உதாரண பொறியியல் அடிப்படைகள்: நடைமுறை சொற்களஞ்சியம்

Prompt engineering என்பது ভাষை மாதிரி உங்கள் விரும்பிய வெளியீட்டை உற்பத்தி செய்ய உள்ளீட்டு உரையை எழுதுவதற்கான நடைமுறையாகும். இது எழுதுதல் மற்றும் debugging-க்கு இடையே எங்காவது உள்ளது: நீங்கள் பாரம்பரிய அর்థத்தில் குறிப்புச் செய்கிறீர்கள் அல்ல, ஆனால் ஒரு மாதிரி வழிமுறைகளை எவ்வாறு விளக்குகிறது என்பது பற்றிய கருதுகோளைச் சோதித்து, அது தவறாக விஷயங்களைச் செய்யும் போது மீண்டும் செய்கிறீர்கள்.

ஒரு prompt உண்மையில் என்ன

ஒரு prompt என்பது நீங்கள் ஒரு மாதிரிக்கு அனுப்பும் அனைத்தும் - வழிமுறைகள், சூழல், எடுத்துக்காட்டுகள், மற்றும் உண்மையான கேள்வி அல்லது பணி. பெரும்பாலான நவீன chat மாதிரிகள் இதை பாத்திரங்களாக பிரிக்கின்றன: ஒரு system message (நடத்தை மற்றும் கட்டுப்பாடுகளை அமைக்கிறது), user messages (உண்மையான கோரிக்கை), மற்றும் சில சமயம் assistant messages (முந்தைய திருப்பங்கள் அல்லது எடுத்துக்காட்டுகள்). நீங்கள் OpenAI அல்லது Anthropic போன்ற ஒரு API ஐ பயன்படுத்தினால், நீங்கள் குறிப்புச்செய்யில் இவற்றை வெளிப்படையாக அமைப்பீர்கள். நீங்கள் ஒரு chat இடைமுகத்தைப் பயன்படுத்தினால், system prompt பெரும்பாலும் மறைந்திருக்கும் அல்லது ஒரு உரையாடலின் தொடக்கத்தில் ஒரு முறை அமைக்கப்படும்.

அதே கேள்வி வெவ்வேறு பதில்களை ஏன் பெறுகிறது

நொடி மாதிரிகள் அதற்கு முன்னால் வந்த அனைத்தின் அடிப்படையில் அடுத்த டோக்கனைக் கணிக்கிறது, உங்கள் சொற்றொடர், சொல்லின் வரிசை, மற்றும் আনைக்கு punctuation கூட. "Explain recursion" என்று கேளுங்கள் மற்றும் நீங்கள் ஒரு பொதுவான பாடப்புத்தக பதிலைப் பெறுவீர்கள். "Explain recursion to a junior developer who understands loops but not recursion, using a single Python example with a base case and recursive case" என்று கேளுங்கள் மற்றும் நீங்கள் எதையாவது மிகவும் பயனுள்ளவதைப் பெறுவீர்கள். உங்கள் உள்ளீட்டின் specificity நேரடியாக வெளியீட்டின் specificity ஆகும். இது தொடக்க கற்பவர்கள் தேவை மையக் கண்ணோட்டம்: மாதிரி உங்கள் மனதை வாசிக்கவில்லை, இது உங்கள் சொற்களுக்கு எதிரான pattern-matching ஆகும்.

முதலில் கற்கவேண்டிய முக்கிய நுட்பங்கள்

Zero-shot prompting என்பது எந்த எடுத்துக்காட்டுகள் இல்லாமல் நேரடியாக கேளுங்கள் என்பதாகும்: "Write a regex that matches US phone numbers." இது பொதுவான, நன்கு வரையறுக்கப்பட்ட பணிகளுக்கு நன்றாக வேலை செய்கிறது.

Few-shot prompting என்பது உங்கள் விரும்பிய உள்ளீட்டு/வெளியீட்டு pattern இன் ஒன்று அல்லது பல எடுத்துக்காட்டுகள் கொடுப்பதாகும் மாதிரি அதை கேட்கவும் வகை தொடர்க. நீங்கள் support tickets வகைப்படுத்த மாதிரி விரும்பினால் நீங்கள் முதலில் மூன்று லேபிளிடப்பட்ட எடுத்துக்காட்டுகளைக் காட்டினால் விபரணை கேட்பதை விட மிகவும் ஒத்திசைக்கப்பட்ட முடிவுகளை உதிரிக்கும்.

Chain-of-thought prompting என்பது ஒரு இறுதி பதிலை கொடுக்கவும் முன்பு உண்மையுடன் reason செய்ய மாதிரி கேட்கவும் ஆகும், பெரும்பாலும் "think step by step" அல்லது அதன் வேலையை காட்ட கேட்கவும் அல்லது அதன் வேலையை காட்ட கேட்பதன் மூலம் தாரணை. இது கணிதம், தர்க்கம், மற்றும் பல-step பணிகளுக்கு உதவுகிறது, ஆனால் இது token பயன்பாடு மற்றும் வெளியீட்டு நீளத்தையும் அதிகரிக்கிறது.

Role prompting என்பது மாதிரிக்கு ஒரு persona ஒதுக்குவது — "You are a senior security engineer reviewing this code for vulnerabilities" — இது tone, vocabulary, மற்றும் விவரங்களின் வகைப்பை மாற்றலாம் அது priority. இது மாதிரি புதிய திறனை அளிக்கவில்லை, ஆனால் இது அதன் வெளியீட்டு style anchor செய்கிறது.

Structure cleverness நினைவை விட பொருத்தமான ஆகும்

தொடக்க கற்பவர்கள் பெரும்பாலும் prompt engineering ஒரு যাদு சொல் கண்டுபிடிக்கிறது என்று அনுமানம். நடைமுறையில், structure cleverness கிட்டத்தட்ட எப்போதும் போட்டி. உங்கள் prompt சுத்தமான பகுதிகளாக உடைக்கவும்: context, task, constraints, மற்றும் format. எடுத்துக்காட்டாக:

Context: You're reviewing a Python Flask app for a security audit.
Task: Identify SQL injection risks in the code below.
Constraints: Only flag issues in the /login and /search routes.
Format: Return a numbered list with the line number and a one-sentence explanation.

இந்த வகையான வெளிப்படை formatting ambiguity குறைக்கிறது மற்றும் நீங்கள் ஒரு script இல் prompts ஒன்றாக chaining இருந்தால் வெளியீடுகளை programmatically parse செய்ய எளிதாக விளையாடும்.

ஆரம்ப stage common பிழைகள்

একটি frequented பிழை vagueness যা brevity ஆக மாசு — "make this better" கேட்க "better" வரையறுக்கும் இல்லாமல் (faster? நேச்சுரલ? பாதுகாப்பு?). மற்றொரு ஒரு prompt ஐந்து தொடர்பில்லாத பணிகள் உள்ள அல்லாத, இது அனைத்து ஐந்து மீது ஒரு solid பதிலுக்கு மாறாக அனைத்தை ஐந்து மீது shallow பதிகள் உত்பத்தி இல்லாம். தொடக்க கற்பவர்கள் மாதிரிகள் தனிப்பட API calls இடையே நினைவை இல்லை என்றும் மறந்துவிடுகிறார்கள் நீங்கள் explicitly code history திருப்ப பாஸ் செய்ய இல்லை என்றால், இது உண்மையுடன் কட்டிங் பணி மாற்றம் பணிகள் போது மக்கள் நம்ம.

ஒரு engineer போல சோதனை மற்றும் iterating

Prompts குறிப்புச்செய் போல நீங்கள் version மற்றும் சோதனை, ஒரு முறை உரை நீங்கள் நீக்க அல்ல. Prompt variations மற்றும் அவர்களது வெளியீடுகள், குறிப்பாக உত்பத்தியில் reuse நீங்கள் எதையாவது, ஒரு customer support bot அல்லது ஒரு குறிப்பு review உதவி போல ஒரு log வைக்க. சிறிய wording மாற்றங்கள் — "summarize" vs "summarize in exactly three bullet points" — meaningfully வெவ்வேறு முடிவுகளை உত்பத்தி முடியும், மற்றும் என்ன உங்கள் use case வேலை தெரிந்து கொள்ள ஒক்க வழி assume மாறாய் self ஒப்பிடல் இயக்க.

இது building real விஷயம் பொருத்தப்படும் எங்கே

Once prompts நம்பகமான பெறு, அடுத்த step பொதுவாக programmatic பயன்பாடு: ஒரு API ஐ அழைக்க temperature மற்றும் max_tokens settings உங்கள் பணிக்கான டিউன் செய்ய, malformed வெளியீடுகளின் retry logic சேர்க்கும், மற்றும் அவர்கள் ஒரு user hit முன் வெளியீடுகளை validating. இது எங்கு prompt engineering உண்மையுடன் software engineering regulation உடன் overlapping தொடங்க, மற்றும் இது একটি chat window இல் நிয়ல்கள் உள்ளே பயன்முறை இருந்து உங்கள் scripts எழுத ஒரு நல்ல point உள்ளது.

நீங்கள் மேலே செல்ல விரும்பினால், Korra Studio பிரிவுகள் Python இல் LLM APIs உடன் வேலை மற்றும் scratch இருந்து சிறிய AI-powered tools building மீது பார்க்க.