Проектування промптів — розробка інструкцій для великих мовних моделей
Проектування промптів — це практика розробки структурованих інструкцій природною мовою (промптів) для отримання цільових результатів від великих мовних моделей (ВММ). Формалізоване Брауном та ін. (2020) у контексті GPT-3 та розширене Вей та ін. (2022) за допомогою промптингу «ланцюжок думок», воно охоплює чотири основні стратегії: zero-shot, few-shot, ланцюжок думок (chain-of-thought) та дерево думок (tree-of-thought). Замість перенавчання моделі, аналітик формує її поведінку виключно через розробку вхідного тексту.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 1). Prompt Engineering (Instruction Design for Large Language Models). ScholarGate. https://scholargate.app/uk/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.
- Класифікація тексту з малою кількістю прикладівІнтелектуальний аналіз тексту↔ compare
- Доналаштування GPTГлибоке навчання↔ compare
- LoRA та PEFTГлибоке навчання↔ compare
- Генерація природної мовиІнтелектуальний аналіз тексту↔ compare
- Генерація з доповненим пошуком (RAG)Інтелектуальний аналіз тексту↔ compare
- Класифікація текстуІнтелектуальний аналіз тексту↔ compare
- Класифікація без прикладівІнтелектуальний аналіз тексту↔ compare
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →