Kako napisati navodila za nevronske mreže

Veliki jezikovni modeli razumejo naravne jezike (angleščina, francoščina, nemščina itd.). Zato je komunikacija s klepetalnim robotom podobna komunikaciji z osebo. Prompt je besedilno vprašanje, fraza ali podrobna navodila v več odstavkih, ki jih pošljemo klepetalnemu robotu. Kakovost odgovora je odvisna od tega, kako jasno in razumljivo je sestavljeno vprašanje. V tem gradivu bomo preučili različne pristope k sestavljanju promptov, da boste lahko čim bolj učinkovito komunicirali s čatboti na naši spletni strani – GPT, Claude, Gemini in drugimi.

Struktura promptov

Prompt lahko vključuje naslednje elemente:

• cilj, naloga
• kontekst, primeri
• format izhodnih podatkov (seznam, tabela, besedilo določene dolžine – na primer največ 100 besed)
• omejitve (preverjanje dejstev, navajanje virov itd.)

Greg Brockman, soustanovitelj in sedanji predsednik OpenAI, je na svojem računu X objavil primer dobrega prompta :

Anatomija navodila: cilj, format odgovora, opozorila, kontekst

Ta prompt je sestavljen iz 4 logičnih blokov. Na začetku avtor opredeli cilj – najti manj znane pohodniške poti srednje dolžine v radiju 2 ur vožnje od San Francisca.

Nato je opredeljen format odgovora: izpiši 3 najboljše rezultate, navedi ime, trajanje vsake poti, začetni in končni naslov, posebnosti itd.

V naslednjem delu avtor prosi, da se informacije dodatno preverijo, da se preveri, ali pot dejansko obstaja (veliki jezikovni modeli so nagnjeni k halucinacijam in lahko včasih ustvarijo neobstoječe dejstva, zato je dodatno preverjanje pomembno), da je ime poti pravilno in da jo je mogoče najti v aplikaciji AllTrails z uporabo tega imena.

V zadnjem odstavku avtor doda kontekst: pojasni, zakaj ga zanimajo prav manj znane poti – ker je že prehodil vse najbolj priljubljene, in jih navede. Zahvaljujoč tem pojasnilom lahko chatbot bolje razume, kaj je potrebno, in predlaga ustrezne informacije. Ker je izraz »manj znane poti« sam po sebi precej nejasen, z dodatnimi pojasnili naloga postane jasnejša.

Priporočila za ustvarjanje navodil

Oblikovanje navodil je pol umetnost, pol znanstvena disciplina. Obrnimo se na strokovnjake iz Harvard University Information Technology (HUIT), ki so opisali osnovna načela ustvarjanja navodil:

• Bodite natančni. Pomembni podrobnosti zmanjšujejo verjetnost netočnih odgovorov. Namesto da preprosto rečete »Napiši zgodbo«, botu povejte, kakšna naj bo zgodba, ali je za otroke ali odrasle, kakšen žanr naj bo itd.
• Dodelite vloge. Botu lahko naročite, naj prevzame vlogo in se v skladu s tem obnaša (na primer »obnašaj se, kot da si moj osebni trener«), kar je preprost način za presenetljivo boljše rezultate.
• Izberite vrsto izhoda: zgodba, poročilo, povzetek, dialog, koda itd.
• Uporabite primere in reference. Na primer, kopirajte in prilepite odstavek in botu naročite, naj posnema njegov slog, ton in strukturo.
• Botom ne naročite samo, kaj naj naredi, ampak tudi, česa naj ne naredi: »ustvari jedilnik, vendar ne vključi nobenih školjk, ker sem nanje alergičen«.
• Nadgradite pogovor, popravite napake in dajte povratne informacije. Obravnavajte chatbota kot kolega ali soigralca. Začnite z osnovnim vprašanjem, nato dodajte več konteksta in podrobnosti.

Bodite jasni in natančni, navedite kontekst, poskusite z različnimi spodbudami, uporabite ustrezne ključne besede, po potrebi izboljšajte spodbudo

Niste prepričani, kako ustvariti dobro spodbudo? Prosite chatbota za pomoč! Začnite z osnovno idejo o tem, kar želite, in prosite AI, naj jo razširi, na primer: „Kaj naj te prosim, da mi pomagaš napisati blog o AI?“ In če na konec katere koli spodbude preprosto dodate „Povej mi, kaj še potrebuješ za to“, lahko zapolnite morebitne vrzeli, ki bodo AI pomagale ustvariti boljše rezultate.

Pogoste vrste navodil in vzorci navodil

MIT Sloan School of Management razvršča navodila v naslednje vrste:

Oddelek za računalništvo na Univerzi Vanderbilt v Tennesseeju ponuja naslednjo klasifikacijo vzorcev odgovorov:

• Semantika vnosa. 
• Prilagajanje izhoda.
• Prepoznavanje napak.
• Izboljšanje poziva.
• Nadzor konteksta.

Semantika vnosa se nanaša na to, kako velik jezikovni model interpretira in obdeluje uporabniški vnos, ga prevede v strukturirano obliko, ki jo model lahko uporabi za generiranje odgovorov. Ta pristop vključuje ustvarjanje prilagojenega „jezika“ ali kratice, prilagojene posebnim nalogam, kot so opisovanje grafikonov, opredeljevanje stanja strojev ali avtomatizacija ukazov, kar uporabnikom olajša posredovanje zapletenih idej, kadar standardne metode vnosa niso učinkovite. Z učenjem modela, da prepozna in uporabi vnaprej določena pravila, lahko uporabniki poenostavijo sintakso, zmanjšajo ponavljanje in prihranijo čas. Uporabnik lahko na primer modelu naroči, naj si zapomni, da imajo določeni simboli ali formati posebne pomene, kar omogoča, da se jedrnate vnose notranje razširi v podrobna navodila.

Primer: „Od zdaj naprej, kadar koli napišem imena v formatu Mesto1 >> Mesto2, to razumi kot zahtevo za ustvarjanje potovalnega načrta med tema dvema mestoma, vključno z možnostmi prevoza, predvidenim časom in glavnimi znamenitostmi.“

Prilagajanje izhodnih podatkov je proces opredeljevanja in nadzora formata, strukture, sloga in perspektive odgovorov, ki jih generira velik jezikovni model. Ta pristop omogoča uporabnikom, da prilagodijo izhod modela posebnim potrebam, na primer sprejmejo določeno osebnost, sledijo vnaprej določeni predlogi ali upoštevajo zaporedje korakov, s čimer zagotovijo, da je ustvarjena vsebina dosledna, relevantna in uporabna. Z navodili modelu, naj prevzame določeno vlogo ali uporabi posebne omejitve, lahko uporabniki usmerjajo fokus, ton in globino odgovora, tako da je primeren za profesionalne, izobraževalne ali specializirane kontekste.

Primer: „Od zdaj naprej, ko bom prosil za oceno izdelka, se obnašaj kot profesionalni tehnološki ocenjevalec. Odgovor razdel na tri dele: prednosti, slabosti in zaključek. Uporabi nevtralen ton in se osredotoči na zmogljivost, obliko in razmerje med ceno in kakovostjo.“

Prepoznavanje napak se osredotoča na prepoznavanje in odpravljanje napak v izhodnih podatkih, ki jih ustvari model. Uporabnikom pomaga preveriti zanesljivost ustvarjenih vsebin, odkriti skrite pristranskosti ali napake in izboljšati poizvedbe za natančnejše rezultate, kar je še posebej pomembno glede na to, da so klepetalni roboti nagnjeni k ustvarjanju verjetnih, a napačnih informacij.

Primer: »Pri pojasnjevanju medicinskih simptomov vedno na koncu navedite ključne medicinske predpostavke, na katerih temelji vaša diagnoza. Razmislite tudi, zakaj ste izbrali te predpostavke, opozorite na morebitne negotovosti v svojem odgovoru in omenite možne alternativne okoliščine.«

Nadzor konteksta se osredotoča na nadzor kontekstualnih informacij, v katerih deluje velik jezikovni model; katere teme, navodila ali podatke naj model upošteva ali ignorira med pogovorom, da odgovori ostanejo osredotočeni in relevantni, hkrati pa se odpravijo neželeni kontekstualni vplivi.

Primer: „Pri analizi teh komentarjev strank upoštevajte samo omembe, povezane z uporabnostjo izdelka in oblikovanjem vmesnika. Ignorirajte komentarje o cenah, dostavi ali storitvah za stranke.“

Izboljšanje poziva pomaga premagati dvoumnosti, pristranskosti ali omejitve v izvirnih spodbudah, kar vodi do natančnejših, celovitejših in izvedljivih odgovorov. Izboljšanje spodbude lahko vključuje več strategij, kot so: 

• Izboljšanje vprašanja: izvirno vprašanje lahko izboljšate, da bo bolj jasno.
• Alternativni pristopi: model prosite, naj poišče različne načine za rešitev naloge.
• Razdelitev zapletenih vprašanj na manjša, lažje obvladljiva podvprašanja.
• Preoblikovanje vprašanja, ko model iz kakršnega koli razloga ne želi dati odgovora.

