یہ ماڈیول جنریٹیو AI ماڈلز میں مؤثر پرامپٹس بنانے کے لیے ضروری تصورات اور تکنیکوں کا احاطہ کرتا ہے۔ LLM کو اپنا پرامپٹ لکھنے کا طریقہ بھی اہمیت رکھتا ہے۔ ایک باریک بینی سے تیار کیا گیا پرامپٹ بہتر نوعیت کا ردعمل حاصل کر سکتا ہے۔ مگر بالکل "پرامپٹ" اور "پرامپٹ انجینئرنگ" جیسے اصطلاحات کا کیا مطلب ہے؟ اور میں LLM کو بھیجے جانے والے پرامپٹ ان پٹ میں کیسے بہتری لا سکتا ہوں؟ یہ وہ سوالات ہیں جن کے ہم اس باب اور اگلے میں جواب دینے کی کوشش کریں گے۔
جنریٹیو AI صارف کی درخواستوں کے جواب میں نئی مواد (مثلاً متن، تصاویر، صوت، کوڈ وغیرہ) تخلیق کرنے کی صلاحیت رکھتا ہے۔ یہ OpenAI کے GPT ("Generative Pre-trained Transformer") سیریز جیسے بڑے زبان ماڈلز کے ذریعے حاصل کرتا ہے جو قدرتی زبان اور کوڈ کے استعمال کے لیے تربیت یافتہ ہیں۔
صارفین اب ان ماڈلز سے چیٹ جیسی مانوس طرز پر بات چیت کر سکتے ہیں، بغیر کسی تکنیکی مہارت یا تربیت کے۔ ماڈلز پرامپٹ پر مبنی ہوتے ہیں - صارفین ایک متنی ان پٹ (پرامپٹ) بھیجتے ہیں اور AI کا جواب (تکمیل) واپس حاصل کرتے ہیں۔ پھر وہ "AI کے ساتھ چیٹ" تسلسل میں کر سکتے ہیں، ملٹی ٹرن بات چیت میں، اپنے پرامپٹ کو بہتر کرتے ہوئے جب تک جواب ان کی توقعات سے میل نہ کھائے۔
"پرامپٹس" اب جنریٹیو AI ایپس کے لیے بنیادی پروگرامنگ انٹرفیس بن جاتے ہیں، جو ماڈلز کو بتاتے ہیں کہ کیا کرنا ہے اور واپس آنے والے جوابات کے معیار پر اثر انداز ہوتے ہیں۔ "پرامپٹ انجینئرنگ" ایک تیزی سے بڑھتا ہوا مطالعہ کا میدان ہے جو مستحکم اور معیاری جوابات فراہم کرنے کے لیے پرامپٹس کے ڈیزائن اور آپٹیمائزیشن پر توجہ دیتا ہے۔
اس سبق میں، ہم جانیں گے کہ پرامپٹ انجینئرنگ کیا ہے، یہ کیوں اہم ہے، اور کسی مخصوص ماڈل اور ایپلیکیشن مقصد کے لیے زیادہ مؤثر پرامپٹس کیسے تیار کیے جا سکتے ہیں۔ ہم بنیادی تصورات اور پرامپٹ انجینئرنگ کی بہترین عملی طریقوں کو سمجھیں گے - اور ایک انٹرایکٹو جیوپیٹر نوٹ بکس کے "سینڈباکس" ماحول کے بارے میں بھی جانیں گے جہاں ہم ان تصورات کو حقیقی مثالوں پر لاگو ہوتے دیکھ سکتے ہیں۔
سبق کے اختتام تک ہم یہ کر سکیں گے:
- وضاحت کریں کہ پرامپٹ انجینئرنگ کیا ہے اور یہ کیوں اہم ہے۔
- پرامپٹ کے اجزاء اور ان کے استعمال کو بیان کریں۔
- پرامپٹ انجینئرنگ کی بہترین مشقیں اور تکنیکیں سیکھیں۔
- سیکھی گئی تکنیکوں کو حقیقی مثالوں میں لاگو کریں، OpenAI اینڈپوائنٹ استعمال کرتے ہوئے۔
پرامپٹ انجینئرنگ: AI ماڈلز کو مطلوبہ آؤٹ پُٹس پیدا کرنے کے لیے ان پٹس کو ڈیزائن اور بہتر بنانے کا عمل۔ ٹوکینائزیشن: متن کو چھوٹے حصوں میں تبدیل کرنے کا عمل، جنہیں ٹوکنز کہتے ہیں، جنہیں ماڈل سمجھ اور پروسیس کر سکتا ہے۔ انسٹرکشن-ٹیونڈ LLMs: بڑے زبان ماڈلز (LLMs) جنہیں مخصوص ہدایات کے ساتھ بہتر ردعمل کی درستگی اور مطابقت کے لیے فائن ٹیون کیا گیا ہو۔
پرامپٹ انجینئرنگ فی الوقت زیادہ فن ہے بجائے سائنس کے۔ اس کی سمجھ بوجھ کو بہتر بنانے کا بہترین طریقہ یہ ہے کہ زیادہ مشق کریں اور ایک آزمائشی و غلطی والا طریقہ اپنائیں جو ایپلیکیشن کے شعبے کی مہارت کو سفارش کردہ تکنیکوں اور ماڈل مخصوص آپٹیمائزیشنز کے ساتھ جوڑتا ہے۔
اس سبق کے ساتھ جیوپیٹر نوٹ بک ایک سینڈباکس ماحول فراہم کرتا ہے جہاں آپ سیکھے گئے اسباق کو آزما سکتے ہیں - جیسے ہی آپ آگے بڑھیں یا آخر میں کوڈ چیلنج کے حصے کے طور پر۔ مشقیں چلانے کے لیے آپ کو چاہیے:
- ایک Azure OpenAI API کلید - کسی تعین شدہ LLM کے لیے سروس اینڈپوائنٹ۔
- ایک پائتھن رن ٹائم - جس میں نوٹ بک چل سکے۔
- مقامی ماحول کے متغیرات - ابھی SETUP کے مراحل مکمل کریں تاکہ تیار ہو جائیں۔
نوٹ بک کے ساتھ ابتدائی مشقیں آتی ہیں - لیکن آپ کو ترغیب دی جاتی ہے کہ اپنے اپنے مارک ڈاؤن (تفصیل) اور کوڈ (پرامپٹ درخواستیں) سیکشنز شامل کریں تاکہ مزید مثالیں یا خیالات آزما سکیں - اور پرامپٹ ڈیزائن کے لیے اپنی سمجھ بڑھا سکیں۔
کیا آپ یہ جاننا چاہتے ہیں کہ یہ سبق کب اور کیا کور کرے گا؟ اس تصویری رہنما کو دیکھیں، جو آپ کو اہم موضوعات اور ہر ایک کے بارے میں سوچنے کے لیے کلیدی نکات کا ایک جائزہ دیتا ہے۔ سبق کا روڈ میپ آپ کو بنیادی تصورات اور چیلنجز کو سمجھنے سے لے کر پرامپٹ انجینئرنگ کی متعلقہ تکنیکوں اور بہترین طریقوں کے ذریعے ان کا حل تلاش کرنے تک لے جاتا ہے۔ نوٹ کریں کہ اس رہنما میں "اعلیٰ تکنیکیں" کا سیکشن اس نصاب کے اگلے باب کا حوالہ دیتا ہے۔
اب، آئیں بات کریں کہ یہ موضوع ہماری اسٹارٹ اپ مشن سے کیسے متعلق ہے، یعنی تعلیم میں AI جدت لانا۔ ہم AI سے چلنے والی ذاتی نوعیت کی تعلیم کی ایپلیکیشنز بنانا چاہتے ہیں - تو آئیے سوچیں کہ ہمارے ایپلیکیشن کے مختلف صارفین "پرامپٹس" کیسے "ڈیزائن" کر سکتے ہیں:
- ایڈمنسٹریٹرز AI سے پوچھ سکتے ہیں کہ نصاب کے ڈیٹا کا تجزیہ کرے تاکہ کور ہونے والے علاقوں میں خلا کو پہچانا جا سکے۔ AI نتائج کا خلاصہ کر سکتا ہے یا انہیں کوڈ کے ساتھ بصری شکل دے سکتا ہے۔
- اساتذہ AI سے پوچھ سکتے ہیں کہ ہدف بنائے گئے ناظرین اور موضوع کے لیے ایک درس منصوبہ تیار کرے۔ AI مخصوص فارمیٹ میں ذاتی نوعیت کا منصوبہ بنا سکتا ہے۔
- طلباء AI سے پوچھ سکتے ہیں کہ مشکل مضمون میں ان کی رہنمائی کرے۔ AI اب ایسے اسباق، اشارے اور مثالیں فراہم کر سکتا ہے جو ان کے سطح کے مطابق ہوں۔
یہ صرف ایک چھوٹا حصہ ہے۔ Prompts For Education دیکھیں — ایک اوپن سورس پرامپٹس لائبریری جو تعلیم کے ماہرین نے تیار کی ہے — تاکہ امکانات کا ایک وسیع تر اندازہ لگایا جا سکے! کچھ پرامپٹس سینڈباکس یا OpenAI پلے گراؤنڈ میں چلائیں اور دیکھیں کیا ہوتا ہے!
ہم نے اس سبق کا آغاز کیا پرامپٹ انجینئرنگ کی تعریف کرتے ہوئے کہ یہ متن کے ان پٹس (پرامپٹس) کو اس طرح ڈیزائن اور بہتر بنانے کا عمل ہے جو کسی مخصوص ایپلیکیشن مقصد اور ماڈل کے لیے معیاری اور مسلسل جوابات (تکمیل) فراہم کرے۔ ہم اسے دو قدمی عمل کے طور پر سوچ سکتے ہیں:
- کسی مخصوص ماڈل اور مقصد کے لیے ابتدائی پرامپٹ ڈیزائن کرنا
- ردعمل کے معیار کو بہتر بنانے کے لیے پرامپٹ کو مرحلہ وار بہتر بنانا
یہ لازمی طور پر ایک آزمائشی و غلطی والا عمل ہے جو بہترین نتائج کے لیے صارف کی سمجھ اور کوشش کا متقاضی ہے۔ تو یہ کیوں اہم ہے؟ اس سوال کا جواب دینے کے لیے ہمیں پہلے تین تصورات کو سمجھنا ہوگا:
- ٹوکینائزیشن = ماڈل پرامپٹ کو کیسے "دیکھتا" ہے
- بیس LLMs = بنیاد ماڈل پرامپٹ کو کیسے "پروسیس" کرتا ہے
- انسٹرکشن-ٹیونڈ LLMs = ماڈل اب کیسے "مشن" دیکھ سکتا ہے
ایک LLM پرامپٹس کو ٹوکنز کے تسلسل کے طور پر دیکھتا ہے جہاں مختلف ماڈلز (یا ماڈل کے مختلف ورژنز) ایک ہی پرامپٹ کو مختلف طریقوں سے ٹوکنائز کر سکتے ہیں۔ چونکہ LLMs کو ٹوکنز پر تربیت دی جاتی ہے (خام متن پر نہیں)، اس لیے پرامپٹس کیسے ٹوکنائز ہوتے ہیں اس کا براہ راست اثر پیدا کردہ جواب کے معیار پر ہوتا ہے۔
ٹوکینائزیشن کو سمجھنے کے لیے، OpenAI Tokenizer جیسے اوزار آزما کر دیکھیں جو نیچے دکھایا گیا ہے۔ اپنے پرامپٹ کو کاپی کریں — اور دیکھیں کہ یہ کیسے ٹوکنز میں تبدیل ہوتا ہے، خاص طور پر اس بات پر غور کریں کہ وائٹ اسپیس کردار اور رموز کیسے سنبھالے جاتے ہیں۔ نوٹ کریں یہ مثال ایک پرانے LLM (GPT-3) کی ہے — تو جدید ماڈل کے ساتھ آزمانے پر مختلف نتیجہ آ سکتا ہے۔
ایک بار جب پرامپٹ ٹوکنائز ہو جاتا ہے، تو "بیس LLM" (یا فاؤنڈیشن ماڈل) کا بنیادی کام اس تسلسل میں اگلے ٹوکن کی پیش گوئی کرنا ہوتا ہے۔ چونکہ LLMs کو وسیع متن کے ڈیٹا سیٹس پر تربیت دی گئی ہے، انہیں ٹوکنز کے مابین شماریاتی تعلقات کا اچھا اندازہ ہوتا ہے اور وہ اعتماد کے ساتھ پیش گوئی کر سکتے ہیں۔ یہ نوٹ کرنا ضروری ہے کہ وہ پرامپٹ یا ٹوکن کے الفاظ کے معنی کو نہیں سمجھتے؛ وہ صرف ایک نمونہ دیکھتے ہیں جسے اپنی اگلی پیش گوئی سے "مکمل" کر سکتے ہیں۔ وہ اس تسلسل کی پیش گوئی جاری رکھ سکتے ہیں جب تک صارف مداخلت نہ کرے یا کوئی پیشگی شرط پوری نہ ہو۔
کیا آپ دیکھنا چاہتے ہیں کہ پرامپٹ پر مبنی تکمیل کیسے کام کرتی ہے؟ اوپر والا پرامپٹ Azure OpenAI Studio کے Chat Playground میں ڈیفالٹ سیٹنگز کے ساتھ داخل کریں۔ سسٹم اس طرح ترتیب دیا گیا ہے کہ پرامپٹس کو معلومات کی درخواست کے طور پر سمجھے — لہٰذا آپ کو ایک ایسا جواب دیکھنا چاہیے جو اس سیاق و سباق کو پورا کرے۔
لیکن اگر صارف کوئی خاص چیز دیکھنا چاہتا ہو جو کسی معیار یا مشن کے مقصد پر پورا اترے؟ یہاں انسٹرکشن-ٹیونڈ LLMs منظر میں آتے ہیں۔
ایک انسٹرکشن-ٹیونڈ LLM بنیاد ماڈل سے شروع ہوتا ہے اور اسے مثالوں یا ان پٹ/آؤٹ پٹ جوڑوں (مثلاً ملٹی ٹرن "مسیجز") کے ساتھ بہتر انداز میں تربیت دیتا ہے جن میں واضح ہدایات ہو سکتی ہیں — اور AI کا جواب کوشش کرتا ہے کہ ان ہدایات کی پیروی کرے۔
یہ ری انفورسمنٹ لرننگ ود ہیومن فیڈبیک (RLHF) جیسی تکنیکیں استعمال کرتا ہے جو ماڈل کو ہدایات کی پیروی کرنا اور فیڈبیک سے سیکھنا سکھاتی ہیں تاکہ یہ ایسے جوابات پیدا کرے جو عملی استعمالات کے لیے زیادہ موزوں اور صارف کے مقاصد کے متعلقہ ہوں۔
آئیے اسے آزمائیں — اوپر والے پرامپٹ پر واپس جائیں، مگر اب سسٹم میسج کو بدل کر درج ذیل ہدایت بطور سیاق و سباق فراہم کریں:
آپ کو دی گئی مواد کو دوسرے درجے کے طالب علم کے لیے خلاصہ کریں۔ نتیجہ ایک پیراگراف میں 3-5 بلٹ پوائنٹس کے ساتھ محدود رکھیں۔
دیکھیں کہ نتیجہ اب مطلوبہ مقصد اور فارمیٹ کی عکاسی کرتا ہے؟ ایک استاد اب اس جواب کو براہ راست اپنی اسباق کی سلائیڈز میں استعمال کر سکتا ہے۔
اب جب کہ ہم جان چکے کہ LLMs پرامپٹس کو کیسے پروسیس کرتے ہیں، آئیے بات کریں کہ ہمیں پرامپٹ انجینئرنگ کیوں درکار ہے۔ جواب اس حقیقت میں مضمر ہے کہ موجودہ LLMs ایسی متعدد چیلنجز پیش کرتے ہیں جو قابل اعتماد اور مستقل تکمیلیں حاصل کرنا مشکل بناتے ہیں، اگر پرامپٹ کی تعمیر اور آپٹیمائزیشن پر محنت نہ کی جائے۔ مثال کے طور پر:
-
ماڈل جوابات میں تصادفی پن ہوتا ہے۔ ایک ہی پرامپٹ مختلف ماڈلز یا ماڈل ورژنز کے ساتھ ممکنہ طور پر مختلف جوابات پیدا کرے گا۔ اور یہی ماڈل مختلف اوقات میں بھی مختلف نتائج دے سکتا ہے۔ پرامپٹ انجینئرنگ کی تکنیکیں ان تغیرات کو کم کرنے میں مدد دیتی ہیں تاکہ بہتر حفاظت فراہم کی جاسکے۔
-
ماڈلز جوابات گھڑ سکتے ہیں۔ ماڈلز کو بہت بڑے مگر محدود ڈیٹا سیٹس پر تربیت دی گئی ہے، جس کا مطلب ہے کہ وہ اس تربیتی دائرہ کار کے باہر کے تصورات سے ناواقف ہوتے ہیں۔ نتیجتاً، وہ ایسے جوابات پیدا کر سکتے ہیں جو غلط، فرضی یا معلوم حقائق سے براہ راست متصادم ہوں۔ پرامپٹ انجینئرنگ تکنیکیں صارفین کو ایسی تخلیقات کی شناخت اور ان کو کم کرنے میں مدد دیتی ہیں، مثلاً AI سے حوالہ جات یا استدلال طلب کر کے۔
-
ماڈلز کی صلاحیتیں مختلف ہوں گی۔ نئے ماڈلز یا ماڈل جنریشنز کے پاس زیادہ صلاحیتیں ہوں گی مگر وہ منفرد خامیاں اور لاگت و پیچیدگی کے لحاظ سے مختلف تقاضے لے کر آتے ہیں۔ پرامپٹ انجینئرنگ ہمیں ایسی بہترین مشقیں اور ورک فلو تیار کرنے میں مدد دیتی ہے جو ان فرقوں کو چھپا کر، ماڈل مخصوص تقاضوں کے مطابق اسکال ایبل اور ہم آہنگ طریقوں سے قابو پائیں۔
آئیے OpenAI یا Azure OpenAI پلے گراؤنڈ میں اسے عملی طور پر دیکھیں:
- مختلف LLM ڈپلائمنٹس (مثلاً OpenAI، Azure OpenAI، Hugging Face) کے ساتھ ایک ہی پرامپٹ استعمال کریں — کیا آپ نے تغیرات دیکھے؟
- ایک ہی LLM ڈپلائمنٹ (مثلاً Azure OpenAI پلے گراؤنڈ) کے ساتھ بار بار ایک ہی پرامپٹ استعمال کریں — یہ تغیرات کیسے مختلف تھے؟
اس کورس میں، ہم اصطلاح "تخلیق" کا استعمال اس ظہور کے حوالے سے کرتے ہیں جہاں LLMs اپنی تربیت یا دیگر محدودیتوں کی وجہ سے بعض اوقات غیر حقیقی معلومات تخلیق کرتے ہیں۔ آپ نے شاید اسے عام مضامین یا تحقیقی مقالوں میں "ہیلوسینیشنز" کے طور پر سنا ہو۔ تاہم، ہم سختی سے سفارش کرتے ہیں کہ "تخلیق" کی اصطلاح استعمال کی جائے تاکہ ہم مشینی نتیجے کو انسانی خصوصیت سے منسوب کرنے سے گریز کریں۔ یہ ذمہ دار AI رہنما خطوط کے لحاظ سے بھی بہتر ہے، کیونکہ یہ ایسے الفاظ کو ہٹاتا ہے جو بعض مواقع پر توہین آمیز یا غیر شمولیتی سمجھے جا سکتے ہیں۔
تخلیقات کے کام کرنے کا اندازہ لگانا چاہتے ہیں؟ ایسی مثال سوچیں جو AI کو ایسی موضوع پر مواد پیدا کرنے کی ہدایت دے جو وجود نہیں رکھتا (تاکہ یہ تربیتی ڈیٹا میں نہ ہو)۔ مثلاً — میں نے یہ پرامپٹ آزمایا:
پرامپٹ: مریخی جنگ 2076 پر درس منصوبہ تیار کریں۔ ایک ویب سرچ نے مجھے دکھایا کہ مریخی جنگوں پر فرضی کہانیاں (مثلاً، ٹیلی ویژن سیریز یا کتابیں) موجود تھیں - لیکن 2076 میں کوئی نہیں۔ عام فہم بھی یہ کہتا ہے کہ 2076 مستقبل میں ہے اور اس لیے، اسے کسی حقیقی واقعے سے منسلک نہیں کیا جا سکتا۔
تو کیا ہوتا ہے جب ہم اس پرامپٹ کو مختلف LLM فراہم کنندگان کے ساتھ چلائیں؟
جواب 1: OpenAI Playground (GPT-35)
جواب 2: Azure OpenAI Playground (GPT-35)
جواب 3: : Hugging Face Chat Playground (LLama-2)
جیسا کہ متوقع تھا، ہر ماڈل (یا ماڈل ورژن) اسٹیچیسٹک رویے اور ماڈل کی صلاحیت میں مختلف ہونے کی وجہ سے تھوڑا مختلف ردعمل پیدا کرتا ہے۔ مثلاً، ایک ماڈل آٹھویں جماعت کے طلباء کو مخاطب کرتا ہے جب کہ دوسرا ہائی اسکول کے طالب علم کو فرض کرتا ہے۔ لیکن تینوں ماڈلز نے ایسے جوابات دیے جو غیر باخبر صارف کو قائل کر سکتے ہیں کہ یہ واقعہ حقیقی تھا۔
پرامپٹ انجینئرنگ تکنیک جیسا کہ میٹا پرامپٹنگ اور ٹیمپریچر کنفیگریشن ماڈل کی ساخت سازی کو کچھ حد تک کم کر سکتی ہیں۔ نئی پرامپٹ انجینئرنگ آرکیٹیکچرز بھی نئے آلات اور تکنیک کو پرامپٹ کے بہاؤ میں بغیر کسی رکاوٹ کے شامل کرتی ہیں، تاکہ ان اثرات کو کم یا روکا جا سکے۔
آئیے اس سیکشن کو ختم کرتے ہیں اور دیکھتے ہیں کہ پرامپٹ انجینئرنگ حقیقی دنیا کے حل میں کیسے استعمال ہوتی ہے، ایک کیس اسٹڈی: GitHub Copilot کے ذریعے۔
GitHub Copilot آپ کا "AI جوڑی پروگرامر" ہے - یہ ٹیکسٹ پرامپٹس کو کوڈ مکمل کرنے میں تبدیل کرتا ہے اور آپ کے ڈیویلپمنٹ ماحول (مثلاً، Visual Studio Code) میں مربوط ہے تاکہ ایک ہموار صارف تجربہ فراہم کرے۔ نیچے دی گئی بلاگز کی سیریز میں دستاویزی ہے کہ ابتدائی ورژن OpenAI Codex ماڈل پر مبنی تھا - جہاں انجینئرز نے جلدی ماڈل کو بہتر بنانے اور بہتر پرامپٹ انجینئرنگ تکنیک تیار کرنے کی ضرورت محسوس کی، تاکہ کوڈ کی کوالٹی بہتر ہو۔ جولائی میں، انہوں نے ایک بہتر AI ماڈل متعارف کرایا جو Codex سے آگے جاتا ہے تاکہ تجویزات کو اور بھی تیز بنایا جا سکے۔
ان مضامین کو ترتیب سے پڑھیں، تاکہ ان کے سیکھنے کے سفر کو سمجھ سکیں۔
- مئی 2023 | GitHub Copilot آپ کے کوڈ کو سمجھنے میں بہتر ہو رہا ہے
- مئی 2023 | GitHub کے اندر: GitHub Copilot کے پیچھے LLMs کے ساتھ کام
- جون 2023 | GitHub Copilot کے لیے بہتر پرامپٹ کیسے لکھیں
- جولائی 2023 | .. GitHub Copilot ایک بہتر AI ماڈل کے ساتھ Codex سے آگے جاتا ہے
- جولائی 2023 | پرامپٹ انجینئرنگ اور LLMs کے لیے ڈویلپر کی گائیڈ
- ستمبر 2023 | انٹرپرائز LLM ایپ کیسے بنائیں: GitHub Copilot سے سبق
آپ مزید بلاگز جیسے کہ یہاں انجینئرنگ بلاگ میں بھی دیکھ سکتے ہیں جو دکھاتا ہے کہ یہ ماڈلز اور تکنیک حقیقی دنیا کی ایپلیکیشنز کے لیے کیسے لاگو کی جاتی ہیں۔
ہم نے دیکھا کہ پرامپٹ انجینئرنگ کیوں اہم ہے - اب آئیے سمجھتے ہیں کہ پرامپٹس کیسے تعمیر کیے جاتے ہیں تاکہ ہم مختلف تکنیکوں کا جائزہ لے سکیں اور زیادہ مؤثر پرامپٹ ڈیزائن کر سکیں۔
آئیے بنیادی پرامپٹ سے شروع کرتے ہیں: ایک ٹیکسٹ ان پٹ جو ماڈل کو بغیر کسی اور سیاق و سباق کے بھیجی جاتی ہے۔ یہاں ایک مثال ہے - جب ہم امریکی قومی ترانے کے پہلے چند الفاظ OpenAI Completion API کو بھیجتے ہیں تو یہ فوری طور پر اگلی چند سطریں مکمل کر دیتا ہے، جو بنیادی پیش گوئی رویے کی وضاحت کرتا ہے۔
| پرامپٹ (ان پٹ) | تکمیل (آؤٹ پٹ) |
|---|---|
| Oh say can you see | لگتا ہے کہ آپ "The Star-Spangled Banner" کے بول شروع کر رہے ہیں، جو امریکہ کا قومی ترانہ ہے۔ مکمل بول یہ ہیں ... |
اب ہم اس بنیادی پرامپٹ میں سیاق و سباق اور ہدایات شامل کرتے ہیں۔ Chat Completion API ہمیں ایک پیچیدہ پرامپٹ بنانے دیتا ہے جو ایک مجموعہ ہوتا ہے پیغامات کا، جن میں شامل ہیں:
- ان پٹ / آؤٹ پٹ جوڑے جو صارف کی ان پٹ اور اسسٹنٹ کے جواب کو ظاہر کرتے ہیں۔
- سسٹم میسج جو اسسٹنٹ کے رویے یا شخصیت کے سیاق و سباق کو سیٹ کرتا ہے۔
اب درخواست درج ذیل صورت میں ہے، جہاں ٹوکینائزیشن مؤثر طریقے سے سیاق و سباق اور بات چیت سے متعلق معلومات کو گرفت میں لیتی ہے۔ اب، سسٹم سیاق و سباق میں تبدیلی کا اثر تکمیل کے معیار پر اتنا ہی ہو سکتا ہے جتنا کہ صارف کی جانب سے فراہم کردہ ان پٹ کا۔
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?"}
]
)مندرجہ بالا مثالوں میں، صارف کا پرامپٹ ایک سادہ ٹیکسٹ سوال تھا جسے معلومات کی درخواست کے طور پر سمجھا جا سکتا ہے۔ ہدایتی پرامپٹس کے ساتھ، ہم اس ٹیکسٹ کو استعمال کر کے کسی کام کی تفصیل دے سکتے ہیں، AI کو بہتر رہنمائی فراہم کرتے ہوئے۔ یہاں ایک مثال ہے:
| پرامپٹ (ان پٹ) | تکمیل (آؤٹ پٹ) | ہدایت کی قسم |
|---|---|---|
| Write a description of the Civil War | ایک سادہ پیراگراف لوٹا | سادہ |
| Write a description of the Civil War. Provide key dates and events and describe their significance | ایک پیراگراف کے بعد اہم واقعات کی تاریخوں کی فہرست لوٹائی | پیچیدہ |
| 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 | مزید تفصیلی متن باکس JSON کی شکل میں لوٹاتا ہے جسے آپ فائل میں کاپی پیسٹ کر کے ویلیڈیٹ کر سکتے ہیں | پیچیدہ۔ فارمیٹ کیا ہوا۔ |
مندرجہ بالا مثالوں میں، پرامپٹ ابھی بھی کافی کھلا ہوا تھا، جس سے LLM فیصلہ کرتا ہے کہ اس کا پہلے سے تربیت یافتہ ڈیٹا سیٹ کا کون سا حصہ متعلقہ ہے۔ بنیادی مواد ڈیزائن پیٹرن کے ساتھ، ان پٹ ٹیکسٹ دو حصوں میں تقسیم کیا جاتا ہے:
- ایک ہدایت (عمل)
- متعلقہ مواد (جو عمل کو متاثر کرتا ہے)
یہاں ایک مثال ہے جہاں ہدایت ہے "اس کا خلاصہ 2 جملوں میں کریں"۔
| پرامپٹ (ان پٹ) | تکمیل (آؤٹ پٹ) |
|---|---|
| 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، سورج سے پانچواں سیارہ، نظام شمسی کا سب سے بڑا سیارہ ہے اور رات کے آسمان پر سب سے چمکدار اجسام میں سے ایک ہے۔ یہ رومی دیوتا Jupiter کے نام پر رکھا گیا ہے اور یہ ایک گیس بڑا سیارہ ہے جس کا وزن نظام شمسی کے تمام دوسرے سیاروں کے مجموعے کے دو اور آدھ گنا ہے۔ |
بنیادی مواد سیکشن کو مختلف طریقوں سے استعمال کیا جا سکتا ہے تاکہ زیادہ مؤثر ہدایات دی جا سکیں:
- مثالیں - ماڈل کو واضح ہدایت کے بجائے یہ بتائیں کہ کیا کرنا ہے اور ماڈل پیٹرن کا اندازہ لگائے۔
- اشارے - ہدایت کے بعد ایک "اشارہ" دیں جو تکمیل کو مائل کرے، ماڈل کو زیادہ متعلقہ جوابات کی طرف رہنمائی کرے۔
- سانچے - یہ قابلِ تکرار 'نسخے' ہوتے ہیں جن میں متغیرات (variables) کے ساتھ پرامپٹس شامل ہوتے ہیں جو مخصوص استعمال کے لیے ڈیٹا سے حسب ضرورت بنائے جا سکتے ہیں۔
آئیے ان کو عمل میں دیکھتے ہیں۔
یہ ایک طریقہ ہے جہاں آپ بنیادی مواد کو ماڈل کو مطلوبہ آؤٹ پٹ کی چند مثالیں فراہم کرنے کے لیے استعمال کرتے ہیں، اور ماڈل کو مطلوبہ آؤٹ پٹ کے پیٹرن کا اندازہ لگانے دیتے ہیں۔ فراہم کردہ مثالوں کی تعداد کے مطابق، ہمارے پاس زیرو شاٹ، ون شاٹ، فیو شاٹ پرامپٹنگ ہو سکتی ہے۔
پرامپٹ اب تین اجزاء پر مشتمل ہوتا ہے:
- کام کی وضاحت
- مطلوبہ آؤٹ پٹ کی چند مثالیں
- ایک نئی مثال کا آغاز (جو ضمنی طور پر کام کی وضاحت بن جاتا ہے)
| سیکھنے کی قسم | پرامپٹ (ان پٹ) | تکمیل (آؤٹ پٹ) |
|---|---|---|
| زیرو شاٹ | "The Sun is Shining". Translate to Spanish | "El Sol está brillando". |
| ون شاٹ | "The Sun is Shining" => ""El Sol está brillando". "It's a Cold and Windy Day" => |
"Es un día frío y ventoso". |
| فیو شاٹ | 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 |
دیکھیں کہ زیرو شاٹ پرامپٹنگ میں ہمیں واضح ہدایت ("Translate to Spanish") دینی پڑتی ہے، لیکن ون شاٹ کی مثال میں یہ اندازہ ہو جاتا ہے۔ فیو شاٹ کی مثال دکھاتی ہے کہ مزید مثالیں دے کر ماڈلز بہتر اندازہ لگا سکتے ہیں بغیر کوئی اضافی ہدایت دیے۔
بنیادی مواد کو استعمال کرنے کی ایک اور تکنیک اشارے فراہم کرنا ہے بجائے مثالوں کے۔ اس صورت میں، ہم ماڈل کو مطلوبہ جواب کے فارمیٹ کی ایک جھلک دے کر اسے صحیح سمت میں دھکا دیتے ہیں۔ ماڈل پھر "اشارہ لے کر" اسی انداز میں آگے بڑھتا ہے۔
| اشاروں کی تعداد | پرامپٹ (ان پٹ) | تکمیل (آؤٹ پٹ) |
|---|---|---|
| 0 | 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. Summarize This |
Jupiter نظام شمسی کا سب سے بڑا سیارہ ہے اور سورج سے پانچواں سیارہ ہے۔ یہ ایک گیس بڑا سیارہ ہے جس کا وزن سورج کے وزن کا 1/1000 حصہ ہے، لیکن یہ تمام دوسرے سیاروں کے مجموعی وزن سے زیادہ بھاری ہے۔ قدیم تہذیبوں کو طویل عرصے سے Jupiter کا علم ہے اور یہ رات کے آسمان میں آسانی سے دکھائی دیتا ہے۔ |
