===
Основные запросы Вы вполне можете достичь много чего с помощью простых промптов, но качество результата зависит от того, сколько информации вы предоставляйте и насколько хорошо запрос составлен. Промпт может содержать информацию, такую как инструкция или вопрос (который вы собирайтесь передать модели), а так же другие детали, как контекст, входные данные или примеры. Вы можете использовать эти элементы, чтобы лучше указать модели, что от нее требуется, как следствие получить лучшие результаты. Давайте начнем с простого запроса: Запрос: "Небо" Ответ: "Небо - это: • Видимая атмосфера над поверхностью Земли • Обычно голубого цвета днем, темного ночью • Место, где видны облака, Солнце, Луна и звезды • Символ бесконечности и свободы в культуре • Объект наблюдений в метеорологии и астрономии" Как можно увидеть, языковая модель выводит продолжение строки, которая имеет смысл в контексте "Небо...". Результат может быть неожиданным или далеком от задачи, которую вы хотели выполнить. Этот простой пример также подчеркивает необходимость предоставления большего контекста или инструкций о том, что именно вы хотите достичь. Давайте попробуем немного улучшить его: Запрос: "Закончи фразу: Небо" Ответ: "Вот несколько вариантов завершения фразы "Небо": 1. Небо голубое 2. Небо ясное 3. Небо звездное 4. Небо хмурое 5. Небо бескрайнее" Уже лучше, не так ли? Вы сказали модели завершить предложение, поэтому результат выглядит гораздо лучше, так как он точно следует вашей инструкции ("Complete the sentence"). Такой подход к проектированию оптимальных промптов для указания модели выполнения задачи называется промпт инжинирингом. Приведенный выше пример - это базовая иллюстрация того, что сегодня возможно с помощью LLM (Large Language Models). Современные LLM могут выполнять самые разные задачи, начиная от суммирования текста и математического рассуждения, и заканчивая генерацией кода.===
Форматирование запросов То что было описано выше является довольно примитивным запросом. Обычно, запрос имеет следующий формат: Запрос: <Вопрос>? или Запрос: <Инструкция> Вы можете оформить это в формате вопрос-ответ (Q&A), который является стандартным во многих наборах данных Q&A: Q: <Вопрос>? A: Запрос который был показан выше так же называется "запрос с нулевым обучением", т.е вы напрямую запрашивайте у модели ответ без каких-либо примеров или демонстраций задачи которую вы хотите решить. Некоторые LLM вполне способны выполнять такие запросы, но это зависит от сложности и знаний о задаче, а также информации на которой модель была обучена ранее. Конкретный пример такого запроса: Запрос: Q: Что такое промпт-инжиниринг? С некоторыми более новыми моделями, вы можете пропустить часть "Q:", ибо модель уже понимает вопрос как задачу, основываясь на последовательности слов. Значит запрос можно упростить до простого: Запрос: Что такое промпт-инжиниринг? Одним из эффективных методов составление запросов является "запрос с несколькими примерами", где вы предоставляйте вместе с запросов примеры для демонстрации. Вы можете форматировать промпты с несколькими примерами: Запрос: <Вопрос>? <Ответ> <Вопрос>? <Ответ> <Вопрос>? <Ответ> <Вопрос>? Имейте в виду, что использовать формат Q&A (как было в примитивных моделях) не обязательно. Формат вашего запроса будет зависеть от конкретной задачи. Например, вы можете выполнить простую задачу по классификации. Для эффективности работы можно предоставить примеры, которые будут показывать в каком направлении нужно решать задачу: Запрос: Это потрясающе! // Положительно Это плохо! // Отрицательно Вау, этот фильм был крутым! // Положительно Что за ужасное шоу! // Ответ: Отрицательно===
Использование запросов с несколькими примерами позволяют осуществлять обучение в контексте, LLM будет пытаться лучше изучить задачу на нескольких демонстрациях. В следующих главах мы более подробнее рассмотрит создание запросов с нулевым обучением и запросов с несколькими примерами.===