Подходы к созданию промтов: zero-shot, one-shot, few-shot и chain-of-thought

Промтинг — термин из области обработки естественного языка, которым обозначается общение человека и нейросети. Суть проста: мы — люди — даем искусственному интеллекту запрос, а он отвечает нам результатом, сгенерированным при помощи модели машинного обучения. Работа искусственного интеллекта строится на продвинутых алгоритмах ИИ, но результат зависит от того, как именно мы создаем промпт.

Бесплатный вебинар: как стать промпт-инженером с нуля. Инструменты, навыки, первые шаги в профессии будущего. Участвовать

Как в обычной беседе между людьми, качество ответа определяется тем, насколько грамотно составлен запрос. Даже стиль, структура или формулировка запроса имеют значение. Именно поэтому важно понимать, какие подходы к созданию промптов применяются для эффективного взаимодействия с такими системами, как Chat GPT или другие сервисы ИИ.

Существует несколько стратегий, позволяющих создать точные, а также результативные промпты. Рассмотрим их подробнее.

Что нужно знать о промте

Промпт может быть в формате вопроса, фразы, предложения — чего угодно. Иногда приходится перебрать несколько вариантов, чтобы добиться от нейросети нужного результата. Совсем не точно, если вы будете спрашивать одно и то же у разных сервисов ИИ, ответ получится одинаковым. Модели тренируются на различных массивах данных, некоторые имеют доступ в интернету или даже способны гуглить что-то самостоятельно.

Процесс манипуляции с запросом для получения идеального результата называется промпт-инжинирингом. Сейчас это очень востребованное направление в IT. Промт-инженеры обучают нейросети для компаний, например, если нужно создать чат-бота для компании.

Много и подробно мы пишем о промт-инжиниринге, а также нужных для этого скиллах в блоге «Я зерокодер», а еще рассказываем о новом IT-направлении на бесплатном вебинаре. Узнайте, как войти в айти без знания кода, а также стать востребованным специалистом!

А пока поделимся секретами составления качественных промтов. Есть несколько подходов, принятых среди специалистов по большим языковым моделям: они называются zero-shot, one-shot, few-shot и chain-of-thought. Приблизительно это можно перевести как «без примеров», «один пример», «несколько примеров» и «цепочка мыслей».

ОНЛАЙН-ПРАКТИКУМ

ЗАПУСК DEEPSEEK R1 ЛОКАЛЬНО НА СВОЕМ КОМПЬЮТЕРЕ

ЧТО БУДЕТ НА ОБУЧЕНИИ?

• ПОКАЖЕМ, КАК РАЗВЕРНУТЬ МОДЕЛЬ DEEPSEEK R1 ПРЯМО НА СВОЁМ КОМПЬЮТЕРЕ
• Где и как применять? Потестируем модель после установки на разных задачах
• Как дообучить модель под себя?

Участвовать бесплатно

Zero-shot подход: без примеров

Во всех гайдах говорится, что чем больше примеров вы предоставите нейросети, тем точнее будет ее ответ. Это правда. Но действительно хороший промт-инженер пользуется несколькими подходами, потому что только так можно получить идеальное решение.

Zero-shot подход подразумевает, что вы не даете ИИ никаких примеров, опираясь исключительно на ее способность понять ваш запрос, а на те данные, на которых он обучен.

Например, вы пишете такой промпт:

— Проведи анализ настроения следующего текста и оцени его как нейтральный, негативный или позитивный. Текст: «Карбонара в этом ресторане была посредственной».

Нейросеть отвечает:

— Настроение: негативное.

Никаких специфических данных для анализа поступающего промта ИИ не получает. Того же результата можно добиться, используя, например, популярное вступление для промта: «Фламинго — это…». Система продолжит предложение, предоставив информацию из базы данных. Ей не нужны уточнения, она пользуется своими алгоритмами, информацией и умением понимать контекст.

One-shot и few-shot подходы: с примерами

Несмотря на то, что нейронная сеть способна генерировать результат без примеров, делает это весьма эффективно, в случае с более сложными промтами она может испытывать трудности. В такой ситуации примеры можно, даже нужно использовать — подход, когда мы буквально показываем большой языковой модели, что именно хотим от нее, называется one-shot или few-shot подходы. В первом случае мы даем ей один пример, а во втором — от двух или более.

Когда это может использоваться? Например, если мы изобретаем несуществующее слово. Для того, чтобы искусственный интеллект научился использовать его корректно, нужно сначала объяснить ей значение, а также показать примеры употребления.

Например, мы пишем:

— «Гакбакить» означает прыгать от радости. Пример употребления: «Получив письмо от возлюбленного, Ирина начала в восторге гакбакить по комнате». Напиши свой пример с использованием этого слова.

И получаем ответ:

— Когда Максим узнал, что его стартап получил инвестиции, он начал гакбакить по всей квартире, словно детеныш кенгуру, испытывающий первые скачки радости.

Соответственно, подход с примерами можно использовать, если вы пишете чат-бот для какой-то узкоспециализированной области. Или если планируете создать свою фэнтези-вселенную — почему нет.

Chain-of-thought подход: следим за ходом мысли

Иногда нейросети ошибаются, а лучший способ исправить ситуацию — предложить им поразмыслить над своими ошибками. Процесс активируется простой командой: «Давай подумаем над этим шаг за шагом». Именно промтинг с использованием этой волшебной фразой, называется подходом chain-of-thought (CoT), буквально «цепочка мыслей».

Современные нейросети GPT делают это в автоматическом режиме.

AI-баттл: российские и зарубежные нейросети — кто справится лучше? Бесплатный вебинар + разбор инструментов. Смотреть

Например, мы пишем:

— В среднем Сергей может ударить 25 раз за минуту. Бой длился на протяжении 5 раундов, каждый раунд занял 3 минуты. Сколько ударов нанес Сергей?

И нейросеть отвечает:

Это и есть цепочка мыслей — размышление над ответом шаг за шагом.

Подход может быть с примерами или без них: zero-shot-CoT и few-shot-CoT. Нейросеть можно научить последовательно выполнять алгоритм для того, чтобы прийти к определенному результату. Это очень полезно, когда мы создаем сложный сценарий.

Хороший промт-инженер сочетает разные подходы и использует те, которые лучше всего подойдут для определенной ситуации. Смело экспериментируйте — тем более, что специальность пока очень молода и не имеет четких правил.