مهندسی اعلان — طراحی دستورالعمل برای مدلهای زبان بزرگ
مهندسی اعلان، عملِ تدوینِ دستورالعملهایِ ساختاریافته به زبانِ طبیعی — اعلانها — برای استخراجِ خروجیهایِ هدفمند از مدلهایِ زبانِ بزرگ (LLMs) است. این مفهوم که توسط براون و همکاران (۲۰۲۰) در چارچوبِ GPT-3 صورتبندی شد و توسط وی و همکاران (۲۰۲۲) با اعلانِ زنجیرهیِ تفکر گسترش یافت، شاملِ چهار استراتژیِ اصلی است: بدونِ مثال (zero-shot)، چند مثال (few-shot)، زنجیرهیِ تفکر (chain-of-thought)، و درختِ تفکر (tree-of-thought). تحلیلگر بهجایِ بازآموزیِ مدل، رفتارِ آن را کاملاً از طریقِ طراحیِ متنِ ورودی شکل میدهد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 1). Prompt Engineering (Instruction Design for Large Language Models). ScholarGate. https://scholargate.app/fa/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.
- طبقهبندی متن با نمونههای کممتنکاوی↔ compare
- تنظیم دقیق GPTیادگیری عمیق↔ compare
- لورا و PEFTیادگیری عمیق↔ compare
- تولید زبان طبیعیمتنکاوی↔ compare
- تولید افزوده بازیابی (RAG)متنکاوی↔ compare
- طبقهبندی متنمتنکاوی↔ compare
- طبقهبندی بدون نمونه (Zero-Shot Classification)متنکاوی↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →