ਇਸ ਮੋਡਿਊਲ ਵਿੱਚ ਜਨਰੇਟਿਵ AI ਮਾਡਲਾਂ ਵਿੱਚ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਪ੍ਰੋਮਪਟ ਬਣਾਉਣ ਲਈ ਜ਼ਰੂਰੀ ਧਾਰਨਾਵਾਂ ਅਤੇ ਤਕਨੀਕਾਂ ਨੂੰ ਕਵਰ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਿਵੇਂ ਤੁਸੀਂ LLM ਨੂੰ ਆਪਣਾ ਪ੍ਰੋਮਪਟ ਲਿਖਦੇ ਹੋ, ਇਹ ਵੀ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਧਿਆਨ ਨਾਲ ਤਿਆਰ ਕੀਤਾ ਪ੍ਰੋਮਪਟ ਬਿਹਤਰ ਗੁਣਵੱਤਾ ਵਾਲਾ ਜਵਾਬ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦਾ ਹੈ। ਪਰ ਪ੍ਰੋਮਪਟ ਅਤੇ ਪ੍ਰੋਮਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਵਰਗੇ ਸ਼ਬਦਾਂ ਦਾ ਅਰਥ ਕੀ ਹੈ? ਅਤੇ ਮੈਂ LLM ਨੂੰ ਭੇਜੇ ਜਾਣ ਵਾਲੇ ਪ੍ਰੋਮਪਟ ਇਨਪੁਟ ਨੂੰ ਕਿਵੇਂ ਸੁਧਾਰ ਸਕਦਾ ਹਾਂ? ਇਹ ਸਵਾਲ ਹਨ ਜਿਨ੍ਹਾਂ ਦੇ ਜਵਾਬ ਅਸੀਂ ਇਸ ਅਧਿਆਇ ਅਤੇ ਅਗਲੇ ਵਿੱਚ ਦੇਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਾਂਗੇ।
ਜਨਰੇਟਿਵ AI ਨਵੇਂ ਸਮੱਗਰੀ (ਜਿਵੇਂ ਕਿ ਟੈਕਸਟ, ਚਿੱਤਰ, ਆਡੀਓ, ਕੋਡ ਆਦਿ) ਨੂੰ ਉਪਭੋਗਤਾ ਦੀ ਬੇਨਤੀ ਦੇ ਜਵਾਬ ਵਿੱਚ ਬਣਾਉਣ ਦੇ ਯੋਗ ਹੈ। ਇਹ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਵਰਗੇ OpenAI ਦੇ GPT ("Generative Pre-trained Transformer") ਸੀਰੀਜ਼ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਹਾਸਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਜੋ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਅਤੇ ਕੋਡ ਦੀ ਵਰਤੋਂ ਲਈ ਤਿਆਰ ਕੀਤੇ ਗਏ ਹਨ।
ਉਪਭੋਗਤਾ ਹੁਣ ਤਕਨੀਕੀ ਮਾਹਰਤਾ ਜਾਂ ਪ੍ਰਸ਼ਿਕਸ਼ਣ ਦੀ ਲੋੜ ਬਿਨਾਂ ਚੈਟ ਵਰਗੇ ਜਾਣ-ਪਛਾਣ ਵਾਲੇ ਪੈਰਾਡਾਈਮਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇਨ੍ਹਾਂ ਮਾਡਲਾਂ ਨਾਲ ਸੰਚਾਰ ਕਰ ਸਕਦੇ ਹਨ। ਮਾਡਲ ਪ੍ਰੋਮਪਟ-ਅਧਾਰਿਤ ਹਨ - ਉਪਭੋਗਤਾ ਟੈਕਸਟ ਇਨਪੁਟ (ਪ੍ਰੋਮਪਟ) ਭੇਜਦੇ ਹਨ ਅਤੇ AI ਜਵਾਬ (ਪੂਰਨਤਾ) ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ। ਉਹ ਫਿਰ "AI ਨਾਲ ਗੱਲਬਾਤ" ਕਰ ਸਕਦੇ ਹਨ, ਬਹੁ-ਟਰਨ ਗੱਲਬਾਤਾਂ ਵਿੱਚ, ਆਪਣੇ ਪ੍ਰੋਮਪਟ ਨੂੰ ਸੁਧਾਰਦੇ ਹੋਏ ਜਦੋਂ ਤੱਕ ਜਵਾਬ ਉਨ੍ਹਾਂ ਦੀਆਂ ਉਮੀਦਾਂ ਨਾਲ ਮੇਲ ਨਹੀਂ ਖਾਂਦਾ।
"ਪ੍ਰੋਮਪਟ" ਹੁਣ ਜਨਰੇਟਿਵ AI ਐਪਸ ਲਈ ਮੁੱਖ ਪ੍ਰੋਗਰਾਮਿੰਗ ਇੰਟਰਫੇਸ ਬਣ ਜਾਂਦੇ ਹਨ, ਮਾਡਲਾਂ ਨੂੰ ਕੀ ਕਰਨਾ ਹੈ ਦੱਸਦੇ ਹਨ ਅਤੇ ਵਾਪਸ ਆਉਣ ਵਾਲੇ ਜਵਾਬਾਂ ਦੀ ਗੁਣਵੱਤਾ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੇ ਹਨ। "ਪ੍ਰੋਮਪਟ ਇੰਜੀਨੀਅਰਿੰਗ" ਇੱਕ ਤੇਜ਼ੀ ਨਾਲ ਵਧ ਰਹੇ ਅਧਿਐਨ ਦਾ ਖੇਤਰ ਹੈ ਜੋ ਡਿਜ਼ਾਈਨ ਅਤੇ ਅਪਟਿਮਾਈਜ਼ੇਸ਼ਨ 'ਤੇ ਧਿਆਨ ਕੇਂਦ੍ਰਿਤ ਕਰਦਾ ਹੈ ਤਾਂ ਜੋ ਵਿਆਪਕ ਪੱਧਰ 'ਤੇ ਲਗਾਤਾਰ ਅਤੇ ਗੁਣਵੱਤਾ ਵਾਲੇ ਜਵਾਬ ਪ੍ਰਦਾਨ ਕੀਤੇ ਜਾ ਸਕਣ।
ਇਸ ਪਾਠ ਵਿੱਚ, ਅਸੀਂ ਸਿੱਖਾਂਗੇ ਕਿ ਪ੍ਰੋਮਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਕੀ ਹੈ, ਇਹ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ, ਅਤੇ ਅਸੀਂ ਦਿੱਤੇ ਗਏ ਮਾਡਲ ਅਤੇ ਐਪਲੀਕੇਸ਼ਨ ਉਦੇਸ਼ ਲਈ ਕਿਵੇਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਪ੍ਰੋਮਪਟ ਤਿਆਰ ਕਰ ਸਕਦੇ ਹਾਂ। ਅਸੀਂ ਪ੍ਰੋਮਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਲਈ ਮੁੱਖ ਧਾਰਨਾਵਾਂ ਅਤੇ ਸ੍ਰੇਸ਼ਠ ਅਭਿਆਸਾਂ ਨੂੰ ਸਮਝਾਂਗੇ - ਅਤੇ ਇੱਕ ਇੰਟਰਐਕਟਿਵ Jupyter Notebooks "ਸੈਂਡਬਾਕਸ" ਵਾਤਾਵਰਣ ਬਾਰੇ ਸਿੱਖਾਂਗੇ ਜਿੱਥੇ ਅਸੀਂ ਇਨ੍ਹਾਂ ਧਾਰਨਾਵਾਂ ਨੂੰ ਅਸਲ ਉਦਾਹਰਣਾਂ 'ਤੇ ਲਾਗੂ ਕਰਦੇ ਵੇਖ ਸਕਦੇ ਹਾਂ।
ਇਸ ਪਾਠ ਦੇ ਅੰਤ ਤੱਕ ਅਸੀਂ ਯੋਗ ਹੋਵਾਂਗੇ:
- ਪ੍ਰੋਮਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਕੀ ਹੈ ਅਤੇ ਇਹ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ, ਇਹ ਸਮਝਾਉਣਾ।
- ਪ੍ਰੋਮਪਟ ਦੇ ਅੰਗਾਂ ਦਾ ਵਰਣਨ ਕਰਨਾ ਅਤੇ ਇਹ ਕਿਵੇਂ ਵਰਤੇ ਜਾਂਦੇ ਹਨ।
- ਪ੍ਰੋਮਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਲਈ ਸ੍ਰੇਸ਼ਠ ਅਭਿਆਸ ਅਤੇ ਤਕਨੀਕਾਂ ਸਿੱਖਣਾ।
- ਸਿੱਖੀਆਂ ਤਕਨੀਕਾਂ ਨੂੰ ਅਸਲ ਉਦਾਹਰਣਾਂ 'ਤੇ ਲਾਗੂ ਕਰਨਾ, OpenAI ਐਂਡਪੌਇੰਟ ਦੀ ਵਰਤੋਂ ਕਰਕੇ।
ਪ੍ਰੋਮਪਟ ਇੰਜੀਨੀਅਰਿੰਗ: AI ਮਾਡਲਾਂ ਨੂੰ ਇੱਛਿਤ ਨਤੀਜੇ ਪੈਦਾ ਕਰਨ ਵੱਲ ਮਾਰਗਦਰਸ਼ਨ ਦੇਣ ਲਈ ਇਨਪੁਟਾਂ ਨੂੰ ਡਿਜ਼ਾਈਨ ਅਤੇ ਸੁਧਾਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ। ਟੋਕਨਾਈਜ਼ੇਸ਼ਨ: ਟੈਕਸਟ ਨੂੰ ਛੋਟੇ ਯੂਨਿਟਾਂ ਵਿੱਚ ਬਦਲਣ ਦੀ ਪ੍ਰਕਿਰਿਆ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਮਾਡਲ ਸਮਝ ਅਤੇ ਪ੍ਰਕਿਰਿਆ ਕਰ ਸਕਦਾ ਹੈ। ਇੰਸਟਰਕਸ਼ਨ-ਟਿਊਨਡ LLMs: ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲ (LLMs) ਜੋ ਉਨ੍ਹਾਂ ਦੇ ਜਵਾਬ ਦੀ ਸ਼ੁੱਧਤਾ ਅਤੇ ਸਬੰਧਿਤਤਾ ਨੂੰ ਸੁਧਾਰਨ ਲਈ ਵਿਸ਼ੇਸ਼ ਹਦਾਇਤਾਂ ਨਾਲ ਸੁਧਾਰੇ ਗਏ ਹਨ।
ਪ੍ਰੋਮਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਇਸ ਸਮੇਂ ਵਿਗਿਆਨ ਤੋਂ ਜ਼ਿਆਦਾ ਕਲਾ ਹੈ। ਇਸ ਲਈ ਸਾਡੀ ਸੂਝ ਨੂੰ ਸੁਧਾਰਨ ਦਾ ਸਭ ਤੋਂ ਵਧੀਆ ਤਰੀਕਾ ਹੈ ਕਿ ਵਧੇਰੇ ਅਭਿਆਸ ਕੀਤਾ ਜਾਵੇ ਅਤੇ ਅਨੁਭਵ ਖੇਤਰ ਦੀ ਮਾਹਰਤਾ ਨੂੰ ਸਿਫਾਰਸ਼ੀ ਤਕਨੀਕਾਂ ਅਤੇ ਮਾਡਲ-ਵਿਸ਼ੇਸ਼ ਅਪਟਿਮਾਈਜ਼ੇਸ਼ਨ ਨਾਲ ਜੋੜ ਕੇ ਟ੍ਰਾਇਲ-ਐਂਡ-ਐਰਰ ਪਹੁੰਚ ਅਪਣਾਈ ਜਾਵੇ।
ਇਸ ਪਾਠ ਦੇ ਨਾਲ Jupyter Notebook ਇੱਕ ਸੈਂਡਬਾਕਸ ਵਾਤਾਵਰਣ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜਿੱਥੇ ਤੁਸੀਂ ਜੋ ਸਿੱਖਦੇ ਹੋ ਉਸ ਨੂੰ ਅਭਿਆਸ ਕਰ ਸਕਦੇ ਹੋ - ਜਿਵੇਂ ਤੁਸੀਂ ਜਾਂ ਕੋਡ ਚੈਲੈਂਜ ਦੇ ਅੰਤ ਵਿੱਚ। ਅਭਿਆਸਾਂ ਨੂੰ ਚਲਾਉਣ ਲਈ ਤੁਹਾਨੂੰ ਲੋੜ ਹੋਵੇਗੀ:
- ਇੱਕ Azure OpenAI API ਕੁੰਜੀ - ਤਿਆਰ LLM ਲਈ ਸੇਵਾ ਐਂਡਪੌਇੰਟ।
- ਇੱਕ Python Runtime - ਜਿਸ ਵਿੱਚ Notebook ਚਲਾਇਆ ਜਾ ਸਕੇ।
- ਸਥਾਨਕ Env Variables - SETUP ਕਦਮਾਂ ਨੂੰ ਹੁਣ ਪੂਰਾ ਕਰੋ ਤਾਂ ਜੋ ਤਿਆਰ ਹੋ ਸਕੋ।
Notebook ਵਿੱਚ ਸ਼ੁਰੂਆਤੀ ਅਭਿਆਸ ਹਨ - ਪਰ ਤੁਹਾਨੂੰ ਆਪਣੇ Markdown (ਵਰਣਨ) ਅਤੇ Code (ਪ੍ਰੋਮਪਟ ਬੇਨਤੀਆਂ) ਸੈਕਸ਼ਨ ਸ਼ਾਮਲ ਕਰਨ ਲਈ ਪ੍ਰੇਰਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਤਾਂ ਜੋ ਹੋਰ ਉਦਾਹਰਣਾਂ ਜਾਂ ਵਿਚਾਰਾਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ ਜਾ ਸਕੇ - ਅਤੇ ਪ੍ਰੋਮਪਟ ਡਿਜ਼ਾਈਨ ਲਈ ਆਪਣੀ ਸੂਝ ਬਣਾਈ ਜਾ ਸਕੇ।
ਕੀ ਤੁਸੀਂ ਇਸ ਪਾਠ ਵਿੱਚ ਸ਼ਾਮਲ ਕੀਤੇ ਗਏ ਮੁੱਖ ਵਿਸ਼ਿਆਂ ਦਾ ਵੱਡਾ ਚਿੱਤਰ ਵੇਖਣਾ ਚਾਹੁੰਦੇ ਹੋ? ਇਸ ਚਿੱਤਰਮਈ ਗਾਈਡ ਨੂੰ ਵੇਖੋ, ਜੋ ਤੁਹਾਨੂੰ ਕਵਰ ਕੀਤੇ ਮੁੱਖ ਵਿਸ਼ਿਆਂ ਅਤੇ ਹਰ ਇੱਕ ਵਿੱਚ ਸੋਚਣ ਲਈ ਮੁੱਖ ਨਤੀਜਿਆਂ ਦਾ ਅਹਿਸਾਸ ਦਿੰਦਾ ਹੈ। ਪਾਠ ਰੋਡਮੈਪ ਤੁਹਾਨੂੰ ਮੁੱਖ ਧਾਰਨਾਵਾਂ ਅਤੇ ਚੁਣੌਤੀਆਂ ਨੂੰ ਸਮਝਣ ਤੋਂ ਲੈ ਕੇ ਉਨ੍ਹਾਂ ਨੂੰ ਸਬੰਧਿਤ ਪ੍ਰੋਮਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਤਕਨੀਕਾਂ ਅਤੇ ਸ੍ਰੇਸ਼ਠ ਅਭਿਆਸਾਂ ਨਾਲ ਸੰਬੋਧਨ ਕਰਨ ਤੱਕ ਲੈ ਜਾਂਦਾ ਹੈ। ਧਿਆਨ ਦਿਓ ਕਿ ਇਸ ਗਾਈਡ ਵਿੱਚ "Advanced Techniques" ਸੈਕਸ਼ਨ ਇਸ ਪਾਠਕ੍ਰਮ ਦੇ ਅਗਲੇ ਅਧਿਆਇ ਵਿੱਚ ਸ਼ਾਮਲ ਸਮੱਗਰੀ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।
ਹੁਣ, ਆਓ ਗੱਲ ਕਰੀਏ ਕਿ ਇਹ ਵਿਸ਼ਾ ਸਾਡੇ ਸਟਾਰਟਅਪ ਮਿਸ਼ਨ ਨਾਲ AI ਨਵੀਨਤਾ ਨੂੰ ਸਿੱਖਿਆ ਵਿੱਚ ਲਿਆਉਣ ਨਾਲ ਕਿਵੇਂ ਸਬੰਧਿਤ ਹੈ। ਅਸੀਂ ਵਿਅਕਤੀਗਤ ਸਿੱਖਣ ਦੇ AI-ਚਾਲਤ ਐਪਲੀਕੇਸ਼ਨ ਬਣਾਉਣ ਚਾਹੁੰਦੇ ਹਾਂ - ਤਾਂ ਆਓ ਸੋਚੀਏ ਕਿ ਸਾਡੇ ਐਪਲੀਕੇਸ਼ਨ ਦੇ ਵੱਖ-ਵੱਖ ਉਪਭੋਗਤਾ ਕਿਵੇਂ "ਪ੍ਰੋਮਪਟ" ਡਿਜ਼ਾਈਨ ਕਰ ਸਕਦੇ ਹਨ:
- ਪ੍ਰਸ਼ਾਸਕ AI ਨੂੰ ਕਰਿਕੁਲਮ ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ ਕਹਿ ਸਕਦੇ ਹਨ ਤਾਂ ਜੋ ਕਵਰੇਜ ਵਿੱਚ ਖਾਮੀਆਂ ਦੀ ਪਛਾਣ ਕੀਤੀ ਜਾ ਸਕੇ। AI ਨਤੀਜਿਆਂ ਨੂੰ ਸੰਖੇਪ ਕਰ ਸਕਦਾ ਹੈ ਜਾਂ ਕੋਡ ਨਾਲ ਉਨ੍ਹਾਂ ਨੂੰ ਵਿਜ਼ੁਅਲਾਈਜ਼ ਕਰ ਸਕਦਾ ਹੈ।
- ਸ਼ਿਕਸ਼ਕ AI ਨੂੰ ਲਕਸ਼ਿਤ ਦਰਸ਼ਕ ਅਤੇ ਵਿਸ਼ੇ ਲਈ ਪਾਠ ਯੋਜਨਾ ਤਿਆਰ ਕਰਨ ਲਈ ਕਹਿ ਸਕਦੇ ਹਨ। AI ਨਿਰਧਾਰਿਤ ਫਾਰਮੈਟ ਵਿੱਚ ਵਿਅਕਤੀਗਤ ਯੋਜਨਾ ਤਿਆਰ ਕਰ ਸਕਦਾ ਹੈ।
- ਵਿਦਿਆਰਥੀ AI ਨੂੰ ਕਠਿਨ ਵਿਸ਼ੇ ਵਿੱਚ ਉਨ੍ਹਾਂ ਨੂੰ ਟਿਊਟਰ ਕਰਨ ਲਈ ਕਹਿ ਸਕਦੇ ਹਨ। AI ਹੁਣ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਉਨ੍ਹਾਂ ਦੇ ਪੱਧਰ ਦੇ ਅਨੁਸਾਰ ਪਾਠਾਂ, ਸੰਕੇਤਾਂ ਅਤੇ ਉਦਾਹਰਣਾਂ ਨਾਲ ਮਾਰਗਦਰਸ਼ਨ ਕਰ ਸਕਦਾ ਹੈ।
ਇਹ ਸਿਰਫ ਸ਼ੁਰੂਆਤ ਹੈ। ਸਿੱਖਿਆ ਲਈ ਪ੍ਰੋਮਪਟ - ਸਿੱਖਿਆ ਮਾਹਰਾਂ ਦੁਆਰਾ ਕਿਉਰੇਟ ਕੀਤੀ ਗਈ ਇੱਕ ਖੁੱਲ੍ਹੇ-ਸਰੋਤ ਪ੍ਰੋਮਪਟ ਲਾਇਬ੍ਰੇਰੀ - ਨੂੰ ਵੇਖੋ ਤਾਂ ਜੋ ਸੰਭਾਵਨਾਵਾਂ ਦਾ ਵਿਆਪਕ ਅਹਿਸਾਸ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾ ਸਕੇ! ਸੈਂਡਬਾਕਸ ਵਿੱਚ ਜਾਂ OpenAI Playground ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੁਝ ਪ੍ਰੋਮਪਟ ਚਲਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ ਅਤੇ ਵੇਖੋ ਕਿ ਕੀ ਹੁੰਦਾ ਹੈ!
ਅਸੀਂ ਇਸ ਪਾਠ ਦੀ ਸ਼ੁਰੂਆਤ ਪ੍ਰੋਮਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਨੂੰ ਟੈਕਸਟ ਇਨਪੁਟ (ਪ੍ਰੋਮਪਟ) ਨੂੰ ਡਿਜ਼ਾਈਨ ਅਤੇ ਅਪਟਿਮਾਈਜ਼ ਕਰਕੇ ਇੱਕ ਦਿੱਤੇ ਗਏ ਐਪਲੀਕੇਸ਼ਨ ਉਦੇਸ਼ ਅਤੇ ਮਾਡਲ ਲਈ ਲਗਾਤਾਰ ਅਤੇ ਗੁਣਵੱਤਾ ਵਾਲੇ ਜਵਾਬ (ਪੂਰਨਤਾ) ਪ੍ਰਦਾਨ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਵਜੋਂ ਪਰਿਭਾਸ਼ਿਤ ਕਰਕੇ ਕੀਤੀ। ਅਸੀਂ ਇਸ ਨੂੰ 2-ਕਦਮ ਪ੍ਰਕਿਰਿਆ ਵਜੋਂ ਸੋਚ ਸਕਦੇ ਹਾਂ:
- ਦਿੱਤੇ ਗਏ ਮਾਡਲ ਅਤੇ ਉਦੇਸ਼ ਲਈ ਸ਼ੁਰੂਆਤੀ ਪ੍ਰੋਮਪਟ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਨਾ
- ਜਵਾਬ ਦੀ ਗੁਣਵੱਤਾ ਨੂੰ ਸੁਧਾਰਨ ਲਈ ਪ੍ਰੋਮਪਟ ਨੂੰ ਇਤਰਾਤਮਕ ਤੌਰ 'ਤੇ ਸੁਧਾਰਨਾ
ਇਹ ਲਾਜ਼ਮੀ ਤੌਰ 'ਤੇ ਇੱਕ ਟ੍ਰਾਇਲ-ਐਂਡ-ਐਰਰ ਪ੍ਰਕਿਰਿਆ ਹੈ ਜੋ ਵਧੀਆ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਉਪਭੋਗਤਾ ਦੀ ਸੂਝ ਅਤੇ ਯਤਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਤਾਂ ਇਹ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ? ਇਸ ਸਵਾਲ ਦਾ ਜਵਾਬ ਦੇਣ ਲਈ, ਸਾਨੂੰ ਪਹਿਲਾਂ ਤਿੰਨ ਧਾਰਨਾਵਾਂ ਨੂੰ ਸਮਝਣ ਦੀ ਲੋੜ ਹੈ:
- ਟੋਕਨਾਈਜ਼ੇਸ਼ਨ = ਮਾਡਲ ਪ੍ਰੋਮਪਟ ਨੂੰ "ਵੇਖਦਾ" ਕਿਵੇਂ ਹੈ
- ਬੇਸ LLMs = ਫਾਊਂਡੇਸ਼ਨ ਮਾਡਲ ਪ੍ਰੋਮਪਟ ਨੂੰ "ਪ੍ਰਕਿਰਿਆ" ਕਰਦਾ ਹੈ ਕਿਵੇਂ
- ਇੰਸਟਰਕਸ਼ਨ-ਟਿਊਨਡ LLMs = ਮਾਡਲ ਹੁਣ "ਕੰਮਾਂ" ਨੂੰ "ਵੇਖ" ਸਕਦਾ ਹੈ
ਇੱਕ LLM ਪ੍ਰੋਮਪਟ ਨੂੰ ਟੋਕਨਸ ਦੀ ਲੜੀ ਵਜੋਂ ਵੇਖਦਾ ਹੈ ਜਿੱਥੇ ਵੱਖ-ਵੱਖ ਮਾਡਲ (ਜਾਂ ਮਾਡਲ ਦੇ ਵਰਜਨ) ਇੱਕੋ ਪ੍ਰੋਮਪਟ ਨੂੰ ਵੱਖ-ਵੱਖ ਤਰੀਕਿਆਂ ਨਾਲ ਟੋਕਨਾਈਜ਼ ਕਰ ਸਕਦੇ ਹਨ। ਕਿਉਂਕਿ LLMs ਟੋਕਨਸ 'ਤੇ (ਕੱਚੇ ਟੈਕਸਟ 'ਤੇ ਨਹੀਂ) ਤਿਆਰ ਕੀਤੇ ਜਾਂਦੇ ਹਨ, ਪ੍ਰੋਮਪਟ ਟੋਕਨਾਈਜ਼ ਹੋਣ ਦਾ ਤਰੀਕਾ ਬਣਾਏ ਗਏ ਜਵਾਬ ਦੀ ਗੁਣਵੱਤਾ 'ਤੇ ਸਿੱਧਾ ਪ੍ਰਭਾਵ ਪਾਉਂਦਾ ਹੈ।
ਟੋਕਨਾਈਜ਼ੇਸ਼ਨ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ ਇਸ ਲਈ ਸੂਝ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ, OpenAI Tokenizer ਵਰਗੇ ਸੰਦਾਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ। ਆਪਣੇ ਪ੍ਰੋਮਪਟ ਨੂੰ ਕਾਪੀ ਕਰੋ - ਅਤੇ ਵੇਖੋ ਕਿ ਇਹ ਟੋਕਨਸ ਵਿੱਚ ਕਿਵੇਂ ਬਦਲਿਆ ਜਾਂਦਾ ਹੈ, ਧਿਆਨ ਦਿਓ ਕਿ ਵਾਈਟਸਪੇਸ ਅੱਖਰਾਂ ਅਤੇ ਪੰਕਚੁਏਸ਼ਨ ਮਾਰਕਾਂ ਨੂੰ ਕਿਵੇਂ ਸੰਭਾਲਿਆ ਜਾਂਦਾ ਹੈ। ਧਿਆਨ ਦਿਓ ਕਿ ਇਹ ਉਦਾਹਰਣ ਇੱਕ ਪੁਰਾਣੇ LLM (GPT-3) ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ - ਇਸ ਲਈ ਇਸ ਨੂੰ ਇੱਕ ਨਵੇਂ ਮਾਡਲ ਨਾਲ ਅਜ਼ਮਾਉਣਾ ਇੱਕ ਵੱਖਰਾ ਨਤੀਜਾ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ।
ਜਦੋਂ ਇੱਕ ਪ੍ਰੋਮਪਟ ਟੋਕਨਾਈਜ਼ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, "ਬੇਸ LLM" (ਜਾਂ ਫਾਊਂਡੇਸ਼ਨ ਮਾਡਲ) ਦਾ ਮੁੱਖ ਕੰਮ ਉਸ ਲੜੀ ਵਿੱਚ ਟੋਕਨ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਨਾ ਹੁੰਦਾ ਹੈ। ਕਿਉਂਕਿ LLMs ਵੱਡੇ ਟੈਕਸਟ ਡੇਟਾਸੈਟਸ 'ਤੇ ਤਿਆਰ ਕੀਤੇ ਜਾਂਦੇ ਹਨ, ਉਨ੍ਹਾਂ ਨੂੰ ਟੋਕਨਸ ਦੇ ਵਿਚਕਾਰ ਸਾਂਖਿਕਿਕ ਸੰਬੰਧਾਂ ਦਾ ਚੰਗਾ ਅਹਿਸਾਸ ਹੁੰਦਾ ਹੈ ਅਤੇ ਉਹ ਉਸ ਪੇਸ਼ਕਸ਼ ਨੂੰ ਕੁਝ ਭਰੋਸੇ ਨਾਲ ਕਰ ਸਕਦੇ ਹਨ। ਧਿਆਨ ਦਿਓ ਕਿ ਉਹ ਪ੍ਰੋਮਪਟ ਜਾਂ ਟੋਕਨ ਵਿੱਚ ਸ਼ਬਦਾਂ ਦੇ ਅਰਥ ਨੂੰ ਨਹੀਂ ਸਮਝਦੇ; ਉਹ ਸਿਰਫ ਇੱਕ ਪੈਟਰਨ ਵੇਖਦੇ ਹਨ ਜਿਸ ਨੂੰ ਉਹ ਆਪਣੀ ਅਗਲੀ ਪੇਸ਼ਕਸ਼ ਨਾਲ "ਪੂਰਾ" ਕਰ ਸਕਦੇ ਹਨ। ਉਹ ਲੜੀ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਨਾ ਜਾਰੀ ਰੱਖ ਸਕਦੇ ਹਨ ਜਦੋਂ ਤੱਕ ਉਪਭੋਗਤਾ ਦੇ ਦਖਲ ਜਾਂ ਕੁਝ ਪੂਰਵ-ਸਥਾਪਿਤ ਸ਼ਰਤਾਂ ਦੁਆਰਾ ਰੋਕਿਆ ਨਹੀਂ ਜਾਂਦਾ।
ਪ੍ਰੋਮਪਟ-ਅਧਾਰਿਤ ਪੂਰਨਤਾ ਕਿਵੇਂ ਕੰਮ ਕਰਦੀ ਹੈ ਇਹ ਵੇਖਣਾ ਚਾਹੁੰਦੇ ਹੋ? ਉਪਰੋਕਤ ਪ੍ਰੋਮਪਟ ਨੂੰ Azure OpenAI Studio Chat Playground ਵਿੱਚ ਡਿਫਾਲਟ ਸੈਟਿੰਗਾਂ ਨਾਲ ਦਰਜ ਕਰੋ। ਸਿਸਟ ਇੱਕ ਵੈੱਬ ਖੋਜ ਨੇ ਮੈਨੂੰ ਦਿਖਾਇਆ ਕਿ ਮੰਗਲ ਗ੍ਰਹਿ ਦੇ ਯੁੱਧਾਂ 'ਤੇ ਕਈ ਕਲਪਨਾਤਮਕ ਕਹਾਣੀਆਂ (ਜਿਵੇਂ ਕਿ ਟੈਲੀਵਿਜ਼ਨ ਸੀਰੀਜ਼ ਜਾਂ ਕਿਤਾਬਾਂ) ਹਨ - ਪਰ 2076 ਵਿੱਚ ਕੋਈ ਨਹੀਂ। ਸਧਾਰਨ ਬੁੱਧੀ ਵੀ ਦੱਸਦੀ ਹੈ ਕਿ 2076 ਭਵਿੱਖ ਵਿੱਚ ਹੈ ਅਤੇ ਇਸ ਲਈ ਇਸਨੂੰ ਕਿਸੇ ਅਸਲੀ ਘਟਨਾ ਨਾਲ ਨਹੀਂ ਜੋੜਿਆ ਜਾ ਸਕਦਾ।
ਤਾਂ ਕੀ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਅਸੀਂ ਇਹ ਪ੍ਰੋੰਪਟ ਵੱਖ-ਵੱਖ LLM ਪ੍ਰਦਾਤਾਵਾਂ ਨਾਲ ਚਲਾਉਂਦੇ ਹਾਂ?
ਜਵਾਬ 1: OpenAI Playground (GPT-35)
ਜਵਾਬ 2: Azure OpenAI Playground (GPT-35)
ਜਵਾਬ 3: Hugging Face Chat Playground (LLama-2)
ਜਿਵੇਂ ਉਮੀਦ ਸੀ, ਹਰ ਮਾਡਲ (ਜਾਂ ਮਾਡਲ ਵਰਜਨ) ਕੁਝ ਵੱਖਰੇ ਜਵਾਬ ਪੈਦਾ ਕਰਦਾ ਹੈ ਕਿਉਂਕਿ ਇਹ ਸਟੋਕੈਸਟਿਕ ਵਿਹਾਰ ਅਤੇ ਮਾਡਲ ਦੀ ਸਮਰੱਥਾ ਵਿੱਚ ਫਰਕ ਦਿਖਾਉਂਦਾ ਹੈ। ਉਦਾਹਰਣ ਲਈ, ਇੱਕ ਮਾਡਲ 8ਵੀਂ ਜਮਾਤ ਦੇ ਦਰਸ਼ਕਾਂ ਨੂੰ ਨਿਸ਼ਾਨਾ ਬਣਾਉਂਦਾ ਹੈ ਜਦੋਂ ਕਿ ਦੂਜਾ ਹਾਈ ਸਕੂਲ ਦੇ ਵਿਦਿਆਰਥੀ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦਾ ਹੈ। ਪਰ ਤਿੰਨੋ ਮਾਡਲਾਂ ਨੇ ਅਜਿਹੇ ਜਵਾਬ ਪੈਦਾ ਕੀਤੇ ਜੋ ਇੱਕ ਅਣਜਾਣ ਉਪਭੋਗਤਾ ਨੂੰ ਇਹ ਯਕੀਨ ਦਿਵਾ ਸਕਦੇ ਹਨ ਕਿ ਇਹ ਘਟਨਾ ਅਸਲ ਸੀ।
ਪ੍ਰੋੰਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਤਕਨੀਕਾਂ ਜਿਵੇਂ ਕਿ ਮੈਟਾਪ੍ਰੋੰਪਟਿੰਗ ਅਤੇ ਟੈਂਪਰੇਚਰ ਕਾਨਫਿਗਰੇਸ਼ਨ ਕੁਝ ਹੱਦ ਤੱਕ ਮਾਡਲ ਦੀਆਂ ਗਲਤੀਆਂ ਨੂੰ ਘਟਾ ਸਕਦੇ ਹਨ। ਨਵੀਆਂ ਪ੍ਰੋੰਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਆਰਕੀਟੈਕਚਰਾਂ ਵੀ ਨਵੀਆਂ ਸਾਧਨਾਂ ਅਤੇ ਤਕਨੀਕਾਂ ਨੂੰ ਪ੍ਰੋੰਪਟ ਫਲੋ ਵਿੱਚ ਬਿਨਾਂ ਕਿਸੇ ਰੁਕਾਵਟ ਦੇ ਸ਼ਾਮਲ ਕਰਦੀਆਂ ਹਨ, ਤਾਂ ਜੋ ਕੁਝ ਪ੍ਰਭਾਵਾਂ ਨੂੰ ਘਟਾਇਆ ਜਾ ਸਕੇ।
ਆਓ ਇਸ ਭਾਗ ਨੂੰ ਸਮਾਪਤ ਕਰੀਏ ਅਤੇ ਸਮਝੀਏ ਕਿ ਪ੍ਰੋੰਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਨੂੰ ਅਸਲ-ਜਗਤ ਦੇ ਹੱਲਾਂ ਵਿੱਚ ਕਿਵੇਂ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਇਸ ਲਈ ਇੱਕ ਕੇਸ ਸਟਡੀ ਦੇਖਦੇ ਹਾਂ: GitHub Copilot।
GitHub Copilot ਤੁਹਾਡਾ "AI Pair Programmer" ਹੈ - ਇਹ ਟੈਕਸਟ ਪ੍ਰੋੰਪਟ ਨੂੰ ਕੋਡ ਪੂਰਨਾਂ ਵਿੱਚ ਬਦਲਦਾ ਹੈ ਅਤੇ ਤੁਹਾਡੇ ਵਿਕਾਸ ਵਾਤਾਵਰਣ (ਜਿਵੇਂ ਕਿ Visual Studio Code) ਵਿੱਚ ਇੱਕ ਸਹੀ ਉਪਭੋਗਤਾ ਅਨੁਭਵ ਲਈ ਇੰਟੀਗਰੇਟ ਕੀਤਾ ਗਿਆ ਹੈ। ਹੇਠਾਂ ਦਿੱਤੇ ਬਲੌਗ ਦੀ ਲੜੀ ਵਿੱਚ ਦਰਸਾਇਆ ਗਿਆ ਹੈ ਕਿ ਸਭ ਤੋਂ ਪਹਿਲਾ ਵਰਜਨ OpenAI Codex ਮਾਡਲ 'ਤੇ ਅਧਾਰਿਤ ਸੀ - ਇੰਜੀਨੀਅਰਾਂ ਨੇ ਜਲਦੀ ਹੀ ਮਾਡਲ ਨੂੰ ਸੁਧਾਰਨ ਅਤੇ ਪ੍ਰੋੰਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਤਕਨੀਕਾਂ ਨੂੰ ਵਿਕਸਿਤ ਕਰਨ ਦੀ ਲੋੜ ਨੂੰ ਸਮਝਿਆ, ਤਾਂ ਜੋ ਕੋਡ ਦੀ ਗੁਣਵੱਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕੀਤਾ ਜਾ ਸਕੇ। ਜੁਲਾਈ ਵਿੱਚ, ਉਨ੍ਹਾਂ ਨੇ ਇੱਕ ਸੁਧਾਰਿਤ AI ਮਾਡਲ ਪੇਸ਼ ਕੀਤਾ ਜੋ Codex ਤੋਂ ਅੱਗੇ ਜਾਂਦਾ ਹੈ ਅਤੇ ਹੋਰ ਤੇਜ਼ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ।
ਉਨ੍ਹਾਂ ਦੇ ਸਿੱਖਣ ਦੇ ਯਾਤਰਾ ਨੂੰ ਪਾਲਣ ਕਰਨ ਲਈ ਪੋਸਟਾਂ ਨੂੰ ਕ੍ਰਮ ਵਿੱਚ ਪੜ੍ਹੋ।
- ਮਈ 2023 | GitHub Copilot is Getting Better at Understanding Your Code
- ਮਈ 2023 | Inside GitHub: Working with the LLMs behind GitHub Copilot.
- ਜੂਨ 2023 | How to write better prompts for GitHub Copilot.
- ਜੁਲਾਈ 2023 | .. GitHub Copilot goes beyond Codex with improved AI model
- ਜੁਲਾਈ 2023 | A Developer's Guide to Prompt Engineering and LLMs
- ਸਤੰਬਰ 2023 | How to build an enterprise LLM app: Lessons from GitHub Copilot
ਤੁਸੀਂ ਉਨ੍ਹਾਂ ਦੇ ਇੰਜੀਨੀਅਰਿੰਗ ਬਲੌਗ ਨੂੰ ਹੋਰ ਪੋਸਟਾਂ ਲਈ ਵੀ ਬ੍ਰਾਊਜ਼ ਕਰ ਸਕਦੇ ਹੋ ਜਿਵੇਂ ਕਿ ਇਹ ਜੋ ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਇਹ ਮਾਡਲ ਅਤੇ ਤਕਨੀਕਾਂ ਅਸਲ-ਜਗਤ ਦੇ ਐਪਲੀਕੇਸ਼ਨਾਂ ਨੂੰ ਚਲਾਉਣ ਲਈ ਕਿਵੇਂ ਲਾਗੂ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ।
ਅਸੀਂ ਦੇਖਿਆ ਹੈ ਕਿ ਪ੍ਰੋੰਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ - ਹੁਣ ਆਓ ਸਮਝੀਏ ਕਿ ਪ੍ਰੋੰਪਟਾਂ ਨੂੰ ਕਿਵੇਂ ਬਣਾਇਆ ਜਾਂਦਾ ਹੈ ਤਾਂ ਜੋ ਅਸੀਂ ਵੱਖ-ਵੱਖ ਤਕਨੀਕਾਂ ਦਾ ਮੁਲਾਂਕਨ ਕਰ ਸਕੀਏ ਅਤੇ ਹੋਰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਪ੍ਰੋੰਪਟ ਡਿਜ਼ਾਈਨ ਕਰ ਸਕੀਏ।
ਆਓ ਬੁਨਿਆਦੀ ਪ੍ਰੋੰਪਟ ਨਾਲ ਸ਼ੁਰੂ ਕਰੀਏ: ਮਾਡਲ ਨੂੰ ਭੇਜਿਆ ਗਿਆ ਇੱਕ ਟੈਕਸਟ ਇਨਪੁੱਟ ਜਿਸ ਵਿੱਚ ਹੋਰ ਕੋਈ ਸੰਦਰਭ ਨਹੀਂ ਹੁੰਦਾ। ਇਹ ਇੱਕ ਉਦਾਹਰਣ ਹੈ - ਜਦੋਂ ਅਸੀਂ ਅਮਰੀਕੀ ਰਾਸ਼ਟਰੀ ਗੀਤ ਦੇ ਪਹਿਲੇ ਕੁਝ ਸ਼ਬਦ OpenAI Completion API ਨੂੰ ਭੇਜਦੇ ਹਾਂ, ਤਾਂ ਇਹ ਤੁਰੰਤ ਜਵਾਬ ਨੂੰ ਅਗਲੇ ਕੁਝ ਲਾਈਨਾਂ ਨਾਲ ਪੂਰਾ ਕਰਦਾ ਹੈ, ਜੋ ਬੁਨਿਆਦੀ ਅਨੁਮਾਨ ਵਿਹਾਰ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।
| ਪ੍ਰੋੰਪਟ (ਇਨਪੁੱਟ) | ਪੂਰਨ (ਆਉਟਪੁੱਟ) |
|---|---|
| Oh say can you see | ਇਹ ਲਗਦਾ ਹੈ ਕਿ ਤੁਸੀਂ "The Star-Spangled Banner," ਅਮਰੀਕਾ ਦੇ ਰਾਸ਼ਟਰੀ ਗੀਤ ਦੇ ਗੀਤ ਸ਼ੁਰੂ ਕਰ ਰਹੇ ਹੋ। ਪੂਰੇ ਗੀਤ ਹਨ ... |
ਹੁਣ ਆਓ ਉਸ ਬੁਨਿਆਦੀ ਪ੍ਰੋੰਪਟ ਵਿੱਚ ਸੰਦਰਭ ਅਤੇ ਹਦਾਇਤਾਂ ਸ਼ਾਮਲ ਕਰੀਏ। Chat Completion API ਸਾਨੂੰ ਇੱਕ ਜਟਿਲ ਪ੍ਰੋੰਪਟ ਨੂੰ ਸੁਨੇਹਿਆਂ ਦੇ ਸੰਗ੍ਰਹਿ ਵਜੋਂ ਬਣਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ ਜਿਸ ਵਿੱਚ:
- ਇਨਪੁੱਟ/ਆਉਟਪੁੱਟ ਜੋੜੇ ਜੋ ਉਪਭੋਗਤਾ ਇਨਪੁੱਟ ਅਤੇ ਸਹਾਇਕ ਜਵਾਬ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ।
- ਸਿਸਟਮ ਸੁਨੇਹਾ ਜੋ ਸਹਾਇਕ ਦੇ ਵਿਹਾਰ ਜਾਂ ਵਿਅਕਤੀਗਤਤਾ ਲਈ ਸੰਦਰਭ ਸੈਟ ਕਰਦਾ ਹੈ।
ਅਬੇਧਨ ਹੁਣ ਹੇਠਾਂ ਦਿੱਤੇ ਰੂਪ ਵਿੱਚ ਹੈ, ਜਿੱਥੇ ਟੋਕਨਾਈਜ਼ੇਸ਼ਨ ਸੰਦਰਭ ਅਤੇ ਗੱਲਬਾਤ ਤੋਂ ਸਬੰਧਤ ਜਾਣਕਾਰੀ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਤਰੀਕੇ ਨਾਲ ਕੈਪਚਰ ਕਰਦਾ ਹੈ। ਹੁਣ, ਸਿਸਟਮ ਸੰਦਰਭ ਨੂੰ ਬਦਲਣਾ ਪੂਰਨ ਦੀ ਗੁਣਵੱਤਾ 'ਤੇ ਉਤਨਾ ਹੀ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੋ ਸਕਦਾ ਹੈ, ਜਿੰਨਾ ਕਿ ਉਪਭੋਗਤਾ ਦੁਆਰਾ ਦਿੱਤੇ ਗਏ ਇਨਪੁੱਟ।
response = openai.chat.completions.create(
model="gpt-3.5-turbo",
messages=[
{"role": "system", "content": "You are a helpful assistant."},
{"role": "user", "content": "Who won the world series in 2020?"},
{"role": "assistant", "content": "The Los Angeles Dodgers won the World Series in 2020."},
{"role": "user", "content": "Where was it played?"}
]
)ਉਪਰੋਕਤ ਉਦਾਹਰਣਾਂ ਵਿੱਚ, ਉਪਭੋਗਤਾ ਪ੍ਰੋੰਪਟ ਇੱਕ ਸਧਾਰਨ ਟੈਕਸਟ ਪੁੱਛਗਿੱਛ ਸੀ ਜਿਸਨੂੰ ਜਾਣਕਾਰੀ ਦੀ ਬੇਨਤੀ ਵਜੋਂ ਵਿਆਖਿਆ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਹਦਾਇਤ ਪ੍ਰੋੰਪਟਾਂ ਨਾਲ, ਅਸੀਂ ਉਸ ਟੈਕਸਟ ਨੂੰ ਹੋਰ ਵਿਸਥਾਰ ਵਿੱਚ ਇੱਕ ਕੰਮ ਨੂੰ ਦਰਸਾਉਣ ਲਈ ਵਰਤ ਸਕਦੇ ਹਾਂ, AI ਨੂੰ ਬਿਹਤਰ ਮਾਰਗਦਰਸ਼ਨ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹੋਏ। ਇਹ ਇੱਕ ਉਦਾਹਰਣ ਹੈ:
| ਪ੍ਰੋੰਪਟ (ਇਨਪੁੱਟ) | ਪੂਰਨ (ਆਉਟਪੁੱਟ) | ਹਦਾਇਤ ਦੀ ਕਿਸਮ |
|---|---|---|
| Write a description of the Civil War | ਇੱਕ ਸਧਾਰਨ ਪੈਰਾ ਵਾਪਸ ਕੀਤਾ | ਸਧਾਰਨ |
| Write a description of the Civil War. Provide key dates and events and describe their significance | ਇੱਕ ਪੈਰਾ ਵਾਪਸ ਕੀਤਾ ਜਿਸਦੇ ਨਾਲ ਮਹੱਤਵਪੂਰਨ ਤਾਰੀਖਾਂ ਅਤੇ ਘਟਨਾਵਾਂ ਦੀ ਸੂਚੀ ਦਿੱਤੀ | ਜਟਿਲ |
| Write a description of the Civil War in 1 paragraph. Provide 3 bullet points with key dates and their significance. Provide 3 more bullet points with key historical figures and their contributions. Return the output as a JSON file | ਹੋਰ ਵਿਸਥਾਰਿਤ ਵੇਰਵੇ ਇੱਕ ਟੈਕਸਟ ਬਾਕਸ ਵਿੱਚ ਵਾਪਸ ਕੀਤੇ, JSON ਦੇ ਰੂਪ ਵਿੱਚ ਫਾਰਮੈਟ ਕੀਤਾ ਜੋ ਤੁਸੀਂ ਫਾਈਲ ਵਿੱਚ ਕਾਪੀ-ਪੇਸਟ ਕਰ ਸਕਦੇ ਹੋ ਅਤੇ ਜ਼ਰੂਰਤ ਅਨੁਸਾਰ ਵੈਧ ਕਰ ਸਕਦੇ ਹੋ | ਜਟਿਲ। ਫਾਰਮੈਟ ਕੀਤਾ। |
ਉਪਰੋਕਤ ਉਦਾਹਰਣਾਂ ਵਿੱਚ, ਪ੍ਰੋੰਪਟ ਅਜੇ ਵੀ ਕਾਫ਼ੀ ਖੁੱਲ੍ਹਾ ਸੀ, ਜਿਸਨੇ LLM ਨੂੰ ਇਹ ਫੈਸਲਾ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੱਤੀ ਕਿ ਇਸਦੇ ਪ੍ਰੀ-ਟ੍ਰੇਨਡ ਡੇਟਾਸੈੱਟ ਦਾ ਕਿਹੜਾ ਹਿੱਸਾ ਸਬੰਧਤ ਸੀ। ਪ੍ਰਾਇਮਰੀ ਸਮੱਗਰੀ ਡਿਜ਼ਾਈਨ ਪੈਟਰਨ ਨਾਲ, ਇਨਪੁੱਟ ਟੈਕਸਟ ਨੂੰ ਦੋ ਹਿੱਸਿਆਂ ਵਿੱਚ ਵੰਡਿਆ ਜਾਂਦਾ ਹੈ:
- ਇੱਕ ਹਦਾਇਤ (ਕਰਮ)
- ਸਬੰਧਤ ਸਮੱਗਰੀ (ਜੋ ਕਰਮ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀ ਹੈ)
ਇਹ ਇੱਕ ਉਦਾਹਰਣ ਹੈ ਜਿੱਥੇ ਹਦਾਇਤ "ਇਸਨੂੰ 2 ਵਾਕਾਂ ਵਿੱਚ ਸੰਖੇਪ ਕਰੋ" ਹੈ।
| ਪ੍ਰੋੰਪਟ (ਇਨਪੁੱਟ) | ਪੂਰਨ (ਆਉਟਪੁੱਟ) |
|---|---|
| Jupiter is the fifth planet from the Sun and the largest in the Solar System. It is a gas giant with a mass one-thousandth that of the Sun, but two-and-a-half times that of all the other planets in the Solar System combined. Jupiter is one of the brightest objects visible to the naked eye in the night sky, and has been known to ancient civilizations since before recorded history. It is named after the Roman god Jupiter.[19] When viewed from Earth, Jupiter can be bright enough for its reflected light to cast visible shadows,[20] and is on average the third-brightest natural object in the night sky after the Moon and Venus. Summarize this in 2 short sentences |
Jupiter, the fifth planet from the Sun, is the largest in the Solar System and is known for being one of the brightest objects in the night sky. Named after the Roman god Jupiter, it's a gas giant whose mass is two-and-a-half times that of all other planets in the Solar System combined. |
ਪ੍ਰਾਇਮਰੀ ਸਮੱਗਰੀ ਖੰਡ ਨੂੰ ਹੋਰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹਦਾਇਤਾਂ ਲਈ ਵੱਖ-ਵੱਖ ਤਰੀਕਿਆਂ ਨਾਲ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ:
