LLM สมองบิน EP.4 — Prompt Engineering ถามยังไงให้ตรงคำตอบ
สวัสดีค่าาา กลับมาอีกแล้ว กับซีรี่ส์ LLMs ที่ยังไม่ได้ตั้งชื่อ 555 ครั้งที่แล้วพูดถึงการเชื่อม API แบบง่ายๆไปแล้ว แล้วก็มีพูดถึง Sampling Parameters ที่เอาไว้กันเปลือง 5555 ซึ่งจริงๆแล้วก่อนจะไปยุ่งกับ parameter พวกนั้น จริงๆมาดูที่ prompt ก่อน เพราะบางทีถ้า prompt กาก แล้วไปปรับ parameter ก็อาจจะไม่ช่วยอะไร
วันนี้เลยจะมาดูเรื่อง Prompt Engineering แบบ Basic กัน
Prompt → LLM → Response
Prompt Engineering ง่ายๆก็คือ ให้นึกถึง input ที่เวลาเราสั่งให้ ChatGPT มันทำนู่นทำนี่แหละ อันนั้นคือ prompt แต่เราจะเอามา engineering เพื่อคุมการตอบให้ได้ดั่งใจ high performance เพราะปกติโมเดลมันจะรู้แค่ที่เราบอกมัน ถ้าไม่เคยบอก มันก็ไม่รู้ (มีความเป็น stateless และ non-deterministic)
Structure ของ Prompt
จะมี system prompt แล้วตามด้วย User → Assistant สลับตากัน แต่ใน ChatGPT ที่เรา prompt มันจะเป็นแบบ consumer prompt ไม่เกี่ยวกับหัวข้อในวันนี้ แต่ที่สรุปใน EP นี้คือจะเป็นแบบ enterprise prompt คือ prompt เป็นกิจจะลักษณะเลย มี structure มี template แล้วต้องมีการทดสอบด้วย
How? แล้วจะทำยังไง
เหมือน prompt น้องพนักงานใหม่ ที่ขี้ลืม โดยการ
- ทำให้ชัดเจน บอกว่าจะเอาผลลัพธ์ไปทำอะไร ให้ใครใช้ เป้าหมายคืออะไร ดีคือแบบไหน ไม่ดีคือแบบไหน
- แบ่งงานให้ชัดเจน ต้องทำอะไรบ้าง
- ให้ตัวอย่าง (few shot/ multi shot prompting) สามารถใช้ tag <example>…</example> ได้
- ให้สามารถถามได้ว่าเข้าใจภาษาเราไหม
รูปข้างล่างคือตัวอย่าง prompt ที่ไม่ชัดเจน กับ prompt ที่ดีย์ มีความเฉพาะเจาะจง รู้ความต้องการของตัวเอง รูปทั้งหมดนี้ แน่นอนว่าเอามาจากเลคเชอร์อาจารย์ 55555
ต่อไปตัวอย่าง prompt ที่มีการแบ่งงานชัดเจน
ตัวอย่าง prompt ที่มีการยกตัวอย่างใน tag <example>….</example>
จบแล้วสำหรับ Promp Engineering Basic ส่วน Prompt Engineering ของจริงขอยกไปเขียน EP หน้าแล้วกัน เพราะน่าจะยาววววว ขอบคุณเลคเชอร์อาจารย์นัทมากๆเลยนะคะ สอนดีมากๆ ความรู้ดีๆก็มีในโลก เย้ๆ
แล้วพบกัน EP.5 นะคะ ขอบคุณที่ติดตามค่าาา เลิฟฟฟฟ