Prompt Engineering
Prompt engineering is the practice of crafting structured natural-language instructions — prompts — to elicit targeted outputs from large language models (LLMs). Formalised by Brown et al. (2020) in the context of GPT-3 and extended by Wei et al. (2022) with chain-of-thought prompting, it encompasses four main strategies: zero-shot, few-shot, chain-of-thought, and tree-of-thought. Rather than re-training a model, the analyst shapes the model's behaviour entirely through the design of the input text.
Catatan sumber
Kutipan disalin apa adanya dari catatan sumber metode. Tidak ada verifikasi tingkat klaim yang disimpulkan darinya.
- Brown, T. et al. (2020). Language Models are Few-Shot Learners. Advances in Neural Information Processing Systems (NeurIPS), 33, 1877-1901. · URL
- Wei, J. et al. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. Advances in Neural Information Processing Systems (NeurIPS), 35. · URL
Klaim yang dikurasi
Klaim tersimpan dalam buku besar bukti, masing-masing dengan penilaiannya sendiri.
Tampilan ini tidak menciptakan penilaian klaim ketika buku besar tidak memilikinya.
Metode terkait
Dihasilkan dari grafik metode dan ditampilkan sebagai relasi yang disarankan mesin — tidak ada klaim bukti yang disimpulkan.