- ਉਦਾਹਰਣ - ਮਾਡਲ ਨੂੰ ਸਪਸ਼ਟ ਹਦਾਇਤ ਦੇਣ ਦੀ ਬਜਾਏ, ਇਸਨੂੰ ਕੁਝ ਉਦਾਹਰਣ ਦਿਓ ਕਿ ਕੀ ਕਰਨਾ ਹੈ ਅਤੇ ਇਸਨੂੰ ਪੈਟਰਨ ਨੂੰ ਸਮਝਣ ਦਿਓ।
- ਸੰਕੇਤ - ਹਦਾਇਤ ਦੇ ਬਾਅਦ ਇੱਕ "ਸੰਕੇਤ" ਜੋ ਪੂਰਨ ਨੂੰ ਪ੍ਰਾਈਮ ਕਰਦਾ ਹੈ, ਮਾਡਲ ਨੂੰ ਹੋਰ ਸਬੰਧਤ ਜਵਾਬਾਂ ਵੱਲ ਮਾਰਗਦਰਸ਼ਨ ਕਰਦਾ ਹੈ।
- ਟੈਂਪਲੇਟ - ਇਹ ਪ੍ਰੋੰਪਟਾਂ ਲਈ ਦੁਹਰਾਏ ਜਾਣ ਵਾਲੇ 'ਰੇਸਿਪੀ' ਹਨ ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਪਲੇਸਹੋਲਡਰ (ਵੈਰੀਏਬਲ) ਹੁੰਦੇ ਹਨ ਜੋ ਖਾਸ ਉਪਯੋਗਤਾਵਾਂ ਲਈ ਡੇਟਾ ਨਾਲ ਕਸਟਮਾਈਜ਼ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ।
ਆਓ ਇਹਨਾਂ ਨੂੰ ਕਾਰਵਾਈ ਵਿੱਚ ਵੇਖੀਏ।
ਇਹ ਇੱਕ ਤਰੀਕਾ ਹੈ ਜਿੱਥੇ ਤੁਸੀਂ ਪ੍ਰਾਇਮਰੀ ਸਮੱਗਰੀ ਨੂੰ "ਮਾਡਲ ਨੂੰ ਖੁਰਾਕ" ਦੇਣ ਲਈ ਵਰਤਦੇ ਹੋ, ਕੁਝ ਉਦਾਹਰਣਾਂ ਦੇ ਨਾਲ ਇੱਕ ਦਿੱਤੀ ਹਦਾਇਤ ਲਈ ਚਾਹੀਦਾ ਆਉਟਪੁੱਟ, ਅਤੇ ਇਸਨੂੰ ਚਾਹੀਦੇ ਆਉਟਪੁੱਟ ਲਈ ਪੈਟਰਨ ਨੂੰ ਸਮਝਣ ਦਿਓ। ਦਿੱਤੇ ਗਏ ਉਦਾਹਰਣਾਂ ਦੀ ਗਿਣਤੀ ਦੇ ਅਧਾਰ 'ਤੇ, ਅਸੀਂ ਜ਼ੀਰੋ-ਸ਼ਾਟ ਪ੍ਰੋੰਪਟਿੰਗ, ਵਨ-ਸ਼ਾਟ ਪ੍ਰੋੰਪਟਿੰਗ, ਫਿਊ-ਸ਼ਾਟ ਪ੍ਰੋੰਪਟਿੰਗ ਆਦਿ ਕਰ ਸਕਦੇ ਹਾਂ।
ਪ੍ਰੋੰਪਟ ਹੁਣ ਤਿੰਨ ਹਿੱਸਿਆਂ ਵਿੱਚ ਹੁੰਦਾ ਹੈ:
- ਇੱਕ ਕੰਮ ਦਾ ਵੇਰਵਾ
- ਚਾਹੀਦੇ ਆਉਟਪੁੱਟ ਦੇ ਕੁਝ ਉਦਾਹਰਣ
- ਇੱਕ ਨਵੇਂ ਉਦਾਹਰਣ ਦੀ ਸ਼ੁਰੂਆਤ (ਜੋ ਇੱਕ ਅਪਰੋਕਸ਼ ਕੰਮ ਦਾ ਵੇਰਵਾ ਬਣ ਜਾਂਦਾ ਹੈ)
| ਸਿੱਖਣ ਦੀ ਕਿਸਮ | ਪ੍ਰੋੰਪਟ (ਇਨਪੁੱਟ) | ਪੂਰਨ (ਆਉਟਪੁੱਟ) |
|---|---|---|
| ਜ਼ੀਰੋ-ਸ਼ਾਟ | "The Sun is Shining". Translate to Spanish | "El Sol está brillando". |
| ਵਨ-ਸ਼ਾਟ | "The Sun is Shining" => ""El Sol está brillando". "It's a Cold and Windy Day" => |
"Es un día frío y ventoso". |
| ਫਿਊ-ਸ਼ਾਟ | The player ran the bases => Baseball The player hit an ace => Tennis The player hit a six => Cricket The player made a slam-dunk => |
Basketball |
ਨੋਟ ਕਰੋ ਕਿ ਅਸੀਂ ਜ਼ੀਰੋ-ਸ਼ਾਟ ਪ੍ਰੋੰਪਟਿੰਗ ਵਿੱਚ ਸਪਸ਼ਟ ਹਦਾਇਤ ("Translate to Spanish") ਪ੍ਰਦਾਨ ਕਰਨੀ ਪਈ, ਪਰ ਇਹ ਵਨ-ਸ਼ਾਟ ਪ੍ਰੋੰਪਟਿੰਗ ਉਦਾਹਰਣ ਵਿੱਚ ਸਮਝੀ ਜਾਂਦੀ ਹੈ। ਫਿਊ-ਸ਼ਾਟ ਉਦਾਹਰਣ ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਹੋਰ ਉਦਾਹਰਣ ਸ਼ਾਮਲ ਕਰਨ ਨਾਲ ਮਾਡਲਾਂ ਨੂੰ ਹੋਰ ਸ
| 1 | ਜੂਪਿਟਰ ਸੂਰਜ ਤੋਂ ਪੰਜਵਾਂ ਗ੍ਰਹਿ ਹੈ ਅਤੇ ਸੂਰਜ ਮੰਡਲ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਡਾ ਹੈ। ਇਹ ਇੱਕ ਗੈਸ ਜਾਇੰਟ ਹੈ ਜਿਸ ਦਾ ਭਾਰ ਸੂਰਜ ਦੇ ਭਾਰ ਦਾ ਹਜ਼ਾਰਵਾਂ ਹਿੱਸਾ ਹੈ, ਪਰ ਸੂਰਜ ਮੰਡਲ ਦੇ ਬਾਕੀ ਸਾਰੇ ਗ੍ਰਹਿਆਂ ਦੇ ਭਾਰ ਤੋਂ ਦੋ-ਅੱਧ ਗੁਣਾ ਹੈ। ਜੂਪਿਟਰ ਰਾਤ ਦੇ ਆਕਾਸ਼ ਵਿੱਚ ਨੰਗੀ ਅੱਖ ਨਾਲ ਦਿਖਾਈ ਦੇਣ ਵਾਲੀ ਸਭ ਤੋਂ ਚਮਕਦਾਰ ਚੀਜ਼ਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ, ਅਤੇ ਇਹ ਪ੍ਰਾਚੀਨ ਸਭਿਆਚਾਰਾਂ ਨੂੰ ਇਤਿਹਾਸਿਕ ਰਿਕਾਰਡ ਤੋਂ ਪਹਿਲਾਂ ਤੋਂ ਪਤਾ ਸੀ।
ਇਸਦਾ ਸਾਰ ਲਿਖੋ
ਜੋ ਸਾਨੂੰ ਪਤਾ ਲੱਗਾ ਉਹ ਇਹ ਹੈ ਕਿ ਜੂਪਿਟਰ | ਸੂਰਜ ਤੋਂ ਪੰਜਵਾਂ ਗ੍ਰਹਿ ਹੈ ਅਤੇ ਸੂਰਜ ਮੰਡਲ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਡਾ ਹੈ। ਇਹ ਇੱਕ ਗੈਸ ਜਾਇੰਟ ਹੈ ਜਿਸ ਦਾ ਭਾਰ ਸੂਰਜ ਦੇ ਭਾਰ ਦਾ ਹਜ਼ਾਰਵਾਂ ਹਿੱਸਾ ਹੈ, ਪਰ ਸੂਰਜ ਮੰਡਲ ਦੇ ਬਾਕੀ ਸਾਰੇ ਗ੍ਰਹਿਆਂ ਦੇ ਭਾਰ ਤੋਂ ਦੋ-ਅੱਧ ਗੁਣਾ ਹੈ। ਇਹ ਨੰਗੀ ਅੱਖ ਨਾਲ ਆਸਾਨੀ ਨਾਲ ਦਿਖਾਈ ਦੇ ਸਕਦਾ ਹੈ ਅਤੇ ਪ੍ਰਾਚੀਨ ਸਮਿਆਂ ਤੋਂ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ। |
| 2 | ਜੂਪਿਟਰ ਸੂਰਜ ਤੋਂ ਪੰਜਵਾਂ ਗ੍ਰਹਿ ਹੈ ਅਤੇ ਸੂਰਜ ਮੰਡਲ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਡਾ ਹੈ। ਇਹ ਇੱਕ ਗੈਸ ਜਾਇੰਟ ਹੈ ਜਿਸ ਦਾ ਭਾਰ ਸੂਰਜ ਦੇ ਭਾਰ ਦਾ ਹਜ਼ਾਰਵਾਂ ਹਿੱਸਾ ਹੈ, ਪਰ ਸੂਰਜ ਮੰਡਲ ਦੇ ਬਾਕੀ ਸਾਰੇ ਗ੍ਰਹਿਆਂ ਦੇ ਭਾਰ ਤੋਂ ਦੋ-ਅੱਧ ਗੁਣਾ ਹੈ। ਜੂਪਿਟਰ ਰਾਤ ਦੇ ਆਕਾਸ਼ ਵਿੱਚ ਨੰਗੀ ਅੱਖ ਨਾਲ ਦਿਖਾਈ ਦੇਣ ਵਾਲੀ ਸਭ ਤੋਂ ਚਮਕਦਾਰ ਚੀਜ਼ਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ, ਅਤੇ ਇਹ ਪ੍ਰਾਚੀਨ ਸਭਿਆਚਾਰਾਂ ਨੂੰ ਇਤਿਹਾਸਿਕ ਰਿਕਾਰਡ ਤੋਂ ਪਹਿਲਾਂ ਤੋਂ ਪਤਾ ਸੀ।
ਇਸਦਾ ਸਾਰ ਲਿਖੋ
ਸਿਖੇ ਗਏ ਸਿਖਰਲੇ 3 ਤੱਥ: | 1. ਜੂਪਿਟਰ ਸੂਰਜ ਤੋਂ ਪੰਜਵਾਂ ਗ੍ਰਹਿ ਹੈ ਅਤੇ ਸੂਰਜ ਮੰਡਲ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਡਾ ਹੈ।
2. ਇਹ ਇੱਕ ਗੈਸ ਜਾਇੰਟ ਹੈ ਜਿਸ ਦਾ ਭਾਰ ਸੂਰਜ ਦੇ ਭਾਰ ਦਾ ਹਜ਼ਾਰਵਾਂ ਹਿੱਸਾ ਹੈ...
3. ਜੂਪਿਟਰ ਪ੍ਰਾਚੀਨ ਸਮਿਆਂ ਤੋਂ ਨੰਗੀ ਅੱਖ ਨਾਲ ਦਿਖਾਈ ਦੇ ਰਿਹਾ ਹੈ ... |
| | | |
ਪ੍ਰੋੰਪਟ ਟੈਂਪਲੇਟ ਇੱਕ ਪ੍ਰੀ-ਡਿਫਾਈਨਡ ਰੇਸਿਪੀ ਹੈ ਜੋ ਇੱਕ ਪ੍ਰੋੰਪਟ ਲਈ ਬਣਾਇਆ ਜਾਂਦਾ ਹੈ ਅਤੇ ਜ਼ਰੂਰਤ ਪੜਨ 'ਤੇ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਯੂਜ਼ਰ ਅਨੁਭਵਾਂ ਨੂੰ ਜ਼ਿਆਦਾ ਸਥਿਰ ਬਣਾਇਆ ਜਾ ਸਕੇ। ਇਸਦਾ ਸਭ ਤੋਂ ਸਧਾਰਨ ਰੂਪ ਵਿੱਚ, ਇਹ ਸਿਰਫ਼ ਪ੍ਰੋੰਪਟ ਉਦਾਹਰਣਾਂ ਦਾ ਇੱਕ ਸੰਗ੍ਰਹਿ ਹੁੰਦਾ ਹੈ ਜਿਵੇਂ OpenAI ਤੋਂ ਇਹ ਜੋ ਇੰਟਰਐਕਟਿਵ ਪ੍ਰੋੰਪਟ ਕੰਪੋਨੈਂਟ (ਯੂਜ਼ਰ ਅਤੇ ਸਿਸਟਮ ਸੁਨੇਹੇ) ਅਤੇ API-ਚਲਿਤ ਬੇਨਤੀ ਫਾਰਮੈਟ ਦਿੰਦਾ ਹੈ - ਦੁਬਾਰਾ ਵਰਤਣ ਲਈ ਸਹਾਇਕ।
