Γιατί το Re-Prompting υπάρχει (και γιατί θα το χρησιμοποιήσετε περισσότερο από ό, τι νομίζετε) Η «κλασική» αλληλεπίδραση LLM είναι one-and-done: 
 
 Πληκτρολογείτε: «Γράψτε μου ένα άρθρο για τη βιωσιμότητα».Το μοντέλο απαντά με ένα γενικό σχολικό δοκίμιο. Πληκτρολογείτε: «Γράψτε μου ένα άρθρο για τη βιωσιμότητα».Το μοντέλο απαντά με ένα γενικό σχολικό δοκίμιο. Αυτό δεν είναι πρόβλημα μοντέλου, αυτό είναι ένα . spec problem (επαναπαραγωγή μιας εξευγενισμένης προειδοποίησης μετά την εμφάνιση της πρώτης εξόδου) είναι η πρακτική γέφυρα από: Re-prompting 
 
 ανθρώπινη πρόθεση → μηχανικά αναγνώσιμες οδηγίες → χρήσιμη παραγωγή Αυτός είναι ο τρόπος με τον οποίο πηγαίνετε από το "υπάρχει έξοδος" στο "αυτή η έξοδος είναι σωστή, δομημένη και μεταφορική". Επαναπροσδιορισμός, ορισμός Είναι η πρακτική της Στη συνέχεια, επαναλάβετε για να πάρετε ένα καλύτερο αποτέλεσμα. Re-prompting adjusting the prompt’s content, structure, or constraints after inspecting the model’s first response Βασικό σημείο: είναι Η πρώτη έξοδος δεν είναι «η απάντηση». . feedback-driven telemetry Ένα μικρό παράδειγμα «Γράψτε κάτι για την κλιματική αλλαγή» Prompt v1: Γενική επισκόπηση, καμία γωνία, κανένα κοινό που ταιριάζει. Output: «Γράψτε μια εξήγηση 350-450 λέξεων για Η κλιματική αλλαγή περιλαμβάνει: Prompt v2: UK secondary school students 
 
 δύο αιτίες, 2) δύο επιπτώσεις, 3) τρεις καθημερινές ενέργειες που μπορούν να λάβουν οι μαθητές, και 4) τελειώνουν με μια έκκληση σε δράση μιας φράσης. Το ίδιο μοντέλο. διαφορετικό αποτέλεσμα. Επειδή το spec έγινε πραγματικό. Γιατί το Single-Prompting αποτυγχάνει (και το Re-Prompting δεν το κάνει) Μοναδικές προειδοποιήσεις υποθέτουν ότι μπορείτε να προβλέψετε πλήρως τι χρειάζεστε μπροστά. 
 
 
 
 
 
 
 
 
 
 
 Dimension 
 Single Prompt 
 Re-Prompting 
 
 
 
 
 Interaction 
 One-way 
 Feedback loop 
 
 
 
 
 Info base 
 Only initial intent 
 Intent + output defects 
 
 
 
 
 Goal 
 “Get an answer” 
 “Get the right answer” 
 
 
 
