A Systematic Survey of Prompt Engineering in Large Language Models: Techniques and Applications

Strategie z raportu

• Zero-Shot Prompting: Technika polegająca na poleganiu wyłącznie na wbudowanej wiedzy wstępnie wytrenowanego modelu, bez dostarczania mu żadnych gotowych przykładów rozwiązania. Sprawdza się świetnie przy prostych i powszechnych zadaniach, gdzie AI może naturalnie uogólniać koncepcje z danych treningowych.

• Few-Shot Prompting: Strategia dostarczania modelowi kilku przykładowych par "wejście-wyjście" w samym prompcie przed zadaniem właściwego pytania. Pozwala to na naśladowanie przez AI oczekiwanego wzorca (meta-learning) i znacząco zwiększa dokładność przy niestandardowych zadaniach.

• Chain-of-Thought (CoT) Prompting: Rozbudowana technika wymuszająca na modelu wygenerowanie pośrednich etapów rozumowania, zanim wskaże ostateczny wynik. Symuluje ludzki proces analityczny krok po kroku, radykalnie zwiększając skuteczność w trudnych problemach logicznych i arytmetycznych.

Dobre praktyki

• Budowanie silnego i szczegółowego kontekstu: Im więcej precyzyjnych informacji tła (rola modelu, cel biznesowy, grupa docelowa) znajdzie się w instrukcji, tym trafniejsza i mniej podatna na ogólnikowe odpowiedzi (tzw. halucynacje) staje się generowana treść.

• Precyzyjne formatowanie wyników wyjściowych: Zawsze jasno określaj, w jakiej strukturze chcesz otrzymać odpowiedź (np. tabela, JSON, konkretna liczba akapitów, lista punktowana). Oszczędza to czas na ręczne formatowanie danych po stronie użytkownika.

• Iteracyjne udoskonalanie promptów (Iterative refinement): Proces pisania promptów rzadko jest jednorazowy. Obserwowanie błędów modelu i poprawianie zapytań o dodatkowe ograniczenia pozwala na systematyczne "kalibrowanie" ostatecznego wyniku w serii rozmów z asystentem.

Czego unikać?

• Używania niejednoznacznego lub bardzo ogólnikowego języka: Prompty, które zostawiają wiele miejsca na własną interpretację, zmuszają model do "zgadywania" intencji. Prowadzi to często do odpowiedzi, które są technicznie poprawne, ale bezużyteczne z perspektywy użytkownika.

• Przeładowywania okna kontekstowego (Context Overload) w metodzie Few-Shot: Unikaj wstawiania zbyt dużej liczby rozwlekłych przykładów edukujących model. Zajmuje to cenne "tokeny" ograniczonej pamięci podręcznej LLM, podnosi koszty generowania i może sprawić, że AI zignoruje kluczowe instrukcje na samym dole promptu.

• Mieszania ze sobą ról i sprzecznych instrukcji: Wprowadzanie wielu niezwiązanych ze sobą zasad formatowania lub zderzanie ze sobą ról do odegrania w jednym małym bloku tekstu może przytłoczyć model, powodując gubienie kluczowych punktów zadania.