ਇਸਦਾ ਜਟਿਲ ਰੂਪ ਜਿਵੇਂ LangChain ਤੋਂ ਇਹ ਉਦਾਹਰਣ ਪਲੇਸਹੋਲਡਰ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ ਜੋ ਵੱਖ-ਵੱਖ ਸਰੋਤਾਂ (ਯੂਜ਼ਰ ਇਨਪੁਟ, ਸਿਸਟਮ ਸੰਦਰਭ, ਬਾਹਰੀ ਡਾਟਾ ਸਰੋਤ ਆਦਿ) ਤੋਂ ਡਾਟਾ ਨਾਲ ਬਦਲਿਆ ਜਾ ਸਕਦਾ ਹੈ ਤਾਂ ਜੋ ਪ੍ਰੋੰਪਟ ਨੂੰ ਗਤੀਸ਼ੀਲ ਤੌਰ 'ਤੇ ਬਣਾਇਆ ਜਾ ਸਕੇ। ਇਹ ਸਾਨੂੰ ਦੁਬਾਰਾ ਵਰਤਣ ਯੋਗ ਪ੍ਰੋੰਪਟਾਂ ਦੀ ਲਾਇਬ੍ਰੇਰੀ ਬਣਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ ਜੋ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਸਥਿਰ ਯੂਜ਼ਰ ਅਨੁਭਵਾਂ ਨੂੰ ਪ੍ਰੋਗਰਾਮਿੰਗ ਤੌਰ 'ਤੇ ਚਲਾਉਣ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ।
ਅੰਤ ਵਿੱਚ, ਟੈਂਪਲੇਟਾਂ ਦੀ ਅਸਲ ਕੀਮਤ ਪ੍ਰੋੰਪਟ ਲਾਇਬ੍ਰੇਰੀਆਂ ਬਣਾਉਣ ਦੀ ਯੋਗਤਾ ਵਿੱਚ ਹੈ ਜੋ ਖੜੇ ਐਪਲੀਕੇਸ਼ਨ ਡੋਮੇਨ ਲਈ ਹੁੰਦੀ ਹੈ - ਜਿੱਥੇ ਪ੍ਰੋੰਪਟ ਟੈਂਪਲੇਟ ਹੁਣ ਐਪਲੀਕੇਸ਼ਨ-ਵਿਸ਼ੇਸ਼ ਸੰਦਰਭ ਜਾਂ ਉਦਾਹਰਣਾਂ ਨੂੰ ਦਰਸਾਉਣ ਲਈ ਅਨੁਕੂਲਿਤ ਹੁੰਦਾ ਹੈ ਜੋ ਟਾਰਗੇਟ ਯੂਜ਼ਰ ਦਰਸ਼ਕਾਂ ਲਈ ਜਵਾਬਾਂ ਨੂੰ ਹੋਰ ਸਬੰਧਤ ਅਤੇ ਸਹੀ ਬਣਾਉਂਦਾ ਹੈ। Prompts For Edu ਰਿਪੋਜ਼ਟਰੀ ਇਸ ਪਹੁੰਚ ਦਾ ਇੱਕ ਸ਼ਾਨਦਾਰ ਉਦਾਹਰਣ ਹੈ, ਜੋ ਸਿੱਖਿਆ ਖੇਤਰ ਲਈ ਪ੍ਰੋੰਪਟਾਂ ਦੀ ਲਾਇਬ੍ਰੇਰੀ ਨੂੰ ਸੰਗ੍ਰਹਿ ਕਰਦਾ ਹੈ ਜਿਸ ਵਿੱਚ ਪਾਠ ਯੋਜਨਾ, ਪਾਠਕ੍ਰਮ ਡਿਜ਼ਾਈਨ, ਵਿਦਿਆਰਥੀ ਟਿਊਟੋਰਿੰਗ ਆਦਿ ਵਰਗੇ ਮੁੱਖ ਉਦੇਸ਼ਾਂ 'ਤੇ ਜ਼ੋਰ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ।
ਜੇਕਰ ਅਸੀਂ ਪ੍ਰੋੰਪਟ ਬਣਾਉਣ ਨੂੰ ਇੱਕ ਹਦਾਇਤ (ਕੰਮ) ਅਤੇ ਇੱਕ ਟਾਰਗੇਟ (ਮੁੱਖ ਸਮੱਗਰੀ) ਦੇ ਰੂਪ ਵਿੱਚ ਸੋਚਦੇ ਹਾਂ, ਤਾਂ ਦੂਜੀ ਸਮੱਗਰੀ ਇੱਕ ਵਾਧੂ ਸੰਦਰਭ ਦੀ ਤਰ੍ਹਾਂ ਹੈ ਜੋ ਅਸੀਂ ਆਉਟਪੁੱਟ ਨੂੰ ਕਿਸੇ ਤਰੀਕੇ ਨਾਲ ਪ੍ਰਭਾਵਿਤ ਕਰਨ ਲਈ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਾਂ। ਇਹ ਟਿਊਨਿੰਗ ਪੈਰਾਮੀਟਰ, ਫਾਰਮੈਟਿੰਗ ਹਦਾਇਤਾਂ, ਵਿਸ਼ੇ ਟੈਕਸੋਨੋਮੀ ਆਦਿ ਹੋ ਸਕਦੇ ਹਨ ਜੋ ਮਾਡਲ ਨੂੰ ਉਪਭੋਗਤਾ ਦੇ ਉਦੇਸ਼ਾਂ ਜਾਂ ਉਮੀਦਾਂ ਲਈ ਜਵਾਬ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੇ ਹਨ।
ਉਦਾਹਰਣ ਲਈ: ਇੱਕ ਕੋਰਸ ਕੈਟਾਲੌਗ ਦੇ ਨਾਲ ਜਿਸ ਵਿੱਚ ਸਾਰੇ ਉਪਲਬਧ ਕੋਰਸਾਂ ਦੇ ਪਾਠਕ੍ਰਮ ਵਿੱਚ ਨਾਮ, ਵਰਣਨ, ਪੱਧਰ, ਮੈਟਾਡਾਟਾ ਟੈਗ, ਇੰਸਟ੍ਰਕਟਰ ਆਦਿ ਵਰਗੇ ਵਿਆਪਕ ਮੈਟਾਡਾਟਾ ਸ਼ਾਮਲ ਹਨ:
- ਅਸੀਂ "ਫਾਲ 2023 ਲਈ ਕੋਰਸ ਕੈਟਾਲੌਗ ਦਾ ਸਾਰ ਲਿਖੋ" ਲਈ ਇੱਕ ਹਦਾਇਤ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰ ਸਕਦੇ ਹਾਂ।
- ਅਸੀਂ ਕੁਝ ਉਦਾਹਰਣਾਂ ਦੇਣ ਲਈ ਮੁੱਖ ਸਮੱਗਰੀ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹਾਂ।
- ਅਸੀਂ ਦੂਜੀ ਸਮੱਗਰੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸਿਖਰਲੇ 5 "ਟੈਗ" ਦੀ ਪਛਾਣ ਕਰ ਸਕਦੇ ਹਾਂ।
ਹੁਣ, ਮਾਡਲ ਕੁਝ ਉਦਾਹਰਣਾਂ ਦੁਆਰਾ ਦਰਸਾਏ ਫਾਰਮੈਟ ਵਿੱਚ ਸਾਰ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦਾ ਹੈ - ਪਰ ਜੇਕਰ ਕਿਸੇ ਨਤੀਜੇ ਵਿੱਚ ਕਈ ਟੈਗ ਹਨ, ਤਾਂ ਇਹ ਦੂਜੀ ਸਮੱਗਰੀ ਵਿੱਚ ਪਛਾਣ ਕੀਤੇ 5 ਟੈਗਾਂ ਨੂੰ ਤਰਜੀਹ ਦੇ ਸਕਦਾ ਹੈ।
ਹੁਣ ਜਦੋਂ ਸਾਨੂੰ ਪਤਾ ਹੈ ਕਿ ਪ੍ਰੋੰਪਟਾਂ ਨੂੰ ਕਿਵੇਂ ਬਣਾਇਆ ਜਾ ਸਕਦਾ ਹੈ, ਅਸੀਂ ਇਹ ਸੋਚਣਾ ਸ਼ੁਰੂ ਕਰ ਸਕਦੇ ਹਾਂ ਕਿ ਕਿਵੇਂ ਡਿਜ਼ਾਈਨ ਕਰਨਾ ਹੈ ਤਾਂ ਜੋ ਬਿਹਤਰ ਤਰੀਕਿਆਂ ਨੂੰ ਦਰਸਾਇਆ ਜਾ ਸਕੇ। ਅਸੀਂ ਇਸਨੂੰ ਦੋ ਹਿੱਸਿਆਂ ਵਿੱਚ ਸੋਚ ਸਕਦੇ ਹਾਂ - ਸਹੀ ਮਨੋਵਿਰਤੀ ਰੱਖਣਾ ਅਤੇ ਸਹੀ ਤਕਨੀਕਾਂ ਲਾਗੂ ਕਰਨਾ।
ਪ੍ਰੋੰਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਇੱਕ ਟ੍ਰਾਇਲ-ਐਂਡ-ਐਰਰ ਪ੍ਰਕਿਰਿਆ ਹੈ ਇਸ ਲਈ ਤਿੰਨ ਵਿਆਪਕ ਮਾਰਗਦਰਸ਼ਕ ਕਾਰਕਾਂ ਨੂੰ ਯਾਦ ਰੱਖੋ:
-
ਡੋਮੇਨ ਦੀ ਸਮਝ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਜਵਾਬ ਦੀ ਸਹੀਤਾ ਅਤੇ ਸਬੰਧਤਾ ਉਸ ਡੋਮੇਨ ਦਾ ਫੰਕਸ਼ਨ ਹੈ ਜਿਸ ਵਿੱਚ ਉਹ ਐਪਲੀਕੇਸ਼ਨ ਜਾਂ ਯੂਜ਼ਰ ਕੰਮ ਕਰਦਾ ਹੈ। ਆਪਣੀ ਸੂਝ-ਬੂਝ ਅਤੇ ਖੇਤਰ ਦੀ ਮਹਾਰਤ ਨੂੰ ਤਕਨੀਕਾਂ ਨੂੰ ਅਨੁਕੂਲਿਤ ਕਰਨ ਲਈ ਲਾਗੂ ਕਰੋ। ਉਦਾਹਰਣ ਲਈ, ਆਪਣੇ ਸਿਸਟਮ ਪ੍ਰੋੰਪਟਾਂ ਵਿੱਚ ਡੋਮੇਨ-ਵਿਸ਼ੇਸ਼ ਸ਼ਖਸੀਅਤਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ, ਜਾਂ ਆਪਣੇ ਯੂਜ਼ਰ ਪ੍ਰੋੰਪਟਾਂ ਵਿੱਚ ਡੋਮੇਨ-ਵਿਸ਼ੇਸ਼ ਟੈਂਪਲੇਟਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ। ਦੂਜੀ ਸਮੱਗਰੀ ਪ੍ਰਦਾਨ ਕਰੋ ਜੋ ਡੋਮੇਨ-ਵਿਸ਼ੇਸ਼ ਸੰਦਰਭਾਂ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ, ਜਾਂ ਮਾਡਲ ਨੂੰ ਜਾਣ-ਪਛਾਣ ਵਾਲੇ ਵਰਤੋਂ ਦੇ ਪੈਟਰਨਾਂ ਵੱਲ ਦਿਸ਼ਾ ਦੇਣ ਲਈ ਡੋਮੇਨ-ਵਿਸ਼ੇਸ਼ ਸੰਕੇਤ ਅਤੇ ਉਦਾਹਰਣਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ।
-
