Inżynieria podpowiedzi — projektowanie instrukcji dla dużych modeli językowych
Inżynieria podpowiedzi (prompt engineering) to praktyka tworzenia ustrukturyzowanych instrukcji w języku naturalnym — podpowiedzi (prompts) — w celu uzyskania ukierunkowanych wyników z dużych modeli językowych (LLM). Sformalizowana przez Browna i in. (2020) w kontekście GPT-3 i rozszerzona przez Wei i in. (2022) o podpowiedzi łańcucha myśli (chain-of-thought prompting), obejmuje cztery główne strategie: zero-shot, few-shot, chain-of-thought i tree-of-thought. Zamiast ponownego trenowania modelu, analityk kształtuje jego zachowanie wyłącznie poprzez projektowanie tekstu wejściowego.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 cytować tę stronę
ScholarGate. (2026, June 1). Prompt Engineering (Instruction Design for Large Language Models). ScholarGate. https://scholargate.app/pl/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.
- Klasyfikacja tekstów w schemacie małej liczby przykładówEksploracja tekstu↔ compare
- Dostrajanie GPTUczenie głębokie↔ compare
- LoRA i PEFTUczenie głębokie↔ compare
- Generowanie Języka NaturalnegoEksploracja tekstu↔ compare
- Retrieval-Augmented Generation (RAG) (Generowanie Wzbogacone o Wyszukiwanie)Eksploracja tekstu↔ compare
- Klasyfikacja TekstuEksploracja tekstu↔ compare
- Klasyfikacja zero-shotEksploracja tekstu↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →