Duże modele językowe (LLM) takie jak GPT, Claude czy LaMDA zrewolucjonizowały sposób, w jaki komunikujemy się z technologią. Jednak to, jak formułujemy nasze zapytania – czyli tzw. prompty – ma kluczowe znaczenie dla jakości otrzymywanych odpowiedzi. To trochę jak rozmowa z bardzo inteligentnym, ale dosłownie myślącym rozmówcą – musisz wiedzieć, jak się komunikować, aby uzyskać najlepsze rezultaty.
Dlaczego prompty są tak ważne?
Wyobraź sobie, że próbujesz wyjaśnić skomplikowane zadanie osobie, która jest bardzo zdolna, ale nie zna kontekstu twojej prośby. Im jaśniej i precyzyjniej sformułujesz swoje oczekiwania, tym lepszy efekt otrzymasz. Dokładnie tak samo działa komunikacja z modelami językowymi.
Podstawowe strategie tworzenia promptów
1. Jasność i precyzja
Przykład słabego promptu: „Powiedz mi coś o zwierzętach”
Przykład dobrego promptu: „Opisz trzy największe ssaki morskie, ich środowisko życia i główne zagrożenia dla ich populacji”
Analiza: Pierwszy prompt jest zbyt ogólny i może prowadzić do bardzo różnych odpowiedzi – od encyklopedycznego wyliczenia gatunków po anegdoty o zwierzętach domowych. Drugi prompt jasno określa, czego dokładnie oczekujemy: konkretnej liczby przykładów (trzy), określonej kategorii (ssaki morskie) oraz specyficznych informacji o nich (środowisko, zagrożenia).
2. Dostarczanie kontekstu
Przykład słabego promptu: „Przeanalizuj ten tekst pod kątem sentymentu”
Przykład dobrego promptu: „Przeanalizuj poniższą recenzję restauracji pod kątem sentymentu (pozytywny, negatywny, neutralny) i wyjaśnij, które sformułowania wpłynęły na twoją ocenę: 'Jedzenie było smaczne, ale obsługa pozostawiała wiele do życzenia. Czekaliśmy na stolik ponad godzinę, mimo wcześniejszej rezerwacji.'”
Analiza: Pierwszy prompt nie dostarcza modeli żadnego tekstu do analizy. Drugi prompt zawiera zarówno tekst do analizy, jak i precyzyjne oczekiwania co do formatu odpowiedzi.
3. Wykorzystanie przykładów
Przykład słabego promptu: „Napisz formalny email do klienta”
Przykład dobrego promptu: „Napisz formalny email do klienta, który spóźnia się z płatnością za fakturę nr 2023/456. Użyj uprzejmego, ale stanowczego tonu, podobnego do poniższego przykładu:
’Szanowny Panie, Pragniemy przypomnieć o zaległej płatności za fakturę nr 2023/123, której termin upłynął 15 marca 2023. Uprzejmie prosimy o uregulowanie należności w ciągu 7 dni od otrzymania tego przypomnienia. Z wyrazami szacunku, Dział Finansowy'”
Analiza: Pierwszy prompt pozostawia zbyt wiele niedopowiedzeń – nie wiemy, o jakiego klienta chodzi, w jakiej sprawie piszemy, jaki ton powinniśmy przyjąć. Drugi prompt dostarcza konkretne informacje oraz wzór, który pokazuje oczekiwany styl komunikacji.
4. Specyficzność zamiast ogólników
Przykład słabego promptu: „Napisz o zmianach klimatu”
Przykład dobrego promptu: „Napisz artykuł o 500 słowach na temat wpływu zmian klimatu na rolnictwo w Europie w ciągu ostatnich 20 lat, uwzględniając dane statystyczne dotyczące zmian w plonach najważniejszych upraw”
Analiza: Pierwszy prompt jest zbyt ogólny – zmiany klimatu to bardzo szeroki temat. Drugi prompt precyzyjnie określa długość tekstu, geograficzny obszar zainteresowania, ramy czasowe oraz konkretny aspekt zmian klimatu, o którym chcemy się dowiedzieć.
5. Unikanie dwuznaczności
Przykład słabego promptu: „Napisz o jagodach”
Przykład dobrego promptu: „Opisz właściwości odżywcze i zdrowotne czarnych jagód (Vaccinium myrtillus) oraz ich zastosowanie w kuchni europejskiej”
Analiza: W pierwszym przypadku słowo „jagody” może odnosić się do różnych owoców w zależności od kontekstu kulturowego (np. w języku angielskim „berries” obejmuje maliny, truskawki itp.). Drugi prompt eliminuje tę dwuznaczność, podając dokładną nazwę gatunkową rośliny.
Zaawansowane strategie dla modeli z umiejętnościami rozumowania
1. Łańcuch myśli (Chain of Thought)
Przykład standardowego promptu: „Rozwiąż problem: Jeśli Anna ma 5 jabłek i daje 2 Tomkowi, a następnie kupuje 3 razy więcej jabłek niż miała na początku, ile jabłek ma teraz?”
Przykład promptu z łańcuchem myśli: „Rozwiąż problem krok po kroku, pokazując swoje rozumowanie: Jeśli Anna ma 5 jabłek i daje 2 Tomkowi, a następnie kupuje 3 razy więcej jabłek niż miała na początku, ile jabłek ma teraz?”
Analiza: Drugi prompt zachęca model do pokazania całego procesu rozumowania, co nie tylko daje nam wgląd w to, jak model dochodzi do rozwiązania, ale także często prowadzi do dokładniejszych odpowiedzi, ponieważ model musi „przemyśleć” problem dogłębniej.
2. Uczenie w kontekście (In-Context Learning)
Ta technika jest trudna do zrozumienia dla nas bo np kiedy znamy język francuski znamy każde tłumaczenie i korzystając z tej analogii, uważamy że podobnie myśli „chat gpt”. AI nie „zna” języków tak jak człowiek. AI uczy się wzorców z danych. Kiedy pokazujesz AI kilka przykładów tłumaczeń, pomagasz jej zrozumieć:
- jakich wzorców ma szukać
- jakiego dokładnie tłumaczenia oczekujesz
- w jakim formacie ma odpowiedzieć
Przykład standardowego promptu: „Przetłumacz 'Lubię programować’ na język francuski”
Przykład promptu z uczeniem w kontekście: „Przetłumacz poniższe zdania na język francuski:
- Hello, how are you? = Bonjour, comment allez-vous?
- I like to read books = J’aime lire des livres
- The weather is nice today = Il fait beau aujourd’hui
- I like to program = ?”
Analiza: Drugi prompt dostarcza modelowi kilka przykładów tłumaczeń, co pomaga mu lepiej zrozumieć zadanie i format oczekiwanej odpowiedzi. Jest to szczególnie przydatne w zadaniach, które mogą być interpretowane na różne sposoby. AI widzi wzorzec i stworzy podobny tytuł. To tak, jakbyś pokazał komuś, jak rozwiązać kilka zadań, zanim poprosisz o rozwiązanie podobnego. Nie dlatego, że nie potrafią rozwiązać go sami, ale żeby dokładnie wiedzieli, jaki styl rozwiązania cię interesuje.
3. Optymalizacja promptów dla konkretnych modeli
Różne modele językowe mogą wymagać nieco odmiennego podejścia. Na przykład:
Prompt dla modelu GPT-4: „Przeprowadź szczegółową analizę SWOT dla małej kawiarni w centrum miasta”
Prompt dla modelu z mniejszymi możliwościami: „Podaj po 3 mocne strony, słabe strony, szanse i zagrożenia dla małej kawiarni w centrum miasta. Dla każdego punktu dodaj jedno zdanie wyjaśnienia”
Analiza: Drugi prompt jest bardziej ustrukturyzowany i zawiera dokładne instrukcje dotyczące formatu odpowiedzi, co może pomóc mniejszym modelom skoncentrować się na najważniejszych aspektach zadania.
4. Iteracyjne udoskonalanie
Proces ten polega na stopniowym ulepszaniu promptu na podstawie otrzymywanych odpowiedzi:
Pierwszy prompt: „Napisz przepis na ciasto czekoladowe”
Odpowiedź modelu: Model podaje podstawowy przepis na ciasto czekoladowe
Udoskonalony prompt: „Napisz przepis na wegańskie ciasto czekoladowe bez glutenu, które jest wilgotne i bogate w smaku. Podaj dokładne proporcje składników w gramach oraz alternatywy dla trudno dostępnych składników”
Analiza: Na podstawie pierwszej, zbyt ogólnej odpowiedzi, użytkownik może doprecyzować swoje oczekiwania, dodając konkretne wymagania dotyczące diety, konsystencji i formatu przepisu.
5. Uwzględnianie ograniczeń modelu
Przykład ryzykownego promptu: „Podaj dokładne dane statystyczne dotyczące zachorowań na grypę w Polsce w lutym 2023”
Przykład bezpieczniejszego promptu: „Na podstawie ogólnie dostępnych danych, opisz trendy zachorowań na grypę w Polsce w sezonie zimowym. Jeśli nie dysponujesz konkretnymi danymi za 2023 rok, możesz oprzeć się na wcześniejszych sezonach i zaznaczyć to w odpowiedzi”
Analiza: Pierwszy prompt może skłonić model do generowania precyzyjnych, ale potencjalnie nieprawdziwych danych, jeśli nie zostały one uwzględnione w jego treningu. Drugi prompt uznaje te ograniczenia i zachęca do odpowiedzi bazującej na dostępnej wiedzy, z wyraźnym zaznaczeniem potencjalnych braków.
Praktyczne przykłady transformacji promptów
Przykład 1: Pisanie treści marketingowych
Słaby prompt: „Napisz tekst reklamowy”
Dobry prompt: „Napisz krótki tekst reklamowy (maksymalnie 100 słów) dla nowego smartfona XYZ123, który wyróżnia się wodoodpornością, 48-godzinną baterią i aparatem 108MP. Skieruj przekaz do młodych, aktywnych profesjonalistów w wieku 25-35 lat, podkreślając, jak te funkcje ułatwiają aktywny styl życia. Użyj energicznego, nowoczesnego języka bez technicznych żargonów”
Przykład 2: Analiza danych
Słaby prompt: „Zinterpretuj te dane sprzedażowe”
Dobry prompt: „Przeanalizuj poniższe kwartalne dane sprzedażowe dla sklepu internetowego z odzieżą i zidentyfikuj co najmniej trzy główne trendy. Wyjaśnij możliwe przyczyny tych trendów i zaproponuj konkretne działania, które firma mogłaby podjąć, aby zwiększyć sprzedaż w następnym kwartale:
Q1: 245 000 zł (wzrost o 5% rok do roku) Q2: 310 000 zł (wzrost o 8% rok do roku) Q3: 180 000 zł (spadek o 15% rok do roku) Q4: 420 000 zł (wzrost o 12% rok do roku)”
Wnioski
Umiejętne formułowanie promptów to prawdziwa sztuka, która może znacząco wpłynąć na jakość interakcji z dużymi modelami językowymi. Kluczowe zasady, które warto zapamiętać:
- Precyzja – jasno określaj, czego oczekujesz
- Kontekst – dostarczaj niezbędne informacje
- Przykłady – pokazuj wzorce odpowiedzi
- Iteracja – udoskonalaj prompty na podstawie otrzymywanych odpowiedzi
- Świadomość ograniczeń – pamiętaj, że model może nie znać wszystkich faktów
Stosując te strategie, możesz znacznie poprawić efektywność komunikacji z AI i lepiej wykorzystać ich potencjał zarówno w prostych zadaniach, jak i w bardziej złożonych problemach wymagających zaawansowanego rozumowania.