Hướng dẫn kỹ thuật lời nhắc. Giới thiệu. Mẹo chung cho việc thiết kế lời nhắc

General Tips for Designing Prompts

Theo: https://www.promptingguide.ai/introduction/tips

Video: Các mẹo phổ biến khi thiết kế lời nhắc

Đây là một số mẹo cần nhớ khi bạn thiết kế lời nhắc của bạn:

Bắt đầu đơn giản

Khi bắt đầu thiết kế lời nhắc, bạn nên nhớ rằng đây thực sự là một quá trình lặp đi lặp lại, đòi hỏi rất nhiều thử nghiệm để đạt được kết quả tối ưu. Sử dụng một sân chơi đơn giản từ OpenAI hoặc Cohere là một điểm khởi đầu tốt.

Bạn có thể bắt đầu với những lời nhắc đơn giản và tiếp tục thêm các yếu tố và ngữ cảnh khi bạn hướng đến kết quả tốt hơn. Vì lý do này, việc lặp lại lời nhắc trong quá trình thiết kế là rất quan trọng. Khi đọc hướng dẫn, bạn sẽ thấy nhiều ví dụ mà tính cụ thể, đơn giản và súc tích thường mang lại kết quả tốt hơn.

Khi bạn có một nhiệm vụ lớn bao gồm nhiều nhiệm vụ con khác nhau, bạn có thể thử chia nhỏ nhiệm vụ thành các nhiệm vụ con đơn giản hơn và tiếp tục xây dựng khi bạn đạt được kết quả tốt hơn. Điều này giúp tránh làm quá trình thiết kế lời nhắc trở nên phức tạp ngay từ đầu.

Chỉ dẫn

Bạn có thể thiết kế các lời nhắc hiệu quả cho nhiều nhiệm vụ đơn giản khác nhau bằng cách sử dụng các lệnh để hướng dẫn mô hình những gì bạn muốn đạt được, chẳng hạn như "Viết", "Phân loại", "Tóm tắt", "Dịch", "Sắp xếp", v.v.

Lưu ý rằng bạn cũng cần thử nghiệm nhiều lần để xem cách nào hiệu quả nhất. Hãy thử các chỉ dẫn khác nhau với các từ khóa, ngữ cảnh và dữ liệu khác nhau và xem cách nào hiệu quả nhất cho trường hợp sử dụng và nhiệm vụ cụ thể của bạn. Thông thường, ngữ cảnh càng cụ thể và phù hợp với nhiệm vụ bạn đang cố gắng thực hiện thì càng tốt. Chúng tôi sẽ đề cập đến tầm quan trọng của việc lấy mẫu và thêm ngữ cảnh trong các hướng dẫn sắp tới.

Những người khác khuyên bạn nên đặt chỉ dẫn ở đầu lời nhắc. Một khuyến nghị khác là sử dụng một số dấu phân cách rõ ràng như "###" để phân tách chỉ dẫn và ngữ cảnh.

Ví dụ:

Prompt:

### Chỉ dẫn ###
Dịch văn bản bên dưới sang tiếng Tây Ban Nha:

Văn bản: “hello!”

Output:

¡Hola!

Tính cụ thể

Hãy nêu cụ thể chỉ dẫn và nhiệm vụ bạn muốn mô hình thực hiện. Lời nhắc càng mô tả và chi tiết thì kết quả càng tốt. Điều này đặc biệt quan trọng khi bạn mong muốn có kết quả hoặc phong cách tạo ra kết quả mong muốn. Không có mã thông báo hoặc từ khóa cụ thể nào dẫn đến kết quả tốt hơn. Điều quan trọng hơn là có một định dạng và lời nhắc mô tả tốt. Trên thực tế, việc cung cấp các ví dụ trong lời nhắc rất hiệu quả để có được kết quả mong muốn ở các định dạng cụ thể.

Khi thiết kế lời nhắc, bạn cũng nên lưu ý đến độ dài của lời nhắc vì có những hạn chế về độ dài của lời nhắc. Hãy suy nghĩ về mức độ cụ thể và chi tiết cần thiết. Việc đưa vào quá nhiều chi tiết không cần thiết chưa chắc đã là một cách tiếp cận tốt. Các chi tiết phải phù hợp và đóng góp cho nhiệm vụ đang thực hiện. Đây là điều bạn sẽ cần phải thử nghiệm rất nhiều. Chúng tôi khuyến khích bạn thực hiện nhiều thử nghiệm và lặp lại để tối ưu hóa lời nhắc cho các ứng dụng của mình.

Ví dụ, thử một lời nhắc đơn giản để trích xuất thông tin cụ thể từ một đoạn văn bản.

Prompt:

Nêu địa danh trong văn bản sau đây.

Định dạng mong muốn:
Đặt: <danh sách các địa điểm phân cách nhau bằng dấu phẩy>

Đầu vào: “"Mặc dù những tiến triển này rất đáng khích lệ đối với các nhà nghiên cứu, nhưng vẫn còn nhiều điều bí ẩn. Henrique Veiga-Fernandes, nhà thần kinh miễn dịch học tại Trung tâm Champalimaud dành cho những người chưa biết ở Lisbon, cho biết: "Chúng ta thường có một hộp đen giữa não bộ và hiệu ứng mà chúng ta thấy ở ngoại vi. Nếu muốn sử dụng nó trong bối cảnh điều trị, chúng ta thực sự cần phải hiểu cơ chế hoạt động của nó.””

Output:

Địa điểm: Trung tâm Champalimaud dành cho những người chưa biết, Lisbon

Văn bản đầu vào này có từ bài báo này trên Nature.

Tránh sự không chính xác

Với những mẹo trên về việc trình bày chi tiết và cải thiện định dạng, bạn rất dễ rơi vào cái bẫy muốn quá khéo léo trong việc đưa ra gợi ý và có khả năng tạo ra những mô tả không chính xác. Thường thì cụ thể và trực tiếp sẽ tốt hơn. Phép so sánh ở đây rất giống với giao tiếp hiệu quả -- càng trực tiếp, thông điệp càng được truyền tải hiệu quả.

Ví dụ, bạn có thể muốn tìm hiểu khái niệm về kỹ thuật nhắc. Bạn có thể thử một số điều như sau:

Giải thích khái niệm kỹ thuật nhắc. Hãy giải thích ngắn gọn, chỉ vài câu và đừng quá chi tiết. 

Không rõ cần dùng bao nhiêu câu và phong cách nào từ lời nhắc ở trên. Bạn vẫn có thể nhận được phản hồi tốt với những lời nhắc ở trên, nhưng lời nhắc tốt hơn sẽ là một lời nhắc rất cụ thể, súc tích và đi thẳng vào vấn đề. Ví dụ như:

Hãy sử dụng 2-3 câu để giải thích khái niệm kỹ thuật nhắc cho một học sinh trung học.

Nên làm hay không nên làm?

Một mẹo phổ biến khác khi thiết kế lời nhắc là tránh nói những gì không nên làm mà thay vào đó là nói những gì nên làm. Điều này khuyến khích sự cụ thể hơn và tập trung vào các chi tiết dẫn đến phản hồi tốt từ mô hình.

Đây là một ví dụ về một chatbot đề xuất phim không thực hiện đúng những gì tôi không muốn nó làm do cách tôi viết chỉ dẫn -- tập trung vào những gì không nên làm.

Prompt:

Sau đây là một tác nhân giới thiệu phim cho khách hàng. KHÔNG HỎI VỀ SỞ THÍCH. KHÔNG HỎI THÔNG TIN CÁ NHÂN.

Khách hàng: Vui lòng gợi ý phim dựa trên sở thích của tôi.
Tác nhân:

Output:

Chắc chắn rồi, tôi có thể gợi ý một bộ phim dựa trên sở thích của bạn. Bạn muốn xem thể loại phim nào? Bạn thích phim hành động, hài, lãng mạn hay thể loại nào khác?

Đây là lời nhắc tốt hơn:

Prompt:

Dưới đây là một tác nhân giới thiệu phim cho khách hàng. Tác nhân này có trách nhiệm giới thiệu một bộ phim từ những bộ phim thịnh hành hàng đầu thế giới. Tác nhân nên tránh hỏi người dùng về sở thích của họ và tránh hỏi thông tin cá nhân. Nếu tác nhân không có phim nào để giới thiệu, tác nhân nên trả lời "Rất tiếc, hôm nay chúng tôi không tìm thấy phim nào để giới thiệu."

Khách hàng: Vui lòng giới thiệu một bộ phim dựa trên sở thích của tôi.
Tác nhân:

Output:

Rất tiếc, tôi không có thông tin nào về sở thích của bạn. Tuy nhiên, đây là danh sách các bộ phim thịnh hành hàng đầu thế giới hiện nay: [danh sách phim]. Hy vọng bạn sẽ tìm thấy phim mình thích!

Một số ví dụ trên được tham khảo từ bài viết "Các phương pháp hay nhất để thiết kế lời nhắc với OpenAI API".

Về phần ‘Giới thiệu’ ………. Phần trước ………. Phần tiếp theo

Video: General Tips for Designing Prompts

Here are some tips to keep in mind while you are designing your prompts:

Start Simple

As you get started with designing prompts, you should keep in mind that it is really an iterative process that requires a lot of experimentation to get optimal results. Using a simple playground from OpenAI or Cohere is a good starting point.

You can start with simple prompts and keep adding more elements and context as you aim for better results. Iterating your prompt along the way is vital for this reason. As you read the guide, you will see many examples where specificity, simplicity, and conciseness will often give you better results.

When you have a big task that involves many different subtasks, you can try to break down the task into simpler subtasks and keep building up as you get better results. This avoids adding too much complexity to the prompt design process at the beginning.

The Instruction

You can design effective prompts for various simple tasks by using commands to instruct the model what you want to achieve, such as "Write", "Classify", "Summarize", "Translate", "Order", etc.

Keep in mind that you also need to experiment a lot to see what works best. Try different instructions with different keywords, contexts, and data and see what works best for your particular use case and task. Usually, the more specific and relevant the context is to the task you are trying to perform, the better. We will touch on the importance of sampling and adding more context in the upcoming guides.

Others recommend that you place instructions at the beginning of the prompt. Another recommendation is to use some clear separator like "###" to separate the instruction and context.

For instance:

Prompt:

### Instruction ###
Translate the text below to Spanish:

Text: "hello!"

Output:

¡Hola!

Specificity

Be very specific about the instruction and task you want the model to perform. The more descriptive and detailed the prompt is, the better the results. This is particularly important when you have a desired outcome or style of generation you are seeking. There aren't specific tokens or keywords that lead to better results. It's more important to have a good format and descriptive prompt. In fact, providing examples in the prompt is very effective to get desired output in specific formats.

When designing prompts, you should also keep in mind the length of the prompt as there are limitations regarding how long the prompt can be. Thinking about how specific and detailed you should be. Including too many unnecessary details is not necessarily a good approach. The details should be relevant and contribute to the task at hand. This is something you will need to experiment with a lot. We encourage a lot of experimentation and iteration to optimize prompts for your applications.

As an example, let's try a simple prompt to extract specific information from a piece of text.

Prompt:

Extract the name of places in the following text. 

Desired format:
Place: <comma_separated_list_of_places>

Input: "Although these developments are encouraging to researchers, much is still a mystery. “We often have a black box between the brain and the effect we see in the periphery,” says Henrique Veiga-Fernandes, a neuroimmunologist at the Champalimaud Centre for the Unknown in Lisbon. “If we want to use it in the therapeutic context, we actually need to understand the mechanism.“"

Output:

Place: Champalimaud Centre for the Unknown, Lisbon

Input text is obtained from this Nature article.

Avoid Impreciseness

Given the tips above about being detailed and improving format, it's easy to fall into the trap of wanting to be too clever about prompts and potentially creating imprecise descriptions. It's often better to be specific and direct. The analogy here is very similar to effective communication -- the more direct, the more effective the message gets across.

For example, you might be interested in learning the concept of prompt engineering. You might try something like:

It's not clear from the prompt above how many sentences to use and what style. You might still somewhat get good responses with the above prompts but the better prompt would be one that is very specific, concise, and to the point. Something like:

Use 2-3 sentences to explain the concept of prompt engineering to a high school student.

To do or not to do?

Another common tip when designing prompts is to avoid saying what not to do but say what to do instead. This encourages more specificity and focuses on the details that lead to good responses from the model.

Here is an example of a movie recommendation chatbot failing at exactly what I don't want it to do because of how I wrote the instruction -- focusing on what not to do.

Prompt:

The following is an agent that recommends movies to a customer. DO NOT ASK FOR INTERESTS. DO NOT ASK FOR PERSONAL INFORMATION.

Customer: Please recommend a movie based on my interests.
Agent: 

Output:

Sure, I can recommend a movie based on your interests. What kind of movie would you like to watch? Do you prefer action, comedy, romance, or something else?

Here is a better prompt:

Prompt:

The following is an agent that recommends movies to a customer. The agent is responsible to recommend a movie from the top global trending movies. It should refrain from asking users for their preferences and avoid asking for personal information. If the agent doesn't have a movie to recommend, it should respond "Sorry, couldn't find a movie to recommend today.".

Customer: Please recommend a movie based on my interests.
Agent:

Output:

Sorry, I don't have any information about your interests. However, here's a list of the top global trending movies right now: [list of movies]. I hope you find something you like!

Some of the examples above were adopted from the "Best practices for prompt engineering with OpenAI API" article.

Dịch: Lê Trung Nghĩa

letrungnghia.foss@gmail.com