| 1 | مشتری پانچواں سیارہ ہے جو سورج سے دور ہے اور نظام شمسی میں سب سے بڑا ہے۔ یہ ایک گیس دیو ہے جس کا وزن سورج کے وزن کا ایک ہزارواں حصہ ہے، لیکن نظام شمسی کے تمام دیگر سیاروں کے مجموعی وزن کا ڈھائی گنا ہے۔ مشتری رات کے آسمان میں آنکھ سے دیکھنے والے سب سے روشن اجرام میں سے ایک ہے، اور قدیم تہذیبوں کو معلوم ہے جب سے تاریخ درج نہیں ہوئی۔ اس کا خلاصہ کریں جو ہم نے سیکھا وہ یہ ہے کہ مشتری |
پانچواں سیارہ ہے جو سورج سے دور ہے اور نظام شمسی میں سب سے بڑا ہے۔ یہ ایک گیس دیو ہے جس کا وزن سورج کے وزن کا ایک ہزارواں حصہ ہے، لیکن تمام دیگر سیاروں کے مجموعی وزن کا ڈھائی گنا ہے۔ یہ آسانی سے آنکھ سے دیکھا جا سکتا ہے اور قدیم زمانے سے جانا جاتا ہے۔ |
| 2 | مشتری پانچواں سیارہ ہے جو سورج سے دور ہے اور نظام شمسی میں سب سے بڑا ہے۔ یہ ایک گیس دیو ہے جس کا وزن سورج کے وزن کا ایک ہزارواں حصہ ہے، لیکن نظام شمسی کے تمام دیگر سیاروں کے مجموعی وزن کا ڈھائی گنا ہے۔ مشتری رات کے آسمان میں آنکھ سے دیکھنے والے سب سے روشن اجرام میں سے ایک ہے، اور قدیم تہذیبوں کو معلوم ہے جب سے تاریخ درج نہیں ہوئی۔ اس کا خلاصہ کریں ہم نے جو تین سب سے اہم حقائق سیکھے: |
1. مشتری پانچواں سیارہ ہے جو سورج سے دور ہے اور نظام شمسی میں سب سے بڑا ہے۔ 2. یہ ایک گیس دیو ہے جس کا وزن سورج کے وزن کا ایک ہزارواں حصہ ہے... 3. مشتری قدیم دور سے آنکھ سے دیکھا جا سکتا ہے... |
ایک پرامپٹ ٹیمپلیٹ ایک پیشگی طے شدہ فارمولا ہوتا ہے جو ضرورت کے مطابق ذخیرہ کیا جا سکتا ہے اور بار بار استعمال کیا جا سکتا ہے، تاکہ پیمانے پر زیادہ مستقل صارف تجربات فراہم کیے جا سکیں۔ اس کی سادہ شکل میں، یہ صرف پرامپٹ کی چند مثالوں کا مجموعہ ہے جیسا کہ یہ ایک مثال اوپن اے آئی سے جو ساتھ ہی interactive پرامپٹ اجزاء (یوزر اور سسٹم پیغامات) اور API سے چلنے والی درخواست کا فارمیٹ فراہم کرتا ہے - تاکہ دوبارہ استعمال کی سہولت ہو۔
اس کی زیادہ پیچیدہ شکل جیسے کہ یہ مثال لینگ چین سے پلیس ہولڈرز پر مشتمل ہوتی ہے جنہیں مختلف ذرائع (یوزر ان پٹ، سسٹم کا سیاق و سباق، بیرونی ڈیٹا سورسز وغیرہ) سے ڈیٹا کے ذریعے Dynamiс طور پر تبدیل کیا جا سکتا ہے۔ اس سے ہم ایک لائبریری بنا سکتے ہیں جس میں قابل استعمال پرامپٹس ہوتے ہیں جو پروگرام کی سطح پر ایک جیسے صارف تجربات فراہم کر سکتے ہیں۔
آخر میں، ٹیمپلیٹس کی اصل قدر vertical application domains کے لئے پرامپٹ لائبریریاں بنانے اور اشاعت کرنے میں ہے - جہاں ٹیمپلیٹ اب اپلیکیشن کے مخصوص سیاق و سباق یا مثالوں کی عکاسی کے لیے مخصوص ہو تاکہ ٹارگٹ یوزر کے لیے جوابات زیادہ متعلقہ اور درست ہوں۔ Prompts For Edu ریپوزیٹری اس طریقہ کار کی ایک بہترین مثال ہے، جو تعلیمی میدان کے لیے پرامپٹ کی ایک لائبریری کو مرتب کرتی ہے، جس میں اہم مقاصد جیسے کہ سبق کی منصوبہ بندی، نصاب کی ترتیب، اور طلباء کی تدریس پر زور دیا گیا ہے۔
اگر ہم پرامپٹ کی تشکیل کو ایک ہدایت (ٹاسک) اور ایک ہدف (بنیادی مواد) کے طور پر دیکھیں، تو ثانوی مواد وہ اضافی سیاق و سباق ہے جو ہم آؤٹ پٹ پر کسی نہ کسی طرح اثر انداز کرنے کے لیے فراہم کرتے ہیں۔ یہ ماڈل کو ٹیلر کرنے کے لیے ٹیوننگ پیرا میٹرز، فارمیٹنگ کی ہدایات، موضوعاتی ٹیکسونومیز وغیرہ ہو سکتے ہیں تاکہ مطلوبہ صارف مقاصد یا توقعات کے مطابق جوابات دیے جا سکیں۔
مثال کے طور پر: اگر ہمارے پاس نصاب کی ایکٹیابیس ہے جس میں وسیع میٹا ڈیٹا (نام، وضاحت، سطح، میٹا ٹیگز، انسٹرکٹر وغیرہ) موجود ہو:
- ہم ہدایت دے سکتے ہیں "فال 2023 کے کورس کیٹلاگ کا خلاصہ کریں"
- ہم بنیادی مواد کے طور پر چند مطلوبہ نتائج کی مثالیں دے سکتے ہیں
- ثانوی مواد کے طور پر دلچسپی کے 5 "ٹیگز" کی شناخت کر سکتے ہیں۔
اب ماڈل چند مثالوں میں دکھائے گئے فارمیٹ میں خلاصہ فراہم کر سکتا ہے - لیکن اگر نتائج میں متعدد ٹیگز ہوں، تو وہ ثانوی مواد میں دیے گئے 5 ٹیگز کو ترجیح دے گا۔
اب جب کہ ہمیں معلوم ہو گیا ہے کہ پرامپٹس کیسے تشکیل دیے جا سکتے ہیں، ہم سوچ سکتے ہیں کہ انہیں بہتر طور پر کیسے ڈیزائن کیا جائے تاکہ بہترین طریقے اپنائے جا سکیں۔ ہم اسے دو حصوں میں سوچ سکتے ہیں - صحیح ذہنیت اور درست تکنیکس کا اطلاق۔
پرامپٹ انجینئرنگ ایک آزمائش و غلطی کا عمل ہے، لہٰذا تین بنیادی رہنما عوامل ذہن میں رکھیں:
-
ڈومین کی سمجھ اہم ہے۔ جواب کی درستگی اور مطابقت اس ڈومین پر منحصر ہے جس میں درخواست یا صارف کام کر رہا ہے۔ اپنی بصیرت اور ڈومین کی مہارت استعمال کریں تاکہ تکنیکس کو مزید تخصیص دیں۔ مثال کے طور پر، اپنے سسٹم پرامپٹس میں ڈومین-مخصوص شخصیات بنائیں، یا صارف کے پرامپٹس میں ڈومین-مخصوص ٹیمپلیٹس کا استعمال کریں۔ ثانوی مواد میں ڈومین سے متعلق سیاق و سباق دیں، یا ڈومین-مخصوص اشارے اور مثالیں ماڈل کو واقف طرز استعمال کی طرف رہنمائی کے لیے دیں۔
-
ماڈل کی سمجھ اہم ہے۔ ہم جانتے ہیں کہ ماڈلز قدرتی طور پر اسٹوکاسٹک ہوتے ہیں۔ لیکن ماڈل کے نفاذ میں تربیتی ڈیٹا سیٹ (پری ٹرینڈ نالج)، مہارتیں (API یا SDK کے ذریعے) اور مواد کی قسم (کوڈ بمقابلہ تصویریں یا متن) کے لحاظ سے بھی فرق آ سکتا ہے۔ اپنے استعمال کیے جانے والے ماڈل کی طاقتوں اور حدود کو سمجھیں، اور اس علم کو استعمال کریں تاکہ کاموں کی ترجیح دیں یا ایسی حسب ضرورت ٹیمپلیٹس بنائیں جو ماڈل کی مہارتوں کے مطابق ہوں۔
-
تکرار اور توثیق اہم ہے۔ ماڈلز تیزی سے ارتقا پذیر ہیں، اور پرامپٹ انجینئرنگ کی تکنیکس بھی۔ بطور ڈومین ماہر، آپ کے پاس آپ کی مخصوص ایپلیکیشن کے لیے مختلف سیاق و معیارات ہو سکتے ہیں جو وسیع کمیونٹی پر لاگو نہ ہوں۔ پرامپٹ انجینئرنگ کے اوزار اور تکنیکس کا استعمال کریں تاکہ پرامپٹ کی تشکیع کو "جرات مندانہ آغاز" دیں، پھر اپنے ذاتی بصیرت اور ماہر علم کو استعمال کرتے ہوئے نتائج کی تکرار اور توثیق کریں۔ اپنے مشاہدات کو ریکارڈ کریں اور ایک علمی بنیاد (جیسے پرامپٹ لائبریریز) تیار کریں جو دوسروں کے لیے نئی بنیاد کے طور پر کام کرے، تاکہ مستقبل میں تیز تر حلقہ واردات ممکن ہو۔
اب دیکھتے ہیں عمومی بہترین طریقہ کار جو اوپن اے آئی اور Azure OpenAI کے ماہرین تجویز کرتے ہیں۔
| کیا | کیوں |
|---|---|
| جدید ترین ماڈلز کا جائزہ لیں۔ | نئے ماڈلز کی نسلیں بہتر خصوصیات اور معیار رکھتی ہیں - لیکن ممکن ہے وہ زیادہ مہنگے بھی ہوں۔ ان کا جائزہ لیں اور پھر منتقلی کے فیصلے کریں۔ |
| ہدایات اور سیاق کو الگ رکھیں۔ | دیکھیں کہیں آپ کے ماڈل/مہیا کنندہ نے حد بندی والے نشان مقرر کیے ہوں تاکہ ہدایات، بنیادی اور ثانوی مواد کو واضح طور پر الگ کیا جا سکے۔ یہ ماڈلز کو ٹوکنز کی زیادہ درست وزن داری میں مدد دے سکتا ہے۔ |
| خاص اور واضح رہیں۔ | مطلوبہ سیاق و سباق، نتیجہ، لمبائی، فارمیٹ، انداز وغیرہ کی مزید تفصیل دیں۔ اس سے جوابات کی کوالٹی اور مستقل مزاجی دونوں بہتر ہوگی۔ ریسیپیز کو دوبارہ قابل استعمال ٹیمپلیٹس میں قید کریں۔ |
| وضاحت کریں، مثالیں دیں۔ | ماڈلز "دکھانے اور بیان کرنے" کے طریقہ کار پر بہتر جواب دے سکتے ہیں۔ زیرو شاٹ طریقہ اپنائیں جہاں آپ ہدایت دیں (لیکن مثالیں نہ دیں) پھر فیو شاٹ کے طور پر چند مطلوبہ نتائج کی مثالیں دیں۔ استعارے استعمال کریں۔ |
| جوابات کی شروعات کے لیے اشارے دیں | جواب کے لیے نچوڑ لفظ یا فقرے دیں تاکہ وہ مطلوبہ نتیجہ کی طرف مائل ہو کر آغاز کر سکے۔ |
| دہرائیں | کبھی کبھار آپ کو ماڈل کو بار بار تعبیہ دینی پڑ سکتی ہے۔ ہدایت دیں پیش اور بعد میں، ہدایت اور اشارہ دیں، وغیرہ۔ تکرار کر کے دیکھیں کیا بہتر کام کرتا ہے۔ |
| ترتیب کا دھیان رکھیں۔ | ماڈل کو معلومات پیش کرنے کی ترتیب جواب پر اثر ڈال سکتی ہے، یہاں تک کہ سیکھنے کی مثالوں میں بھی، حالیہ bias کی وجہ سے۔ مختلف اختیارات آزما کر دیکھیں کیا بہتر ہے۔ |
| ماڈل کو "نکالنے" کی جگہ دیں۔ | ماڈل کو ایسا فلسطک جواب دینے کا موقع دیں اگر وہ کسی وجہ سے کام مکمل نہ کر سکے۔ اس سے جعلی یا غلط جوابات جنریٹ ہونے کے امکانات کم ہوں گے۔ |
جیسے کسی بھی بہترین طریقے میں، یاد رکھیں کہ آپ کے تجربات ماڈل، ٹاسک اور ڈومین کے مطابق مختلف ہو سکتے ہیں۔ انہیں ایک آغاز کے طور پر استعمال کریں اور اپنی ضروریات کے مطابق بار بار اپ ڈیٹ کریں۔ جب نئے ماڈلز اور اوزار دستیاب ہوں تو اپنے پرامپٹ انجینئرنگ کے عمل کو مسلسل دوبارہ جانچتے رہیں، خاص طور پر عمل کی وسیع پیمانے پر قابلیت اور جوابات کے معیار پر توجہ دیتے ہوئے۔
مبارک ہو! آپ سبق کے اختتام تک پہنچ گئے ہیں! اب وقت ہے کہ ان تصورات اور تکنیکس کو اصل مثالوں کے ذریعے آزمایا جائے!
