Enginyeria de prompts — Disseny d'instruccions per a models de llenguatge grans
L'enginyeria de prompts és la pràctica de crear instruccions estructurades en llenguatge natural —prompts— per obtenir resultats dirigits de models de llenguatge grans (LLM). Formalitzada per Brown et al. (2020) en el context de GPT-3 i estesa per Wei et al. (2022) amb el 'chain-of-thought prompting', comprèn quatre estratègies principals: zero-shot, few-shot, chain-of-thought i tree-of-thought. En lloc de reentrenar un model, l'analista modela el comportament del model completament a través del disseny del text d'entrada.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- Brown, T. et al. (2020). Language Models are Few-Shot Learners. Advances in Neural Information Processing Systems (NeurIPS), 33, 1877-1901. link ↗
- Wei, J. et al. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. Advances in Neural Information Processing Systems (NeurIPS), 35. link ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 1). Prompt Engineering (Instruction Design for Large Language Models). ScholarGate. https://scholargate.app/ca/text-mining/prompt-engineering
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Classificació de text amb pocs exemplesMineria de text↔ compare
- Ajustament fi de GPTAprenentatge profund↔ compare
- LoRA i PEFTAprenentatge profund↔ compare
- Generació de Llenguatge NaturalMineria de text↔ compare
- Generació augmentada per recuperació (RAG)Mineria de text↔ compare
- Classificació de textMineria de text↔ compare
- Classificació zero-shotMineria de text↔ compare
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →