Exercise on prompting

Studiennotizen: Prompt Engineering zur Datenextraktion

• Ziel des Promptings: Verbesserung eines bestehenden Prompts, um spezifische Daten (z. B. Themen) aus einem Text zu extrahieren.
• Gewünschtes Format: Die Ausgabe muss ein JSON-Array von Strings sein (z. B. ["Solarpanels", "Nachhaltigkeit"]).
• Evaluierung:
• Bevor Verbesserungen vorgenommen werden, muss der Evaluierungsbericht (z. B. output. html) geprüft werden, um zu verstehen, warum die Ausgabe schlecht bewertet wurde.
• Technik 1: Einfachheit und Direktheit (Simplicity and Directness):
• Der Prompt muss sehr klar und direkt formulieren, was erwartet wird.
• Beispiel: Statt vager Anweisungen: "Extract key topics... into a JSON array of strings. "
• Technik 2: Strukturierung mit XML-Tags:
• Verwendung von XML-Tags (z. B. <text>) um den zu verarbeitenden Input (den Text) klar von den Anweisungen des Prompts zu trennen.
• Dies verbessert die Klarheit und die Verbindung zwischen Anweisung und Daten.
• Technik 3: Spezifität durch Schritt-für-Schritt-Anweisungen:
• Der Prompt sollte dem Modell eine klare Abfolge von Schritten vorgeben (z. B. "1. Text genau untersuchen, 2. jedes Thema identifizieren, 3. als JSON-Array ausgeben").
• Erweiterte Techniken:
• Einbeziehung von Few-Shot Prompting (One-Shot oder Multi-Shot), um dem Modell Beispiele für die gewünschte Ausgabe zu geben.

Takeaways

• Ziel des Promptings ist die präzise Datenextraktion (z. B. Themen) in einem festen Format (z. B. JSON-Array).
• Prompts müssen klar, direkt und unmissverständlich formuliert sein, um vage Anweisungen zu vermeiden.
• Die Verwendung von XML-Tags (z. B. <text>) trennt den zu verarbeitenden Input klar von den Prompt-Anweisungen.
• Komplexe Aufgaben werden durch die Vorgabe einer klaren Schritt-für-Schritt-Abfolge und durch Few-Shot Prompting (Beispiele) verbessert.