Prompt Engineering — Návrh instrukcí pro velké jazykové modely
Prompt engineering je praxe vytváření strukturovaných instrukcí v přirozeném jazyce – promptů – s cílem získat cílené výstupy z velkých jazykových modelů (LLM). Formalizováno Brownem et al. (2020) v kontextu GPT-3 a rozšířeno Wei et al. (2022) o řetězec myšlenek (chain-of-thought prompting), zahrnuje čtyři hlavní strategie: zero-shot, few-shot, chain-of-thought a tree-of-thought. Namísto přeškolování modelu analytik formuje chování modelu výhradně prostřednictvím návrhu vstupního textu.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 1). Prompt Engineering (Instruction Design for Large Language Models). ScholarGate. https://scholargate.app/cs/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.
- Klasifikace textu s malým počtem příkladůDolování textu↔ compare
- Dolaďování GPTHluboké učení↔ compare
- LoRA a PEFTHluboké učení↔ compare
- Generování přirozeného jazykaDolování textu↔ compare
- Generování s rozšířeným vyhledáváním (RAG)Dolování textu↔ compare
- Klasifikace textuDolování textu↔ compare
- Beztréninková klasifikaceDolování textu↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →