تکنیکهای Prompt Engineering
1) Zero-shot Prompting
تعریف
به مدل دستور میدهیم بدون هیچ مثال قبلی کار را انجام دهد.
ساختار:
Instruction + Question
مثال
Explain Docker networking.
مدل خودش از دانش قبلی استفاده میکند.
کاربرد
سؤالهای عمومی
کارهای ساده
زمانی که مثال لازم نیست
2) Few-shot Prompting
تعریف
به مدل چند مثال میدهیم تا سبک، فرمت یا الگو را یاد بگیرد.
ساختار:
Example 1
Example 2
Example 3
New Task
مثال
Example:
Input:
Create user model.
Output:
class User(models.Model):
...
Now:
Create Product model.
کاربرد
تولید کد
دستهبندی متن
خروجی با فرمت خاص
3) Chain of Thought (CoT)
تعریف
مدل را تشویق میکنیم مسئله را مرحلهای تحلیل کند.
ایده:
Problem
↓
Reasoning
↓
Answer
مثال
Solve this problem step by step.
A company has 100 servers.
20% fail.
How many remain?
کاربرد
مسائل ریاضی
تحلیل معماری
تصمیمگیری
4) Self Consistency
تعریف
به جای گرفتن یک مسیر استدلال، چند پاسخ تولید میکنیم و بهترین را انتخاب میکنیم.
ساختار:
Prompt
↓
Answer A
Answer B
Answer C
↓
Vote
↓
Final Answer
مثال
Solve this problem using three different approaches.
Compare them.
Select the most reliable answer.
تفاوت با CoT
CoT:
یک مسیر فکر
Self Consistency:
چند مسیر فکر + انتخاب
5) Tree of Thoughts (ToT)
تعریف
به جای چند جواب مستقل، یک درخت از مسیرهای حل ایجاد میکنیم.
مثلاً برای طراحی سیستم:
Solution
/ | \
Design A Design B Design C
↓
Evaluate
↓
Best Design
مثال
Design three architectures.
Evaluate:
- Cost
- Security
- Scalability
Choose the best.
6) Meta Prompting
تعریف
به مدل دستور میدهیم چگونه فکر کند یا چگونه مسئله را حل کند.
یعنی:
پرامپت درباره روش حل است.
مثال
Before answering:
1. Analyze requirements.
2. Identify risks.
3. Create solution.
4. Review your answer.
7) Generated Knowledge Prompting
تعریف
قبل از پاسخ، مدل ابتدا دانش مرتبط تولید میکند.
ساختار:
Question
↓
Generate Knowledge
↓
Answer
مثال
First generate important facts about Kubernetes security.
Then explain Kubernetes security.
8) Prompt Chaining
تعریف
یک کار بزرگ را به چند پرامپت کوچک تقسیم میکنیم.
ساختار:
Prompt 1
↓
Prompt 2
↓
Prompt 3
مثال
ساخت مقاله:
مرحله اول:
Create outline.
مرحله دوم:
Write each section.
مرحله سوم:
Review article.
9) Automatic Prompt Engineer (APE)
تعریف
مدل خودش پرامپتهای بهتر تولید و ارزیابی میکند.
ایده:
Task
↓
Generate prompts
↓
Evaluate
↓
Best Prompt
مثال
Task:
Generate Kubernetes YAML.
Create 10 possible prompts.
Evaluate them.
Choose the best one.
10) Active-Prompt
تعریف
از بین تعداد زیادی مثال، بهترین مثالها را انتخاب میکند.
تمرکز:
Select Examples
نه:
Create Prompt
مثال
داریم:
100 Django examples
میگوییم:
Select the 5 examples
that are most useful for creating APIs.
11) Directional Stimulus Prompting (DSP)
تعریف
به جای دادن جواب یا مثال، فقط مسیر و تمرکز را مشخص میکنیم.
مثال
ضعیف:
Explain Docker.
DSP:
Explain Docker.
Focus on:
- Containers
- Networking
- Security
- Performance
12) ART (Automatic Reasoning and Tool-use)
تعریف
مدل یاد میگیرد چه زمانی از ابزار استفاده کند.
ساختار:
Reason
↓
Choose Tool
↓
Use Tool
↓
Answer
مثال
Find latest Django version.
Use search tool if needed.
13) PAL (Program-Aided Language Model)
تعریف
مدل به جای حل مستقیم، برنامه تولید میکند و برنامه جواب را محاسبه میکند.
ساختار:
Question
↓
Generate Code
↓
Execute
↓
Result
مثال
سؤال:
Calculate average sales.
مدل:
df.mean()
14) ReAct (Reason + Act)
تعریف
مدل بین فکر کردن و عمل کردن رفتوبرگشت دارد.
ساختار:
Thought
↓
Action
↓
Observation
↓
Thought
↓
Action
مثال DevOps
Why nginx is down?
Agent:
Check nginx status
↓
Read logs
↓
Find error
↓
Fix
15) Reflexion
تعریف
مدل بعد از پاسخ، خودش را نقد میکند و بهتر میکند.
ساختار:
Answer
↓
Critique
↓
Reflection
↓
Improved Answer
مثال
Write Django API.
Then:
Review your code.
Find bugs.
Improve it.
@code_crafters