Kejuruteraan Prompt — Reka Bentuk Arahan untuk Model Bahasa Besar
Kejuruteraan prompt ialah amalan mereka bentuk arahan bahasa semula jadi berstruktur — prompt — untuk mendapatkan output yang disasarkan daripada model bahasa besar (LLM). Diformalkan oleh Brown et al. (2020) dalam konteks GPT-3 dan diperluaskan oleh Wei et al. (2022) dengan pempromptan rantai pemikiran (chain-of-thought prompting), ia merangkumi empat strategi utama: zero-shot, few-shot, chain-of-thought, dan tree-of-thought. Daripada melatih semula model, penganalisis membentuk tingkah laku model sepenuhnya melalui reka bentuk teks input.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 1). Prompt Engineering (Instruction Design for Large Language Models). ScholarGate. https://scholargate.app/ms/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.
- Klasifikasi Teks Sedikit ContohPerlombongan Teks↔ compare
- Penalaan Halus GPTPembelajaran Mendalam↔ compare
- LoRA dan PEFTPembelajaran Mendalam↔ compare
- Penjanaan Bahasa Semula JadiPerlombongan Teks↔ compare
- Retrieval-Augmented Generation (RAG)Perlombongan Teks↔ compare
- Klasifikasi TeksPerlombongan Teks↔ compare
- Klasifikasi Sifar-ShotPerlombongan Teks↔ compare
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →