Providing examples

Prompt Engineering: Beispiel-Prompting (Few-Shot Learning)

• Kernkonzept: Die Bereitstellung von Beispielen (Input und idealer Output) direkt im Prompt, um das Modell zu leiten und die gewünschte Leistung zu verbessern.
• Terminologie:
• One-Shot Prompting: Es wird nur ein einziges Beispiel bereitgestellt.
• Multi-Shot Prompting: Es werden mehrere Beispiele bereitgestellt.
• **Anwendungsfälle (Wann nutzen? ):**
• Umgang mit Randfällen (Corner Cases), z. B. sarkastische Tweets.
• Sicherstellung komplexer Ausgabeformate (z. B. JSON-Strukturen).
• Verbesserung der Ergebnisse bei Prompt-Evaluierungen (Prompt Evals).
• Struktur und Implementierung:
• Strukturierung: Inputs und Outputs sollten idealerweise in XML-Tags eingeschlossen werden, um die Klarheit für das Modell zu erhöhen.
• Beispiel-Format: [Input-Beispiel] → [Idealer Output]
• Erweiterte Strategie (Optional):
• Fügen Sie unter den idealen Output die Begründung hinzu, warum dieser Output als ideal gilt. Dies verstärkt das Verständnis des Modells für die Anforderungen.

Takeaways

• Few-Shot Learning nutzt die Bereitstellung von Input- und Output-Beispielen direkt im Prompt, um die Modellleistung zu steuern.
• One-Shot Prompting verwendet ein einziges Beispiel, während Multi-Shot Prompting mehrere Beispiele nutzt.
• Die Verwendung von Beispielen ist besonders nützlich für Randfälle, komplexe Ausgabeformate (z. B. JSON) und Prompt-Evaluierungen.
• Inputs und Outputs sollten idealerweise in XML-Tags eingeschlossen werden, um die Klarheit für das Modell zu erhöhen.
• Die Hinzufügung der Begründung für den idealen Output verstärkt das Verständnis des Modells für die Anforderungen.