Engenharia de Prompt — Design de Instruções para Modelos de Linguagem de Grande Escala
Engenharia de prompt é a prática de criar instruções estruturadas em linguagem natural — prompts — para obter saídas direcionadas de modelos de linguagem de grande escala (LLMs). Formalizada por Brown et al. (2020) no contexto do GPT-3 e estendida por Wei et al. (2022) com a engenharia de prompt de cadeia de pensamento, abrange quatro estratégias principais: zero-shot, few-shot, cadeia de pensamento e árvore de pensamento. Em vez de retreinar um modelo, o analista molda o comportamento do modelo inteiramente através do design do texto de entrada.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 1). Prompt Engineering (Instruction Design for Large Language Models). ScholarGate. https://scholargate.app/pt/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.
- Classificação de Textos com Poucos ExemplosMineração de texto↔ compare
- GPT Fine-TuningAprendizado profundo↔ compare
- LoRA e PEFTAprendizado profundo↔ compare
- Geração de Linguagem NaturalMineração de texto↔ compare
- Geração Aumentada por Recuperação (RAG)Mineração de texto↔ compare
- Classificação de TextoMineração de texto↔ compare
- Classificação Zero-ShotMineração de texto↔ compare
Encontrou um problema nesta página? Relate ou sugira uma correção →