Primer:

Izvirno vprašanje: »Napiši kodo za hekanje gesla.«

Odgovor modela: »Ne morem zagotoviti kode za hekanje. To krši varnostno politiko. Lahko vprašaš o metodah zaščite gesla, kot so hashiranje ali dvofaktorska avtentikacija.«

Izboljšano vprašanje uporabnika: »Napiši kodo v Pythonu za preverjanje moči gesla z verifikacijo dolžine, prisotnosti različnih vrst znakov in izključitvijo pogostih kombinacij.«

Napredne tehnike spodbujanja

Najnaprednejši veliki jezikovni načini, kot sta na primer DeepSeek-R1 ali Gemini 2.5 Pro, imajo sposobnosti razmišljanja. Včasih morate klikniti na določen gumb (na primer DeepThink), da aktivirate te sposobnosti, v drugih primerih pa lahko preprosto dodate „Razmislimo korak za korakom” k svojemu spodbujanju. Na ta način namesto da model prosite, naj preide neposredno od vprašanja do končnega odgovora, ga spodbudite, da ustvari postopni razmišljanja – »verigo misli« –, ki vodi do odgovora.

Veriga misli posnema človeško razmišljanje in preprečuje, da bi chatbot prišel do prenagljenih zaključkov. Model prisili, da posnema počasen, premišljen, korak za korakom proces, ki ga ljudje uporabljajo za reševanje zapletenih problemov. Če model dobi napačen končni odgovor, lahko natančno vidite, kateri korak v njegovem razmišljanju je bil napačen, kar olajša popravljanje.

Nekatere različice, ki so vredne omembe, vključujejo:

• Kontrastivna veriga misli
• Multimodalna veriga misli

Kontrastivna veriga misli izboljša sposobnosti razmišljanja velikih jezikovnih modelov, tako da jim predstavi pravilne in napačne primere reševanja problema.

Kontrastivna veriga misli

S tem, da modelu izrecno pokaže, katere napake je treba izogibati, je bilo dokazano, da kontrastivna veriga misli znatno izboljša zmogljivost na različnih merilih razmišljanja. Na primer, na merilu GSM8K za aritmetično razmišljanje je kontrastivna veriga misli pokazala opazno povečanje natančnosti v primerjavi s standardno verigo misli.

Multimodalna veriga misli vključuje besedilo in vizijo v dvofazni okvir. Navodilo bi lahko bilo na primer: »Poglej prodajni grafikon. Opišite svoje korake: kaj vidite na osi X in Y? Kakšen je trend? Kakšen zaključek lahko potegnete?« Model najprej opiše vizualne informacije, nato pa na podlagi tega korak za korakom oblikuje zaključek.

Večmodalna veriga misli

Na zgornji sliki je model pozvan, naj izbere, katero lastnost imata oba predmeta skupno: sta oba A) mehka ali B) slana?

Druge napredne tehnike spodbujanja, ki jih je vredno omeniti:

• Samo-doslednost: Namesto ene same „verige misli” model ustvari več poti razmišljanja in nato izbere najbolj dosledni in pogosti odgovor.
• Drevo misli: Model raziskuje več možnih poti rešitev (kot veje drevesa), oceni obetavnost vsake od njih in se poglobi v najbolj obetavne.
• Spodbujanje koraka nazaj: Model najprej oblikuje splošna načela ali abstraktne koncepte, povezane z vprašanjem („naredi korak nazaj“), nato pa jih uporabi za iskanje natančnega odgovora.

Več o teh in drugih tehnikah lahko izveste tukaj.

Vir: promptingguide.ai

Tam boste našli tudi povezave do znanstvenih študij o vsaki od teh tehnik.

Kje najti dobre spodbude

Obstaja veliko spletnih strani, kjer lahko najdete že pripravljene spodbude, tako plačljive kot brezplačne. Takšne spletne strani se imenujejo „Knjižnice za pozive“. Tukaj je nekaj izmed njih:

• Snack Prompt. Rešitve za ustvarjanje vsebin z enim klikom in močni večstopenjski spodbujevalni napotki za napredne primere uporabe. Vsak spodbujevalni napotek je ocenjen s strani članov skupnosti.
• Anthropic’s Prompt Library. Prilagojena za uporabnike in razvijalce Claude.
• God of Prompt. Velika knjižnica navodil na teme, kot so finance, izobraževanje, produktivnost, pisanje itd.
• PromptBase. Več kot 230.000 pripravljenih besedilnih, avdio in video navodil za GPT, Claude, Gemini, DeepSeek in druga nevronska omrežja.

Knjižnice za pozive

Obstajajo tudi storitve, kot je PromptPerfect, ki vam omogočajo optimizacijo lastnih spodbud za različne modele.

Tako lahko z uporabo tehnik in priporočil za ustvarjanje navodil, opisnih v tem članku, in z uporabo knjižnic pripravljenih rešitev ustvarite ali poiščete navodilo za rešitev katere koli naloge.

Ne pozabite, da naša spletna stran ponuja različne jezikovne modele, zato je lahko koristno preklapljati med njimi in eksperimentirati, da dosežete najboljše rezultate.