Prompt Engineering — Instructieontwerp voor Grote Taalmodellen
Prompt engineering is de praktijk van het creëren van gestructureerde instructies in natuurlijke taal — prompts — om gerichte outputs te verkrijgen van grote taalmodellen (LLM's). Geformaliseerd door Brown et al. (2020) in de context van GPT-3 en uitgebreid door Wei et al. (2022) met chain-of-thought prompting, omvat het vier hoofdstrategieën: zero-shot, few-shot, chain-of-thought en tree-of-thought. In plaats van een model opnieuw te trainen, vormt de analist het gedrag van het model volledig door het ontwerp van de invoertekst.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 1). Prompt Engineering (Instruction Design for Large Language Models). ScholarGate. https://scholargate.app/nl/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.
- Few-Shot TekstclassificatieText mining↔ compare
- GPT Fine-TuningDeep learning↔ compare
- LoRA en PEFTDeep learning↔ compare
- Natuurlijke TaalgeneratieText mining↔ compare
- Retrieval-Augmented Generation (RAG)Text mining↔ compare
- TekstclassificatieText mining↔ compare
- Zero-Shot ClassificationText mining↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →