkliem.

Uzvedņu bibliotēkas

Ir arī tādi pakalpojumi kā PromptPerfect, kas ļauj optimizēt savus uzvedņus dažādiem modeļiem.

Tādējādi, piemērojot šajā rakstā aprakstītās metodes un ieteikumus uzvedņu izveidei un izmantojot gatavu risinājumu bibliotēkas, jūs varat izveidot vai atrast uzvedni jebkuras uzdevuma risināšanai.

Neaizmirstiet, ka mūsu tīmekļa vietne piedāvā dažādus valodu modeļus, tāpēc var būt noderīgi pārslēgties starp tiem un eksperimentēt, lai sasniegtu vislabākos rezultātus.