ਮਾਡਲ ਦੀ ਸਮਝ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਸਾਨੂੰ ਪਤਾ ਹੈ ਕਿ ਮਾਡਲ ਸਟੋਕੈਸਟਿਕ ਹਨ। ਪਰ ਮਾਡਲ ਦੇ ਨਿਰਮਾਣ ਵਿੱਚ ਉਹ ਡਾਟਾਸੈਟ (ਪ੍ਰੀ-ਟ੍ਰੇਨਡ ਗਿਆਨ) ਜੋ ਉਹ ਵਰਤਦੇ ਹਨ, ਉਹਨਾਂ ਦੀਆਂ ਯੋਗਤਾਵਾਂ (ਜਿਵੇਂ API ਜਾਂ SDK ਰਾਹੀਂ) ਅਤੇ ਉਹ ਸਮੱਗਰੀ ਜੋ ਉਹਨਾਂ ਲਈ ਅਨੁਕੂਲਿਤ ਕੀਤੀ ਗਈ ਹੈ (ਜਿਵੇਂ ਕੋਡ ਵਿਰੁੱਧ ਚਿੱਤਰ ਵਿਰੁੱਧ ਪਾਠ) ਵਿੱਚ ਵੀ ਵੱਖ-ਵੱਖ ਹੋ ਸਕਦੀ ਹੈ। ਤੁਸੀਂ ਜੋ ਮਾਡਲ ਵਰਤ ਰਹੇ ਹੋ ਉਸ ਦੀਆਂ ਤਾਕਤਾਂ ਅਤੇ ਸੀਮਾਵਾਂ ਨੂੰ ਸਮਝੋ, ਅਤੇ ਉਸ ਗਿਆਨ ਨੂੰ ਤਰਜੀਹ ਦੇਣ ਵਾਲੇ ਕੰਮਾਂ ਜਾਂ ਅਨੁਕੂਲਿਤ ਟੈਂਪਲੇਟਾਂ ਬਣਾਉਣ ਲਈ ਵਰਤੋ ਜੋ ਮਾਡਲ ਦੀਆਂ ਯੋਗਤਾਵਾਂ ਲਈ ਅਨੁਕੂਲਿਤ ਕੀਤੇ ਗਏ ਹਨ।
-
ਦੁਹਰਾਈ ਅਤੇ ਪ੍ਰਮਾਣਿਕਤਾ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਮਾਡਲ ਤੇਜ਼ੀ ਨਾਲ ਵਿਕਸਿਤ ਹੋ ਰਹੇ ਹਨ, ਅਤੇ ਇਸ ਲਈ ਪ੍ਰੋੰਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਲਈ ਤਕਨੀਕਾਂ ਵੀ। ਇੱਕ ਖੇਤਰ ਦੇ ਮਾਹਰ ਵਜੋਂ, ਤੁਹਾਡੇ ਕੋਲ ਹੋਰ ਸੰਦਰਭ ਜਾਂ ਮਾਪਦੰਡ ਹੋ ਸਕਦੇ ਹਨ ਜੋ ਤੁਹਾਡੇ ਵਿਸ਼ੇਸ਼ ਐਪਲੀਕੇਸ਼ਨ ਲਈ ਹੋ ਸਕਦੇ ਹਨ, ਜੋ ਵੱਡੇ ਸਮੁਦਾਇ 'ਤੇ ਲਾਗੂ ਨਹੀਂ ਹੁੰਦੇ। ਪ੍ਰੋੰਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਟੂਲ ਅਤੇ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ "ਪ੍ਰੋੰਪਟ ਬਣਾਉਣ" ਨੂੰ ਸ਼ੁਰੂ ਕਰਨ ਲਈ, ਫਿਰ ਆਪਣੇ ਅੰਦਰੂਨੀ ਸੂਝ-ਬੂਝ ਅਤੇ ਖੇਤਰ ਦੀ ਮਹਾਰਤ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਨਤੀਜਿਆਂ ਨੂੰ ਦੁਹਰਾਓ ਅਤੇ ਪ੍ਰਮਾਣਿਤ ਕਰੋ। ਆਪਣੇ ਅੰਦਰੂਨੀ ਸੂਝ-ਬੂਝ ਨੂੰ ਰਿਕਾਰਡ ਕਰੋ ਅਤੇ ਇੱਕ ਗਿਆਨ ਅਧਾਰ (ਜਿਵੇਂ ਪ੍ਰੋੰਪਟ ਲਾਇਬ੍ਰੇਰੀਆਂ) ਬਣਾਓ ਜੋ ਭਵਿੱਖ ਵਿੱਚ ਤੇਜ਼ ਦੁਹਰਾਈ ਲਈ ਹੋਰ ਲੋਕਾਂ ਦੁਆਰਾ ਇੱਕ ਨਵਾਂ ਬੇਸਲਾਈਨ ਵਜੋਂ ਵਰਤਿਆ ਜਾ ਸਕੇ।
ਹੁਣ ਆਓ ਆਮ ਬਿਹਤਰ ਤਰੀਕਿਆਂ ਨੂੰ ਵੇਖੀਏ ਜੋ OpenAI ਅਤੇ Azure OpenAI ਦੇ ਮਾਹਰਾਂ ਦੁਆਰਾ ਸਿਫਾਰਸ਼ ਕੀਤੇ ਗਏ ਹਨ।
| ਕੀ | ਕਿਉਂ |
|---|---|
| ਨਵੇਂ ਮਾਡਲਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰੋ। | ਨਵੇਂ ਮਾਡਲ ਜਨਰੇਸ਼ਨ ਵਿੱਚ ਸੰਭਵ ਹੈ ਕਿ ਬਿਹਤਰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਗੁਣਵੱਤਾ ਹੋਵੇ - ਪਰ ਇਹ ਉੱਚੇ ਖਰਚੇ ਵੀ ਲੈ ਕੇ ਆ ਸਕਦੇ ਹਨ। ਪ੍ਰਭਾਵ ਲਈ ਉਹਨਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰੋ, ਫਿਰ ਮਾਈਗ੍ਰੇਸ਼ਨ ਫੈਸਲੇ ਕਰੋ। |
| ਹਦਾਇਤਾਂ ਅਤੇ ਸੰਦਰਭ ਨੂੰ ਵੱਖ ਕਰੋ | ਜਾਂਚ ਕਰੋ ਕਿ ਤੁਹਾਡਾ ਮਾਡਲ/ਪ੍ਰਦਾਤਾ ਡਿਲੀਮੀਟਰ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦਾ ਹੈ ਕਿ ਨਹੀਂ ਤਾਂ ਜੋ ਹਦਾਇਤਾਂ, ਮੁੱਖ ਅਤੇ ਦੂਜੀ ਸਮੱਗਰੀ ਨੂੰ ਹੋਰ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਵੱਖ ਕੀਤਾ ਜਾ ਸਕੇ। ਇਹ ਮਾਡਲਾਂ ਨੂੰ ਟੋਕਨਾਂ ਨੂੰ ਹੋਰ ਸਹੀ ਤੌਰ 'ਤੇ ਭਾਰ ਦੇਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ। |
| ਸਪਸ਼ਟ ਅਤੇ ਸਾਫ਼ ਹੋਵੋ | ਚਾਹੀਦੇ ਸੰਦਰਭ, ਨਤੀਜੇ, ਲੰਬਾਈ, ਫਾਰਮੈਟ, ਸ਼ੈਲੀ ਆਦਿ ਬਾਰੇ ਹੋਰ ਵੇਰਵੇ ਦਿਓ। ਇਹ ਜਵਾਬਾਂ ਦੀ ਗੁਣਵੱਤਾ ਅਤੇ ਸਥਿਰਤਾ ਨੂੰ ਬਿਹਤਰ ਬਣਾਏਗਾ। ਦੁਬਾਰਾ ਵਰਤਣ ਯੋਗ ਟੈਂਪਲੇਟਾਂ ਵਿੱਚ ਰੇਸਿਪੀਆਂ ਨੂੰ ਕੈਪਚਰ ਕਰੋ। |
| ਵੇਰਵੇਦਾਰ ਹੋਵੋ, ਉਦਾਹਰਣਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ | ਮਾਡਲ "ਦਿਖਾਓ ਅਤੇ ਦੱਸੋ" ਪਹੁੰਚ ਲਈ ਬਿਹਤਰ ਜਵਾਬ ਦੇ ਸਕਦੇ ਹਨ। ਇੱਕ ਜ਼ੀਰੋ-ਸ਼ਾਟ ਪਹੁੰਚ ਨਾਲ ਸ਼ੁਰੂ ਕਰੋ ਜਿੱਥੇ ਤੁਸੀਂ ਇਸਨੂੰ ਇੱਕ ਹਦਾਇਤ ਦਿੰਦੇ ਹੋ (ਪਰ ਕੋਈ ਉਦਾਹਰਣ ਨਹੀਂ) ਫਿਰ ਫਿਊ-ਸ਼ਾਟ ਨੂੰ ਸੁਧਾਰ ਵਜੋਂ ਅਜ਼ਮਾਓ, ਚਾਹੀਦੇ ਨਤੀਜੇ ਦੇ ਕੁਝ ਉਦਾਹਰਣ ਦਿੰਦੇ ਹੋ। ਅਨੁਪਮਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ। |
| ਪੂਰਨਤਾ ਨੂੰ ਸ਼ੁਰੂ ਕਰਨ ਲਈ ਸੰਕੇਤ ਦੀ ਵਰਤੋਂ ਕਰੋ | ਇਸਨੂੰ ਕੁਝ ਅਗਲੇ ਸ਼ਬਦਾਂ ਜਾਂ ਵਾਕਾਂਸ਼ਾਂ ਦੇਣ ਦੁਆਰਾ ਚਾਹੀਦੇ ਨਤੀਜੇ ਵੱਲ ਦਿਸ਼ਾ ਦਿਓ ਜੋ ਇਹ ਜਵਾਬ ਲਈ ਸ਼ੁਰੂਆਤ ਵਜੋਂ ਵਰਤ ਸਕਦਾ ਹੈ। |
| ਦੁਹਰਾਈ ਕਰੋ | ਕਈ ਵਾਰ ਤੁਹਾਨੂੰ ਮਾਡਲ ਨੂੰ ਆਪਣੇ ਆਪ ਨੂੰ ਦੁਹਰਾਉਣ ਦੀ ਜ਼ਰੂਰਤ ਹੋ ਸਕਦੀ ਹੈ। ਮੁੱਖ ਸਮੱਗਰੀ ਤੋਂ ਪਹਿਲਾਂ ਅਤੇ ਬਾਅਦ ਹਦਾਇਤਾਂ ਦਿਓ, ਇੱਕ ਹਦਾਇਤ ਅਤੇ ਇੱਕ ਸੰਕੇਤ ਦੀ ਵਰਤੋਂ ਕਰੋ, ਆਦਿ। ਅਜ਼ਮਾਓ ਅਤੇ ਪ੍ਰਮਾਣਿਤ ਕਰੋ ਕਿ ਕੀ ਕੰਮ ਕਰਦਾ ਹੈ। |
| ਕ੍ਰਮ ਮਹੱਤਵਪੂਰਨ ਹੈ | ਜਿਸ ਕ੍ਰਮ ਵਿੱਚ ਤੁਸੀਂ ਮਾਡਲ ਨੂੰ ਜਾਣਕਾਰੀ ਪੇਸ਼ ਕਰਦੇ ਹੋ ਉਹ ਨਤੀਜੇ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰ ਸਕਦਾ ਹੈ, ਇੱਥੋਂ ਤੱਕ ਕਿ ਸਿਖਲਾਈ ਦੇ ਉਦਾਹਰਣਾਂ ਵਿੱਚ ਵੀ, ਤਾਜ਼ਗੀ ਪੱਖਪਾਤ ਦੇ ਕਾਰਨ। ਵੇਖਣ ਲਈ ਵੱਖ-ਵੱਖ ਵਿਕਲਪਾਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ ਕਿ ਕੀ ਸਭ ਤੋਂ ਵਧੀਆ ਕੰਮ ਕਰਦਾ ਹੈ। |
| ਮਾਡਲ ਨੂੰ "ਬਾਹਰ" ਦਿਓ | ਮਾਡਲ ਨੂੰ ਇੱਕ ਫਾਲਬੈਕ ਪੂਰਨਤਾ ਜਵਾਬ ਦਿਓ ਜੋ ਇਹ ਪ੍ਰਦਾਨ ਕਰ |
ਅਸਵੀਕਰਤਾ:
ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ Co-op Translator ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੀਤਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਇਸ ਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।