プロンプティングリファレンス¶
以下のセクションでは、基本的および高度な Few-shotプロンプティングのガイダンスを提供します。
効果的なプロンプティング戦略¶
このセクションでは、次の例を使用して、プロンプトエンジニアリングの要素を識別します。
あなたは1800年代初頭の世界的に著名な詩人です。 エドガー・アラン・ポーのスタイルで詩を書いてください。 10文の長さで、「押韻」の形式を使用する必要があります。
以下の画像から要素を検討してみましょう。
ペルソナ¶
ペルソナは、回答全体で特定の相手に似ていること（職業名、著名人）を保証する役割または音声を提供します。
コンテキストと感度¶
コンテキストは、モデルを特定の設定（時間、対象など）に誘導できる情報またはニュアンスです。 特異度は、より良い結果（トーンやスタイルなど）につながる可能性のあるコンテキストの一部として追加の詳細を提供します。
指示¶
指示は、モデルに実行させる特定のタスクです（記述、翻訳、要約など）。
ルール¶
ルールは、回答を制限または制約する仕様を提供します（語句の制限、回避すべきトピックなど）。
出力形式¶
出力形式は、出力のタイプおよび形式です。 オプションで、目的の回答をさらに絞り込むための例 （質問/回答、見出しなど）を提供できます。
回答の例¶
Few-shotプロンプティング¶
Few-shotプロンプティングは、「コンテキスト内学習」で限られた数の例またはプロンプトに基づいてテキストを生成または分類する手法です。実例、すなわち「ショット」は、与えられたコンテキストのパターンにモデルが従うように条件を設定します。トレーニング中に同様の実例を見たことがなくても、コンテキストに関連する一貫したテキストを生成できます。 これは、モデルにラベル付けされた大量のトレーニングデータが通常必要となる従来の機械学習とは異なります。 Few-shotプロンプティングでは、特定のデータセットでファインチューニングを行う必要なく、モデルをテキスト生成、テキストサマリー、変換、質問への回答、センチメント分析などのタスクに適した候補にすることができます。
Few-shotプロンプティングの簡単な例は、顧客のフィードバックを肯定的または否定的に分類する際に使用します。 モデルに肯定的と否定的のフィードバックの例を3つ表示することによって、分類されていないフィードバックを表示したときに、最初の3つの例に基づいてモデルが評価を割り当てることができます。 Few-shotプロンプティングは、モデルに2つ以上の例を表示するときに使用します。Zero-shotとOne-shotのプロンプティングは、同様の手法です。
以下は、DataRobotでのFew-shotプロンプティングの使用を示しています。 システムプロンプトフィールドで、プロンプトと学習例が表示されます。
```
カスタマーサポートチケットのテキストから、言及している製品名と問題のタイプを判断します。問題のタイプは"hardware"または"software"です。"product"と"issue type"の2つのキーを使用して、回答の形式をJSONにします。
---------------
例：
入力：TPS Report Generator Enterprise Editionでバグが発生しました。"Generate"をクリックするたびにアプリケーションがクラッシュします。アップデートまたは修正はありますか？
出力：{"product": "TPS Report Generator Enterprise Edition", "issue_type": "software"}
入力：Acme Phone 5+で画面がちらついて使えません。どうしたらいいでしょうか？ゲームをいくつかインストールしたいので、工場出荷時リセットを行い、問題が解決することを期待しましたが、解決しませんでした。
出力：{"product": "Acme Phone 5+", "issue_type": "hardware"}
---------------
```
LLMにそのコンテキストを入力した後、いくつかのプロンプトの例を試してください。
プロンプト：PrintPro 9000の画面に異様なエラーメッセージが表示されています。 "PC LOAD LETTER"と書かれてあります。 これは何を意味しますか？
プロンプト：Print Pro 9002にファームウェアv12.1をインストールできません。"Incompatible product version"と書かれています。
詳細については、 MIT Prompt Engineering Guideを参照してください。