ہم اپنی اسائنمنٹ میں ایک جیوپٹر نوٹ بک استعمال کریں گے جس میں آپ مشقیں انٹرایکٹو طریقے سے مکمل کر سکتے ہیں۔ آپ اپنے خیالوں اور تکنیکس کو خود دریافت کرنے کے لیے نوٹ بک میں اپنے مارک ڈاؤن اور کوڈ سیلز بھی شامل کر سکتے ہیں۔
- (تجویز کردہ) GitHub Codespaces شروع کریں
- (متبادل) ریپو کو اپنے مقامی آلے پر کلون کریں اور Docker Desktop کے ساتھ استعمال کریں
- (متبادل) اپنی پسندیدہ نوٹ بک رن ٹائم میں نوٹ بک کھولیں
- ریپو کے روٹ سے
.env.copyفائل کو.envمیں کاپی کریں اورAZURE_OPENAI_API_KEY,AZURE_OPENAI_ENDPOINTاورAZURE_OPENAI_DEPLOYMENTکی قدریں بھریں۔ واپس آئیں اور Learning Sandbox سیکشن جانیں کہ کیسے۔
- رن ٹائم کرنل منتخب کریں۔ اگر آپ 1 یا 2 کے آپشن استعمال کر رہے ہیں تو بآسانی ڈیفالٹ Python 3.10.x کرنل منتخب کریں جو ڈویلپمنٹ کنٹینر فراہم کرتا ہے۔
آپ مشقیں چلانے کے لیے تیار ہیں۔ یاد رکھیں یہاں کوئی صحیح یا غلط جواب نہیں - بس تجربہ کریں، غلطیاں کریں اور کسی دیے گئے ماڈل اور ایپلیکیشن ڈومین کے لیے کام کرنے والے راستے کی سمجھ پیدا کریں۔
اسی وجہ سے اس سبق میں کوئی کوڈ سلوشن سیکشن شامل نہیں ہے۔ اس کے بجائے، نوٹ بک میں مارک ڈاؤن سیلز ہوں گے جن کے عنوانات "میرا حل:" ہوں گے جو ایک مثال کی آؤٹ پٹ بطور حوالہ دکھائیں گے۔
مندرجہ ذیل میں سے کون سا ایک اچھا پرامپٹ ہے جو کچھ معقول بہترین طریقے اپناتا ہے؟
- مجھے ایک تصویر دکھائیں جس میں سرخ گاڑی ہو
- مجھے ایک تصویر دکھائیں جس میں سرخ گاڑی ہو جو Volvo کی XC90 ماڈل ہو اور ایک چٹان کے کنارے سورج غروب ہوتے ہوئے کھڑی ہو
- مجھے ایک تصویر دکھائیں جس میں سرخ گاڑی ہو جو Volvo کی XC90 ماڈل ہو
جواب: 2، یہ بہترین پرامپٹ ہے کیونکہ یہ بتاتا ہے "کیا" چاہیے اور تفصیل دیتا ہے (صرف کوئی بھی گاڑی نہیں بلکہ مخصوص ماڈل)، اور اس میں مجموعی سیٹنگ کی وضاحت بھی ہے۔ 3 دوسرے نمبر پر ہے کیونکہ اس میں بھی بہت سی تفصیل ہے۔
دیکھیے کہ کیا آپ "اشارہ" تکنیک کو اس پرامپٹ کے ساتھ استعمال کر سکتے ہیں: جملہ مکمل کریں "مجھے ایک تصویر دکھائیں جس میں سرخ گاڑی ہو جو Volvo کی اور ". یہ کیا جواب دیتا ہے، اور آپ اسے کیسے بہتر بنائیں گے؟
کیا آپ مختلف پرامپٹ انجینئرنگ تصورات کے بارے میں مزید جاننا چاہتے ہیں؟ جائیں جاری تعلیم کے صفحے پر جہاں آپ اس موضوع پر مزید بہترین وسائل حاصل کر سکتے ہیں۔
سبق 5 پر جائیں جہاں ہم جدید پرامپٹنگ تکنیکس دیکھیں گے!
دستخطی دستبرداری:
یہ دستاویز AI ترجمہ سروس Co-op Translator استعمال کرتے ہوئے ترجمہ کی گئی ہے۔ اگرچہ ہم درستگی کی کوشش کرتے ہیں، براہ کرم آگاہ رہیں کہ خودکار تراجم میں غلطیاں یا بے دقتیاں ہوسکتی ہیں۔ اصل دستاویز اپنی مادری زبان میں ہی مستند ماخذ سمجھی جانی چاہیے۔ اہم معلومات کے لیے پیشہ ور انسانی ترجمہ کی سفارش کی جاتی ہے۔ اس ترجمے کے استعمال سے پیدا ہونے والے کسی بھی غلط فہمی یا غلط تشریحات کے لیے ہم ذمہ دار نہیں ہیں۔