 
 Best for 
 Simple asks 
 Fine-grained or high-stakes output αλληλεπίδραση Μοναδικός δρόμος Ετικέτες feedback loop Βάση πληροφοριών Μόνο η αρχική πρόθεση Στόχος + ελαττώματα παραγωγής Στόχος «Πάρτε μια απάντηση» «Βρείτε τη σωστή απάντηση» Καλύτερα για Απλές ερωτήσεις Υψηλής ποιότητας ή υψηλής ποιότητας προϊόντα Η πραγματική αξία: τι σας αγοράζει το Re-Prompting 1) Χαμηλότερο εμπόδιο εισόδου Δεν χρειάζεται να είσαι γρήγορος μάγος την πρώτη μέρα. . iterate 2) Δυναμική βαθμονόμηση για πολύπλοκες ερωτήσεις Η φωνή της μάρκας, το μάρκετινγκ προϊόντων, η τεχνική γραφή, οι περιλήψεις πολιτικής – αυτές είναι Re-prompting σας επιτρέπει να ρυθμίσετε τον τόνο και τη δομή γρήγορα. moving targets 3) Πιο συνεπής παραγωγή Η θερμοκρασία, η δειγματοληψία και η τυχαιοποίηση του μοντέλου μπορεί να προκαλέσουν διαρροή. (“No slang”, “use bullets”, “include acceptance criteria”) μειώνει την απόκλιση. constraints Πότε πρέπει να κάνετε επανεκκίνηση; Μια πρακτική λίστα ενεργοποιητών Όχι κάθε απάντηση αξίζει έναν άλλο γύρο.Αλλά αυτά κάνουν: 1) Η παραγωγή χάνει τον βασικό στόχο Μιλάει γύρω από το θέμα αλλά αγνοεί τον λόγο που ρωτήσατε. Signal: «Γράψτε σημεία πώλησης για ένα ρολόι πεζοπορίας του οποίου το βασικό χαρακτηριστικό είναι με στόχο τους Βρετανούς πεζοπόρους». Example ask: 72-hour battery  paragraphs about aesthetics and strap material; battery barely mentioned. Bad output: Δεν κάνατε το πλαίσιο «μπαταρία + πεζοπορία» μη διαπραγματεύσιμο. Why you re-prompt: 2) Η μορφή είναι λάθος Ζήτησες κάτι μηχανοκίνητο, πήρες πρόζα. Signal: «Βάλτε αυτές τις προδιαγραφές τηλεφώνου σε έναν πίνακα Markdown με επικεφαλίδες » Example ask: Model | RAM | Storage Μια αριθμημένη λίστα. Bad output: η μορφοποίηση πρέπει να είναι σαφής, και συχνά επωφελείται από μια . Why you re-prompt: mini example 3) Υπάρχουν λογικά ή εννοιολογικά λάθη Λάθος ορισμοί, αντιφάσεις, ή «ακούγεται σωστό» αλλά δεν είναι. Signal: «Εξηγήστε την αλυσίδα σκέψης με ένα μαθηματικό παράδειγμα». Example ask: CoT σημαίνει «δώστε απευθείας την απάντηση» και χρησιμοποιεί Σαν το «πρότυπο». Bad output: 2+3=5 Η προειδοποίηση σας δεν αγκυροβόλησε τον ορισμό και δεν παρείχατε ένα σωστό αντίγραφο. Why you re-prompt: 4) Είναι πολύ σύντομο ή πολύ μακρύ Ζητήσατε βήματα, πήρατε μια πρόταση ή ζήτησατε μια περίληψη, πήρατε ένα δοκίμιο. Signal: «Λεπτομέρειες» και «Σύντομες» δεν είναι οδηγίες. είναι κραδασμοί. . Why you re-prompt: structure and word limits Ο κύκλος των 5 βημάτων: Μετατρέψτε την επανεκκίνηση σε ένα σύστημα Εδώ είναι ένα πλαίσιο που κρατά την επανάληψη από το να γίνει τυχαίο thrashing. Βήμα 1: Αξιολόγηση της εξόδου (με μια λίστα ελέγχου 3 άκρων) Χρησιμοποιήστε αυτούς τους τρεις άξονες κάθε φορά: 
 
 
 
 
 
 
 
 
 
 Axis 
 What you’re checking 
 Example failure 
 
 
 
 
 Accuracy 
 Does it solve the actual problem? 
 Deletes the wrong rows when asked to handle missing values 
 
 
 
 
 Format 
 Is it structured as requested? 
 No code comments / no table / wrong schema 
 
 
 
 
 Completeness 
 Did it cover every must-have point? 
 Handles missing values but ignores outliers Ακρίβεια Λύνει το πραγματικό πρόβλημα; Διαγράφει τις λανθασμένες γραμμές όταν σας ζητείται να χειριστείτε τις λείπουσες τιμές Μορφή Είναι δομημένο όπως ζητήθηκε; Κανένας κωδικός σχόλια / κανένας πίνακας / λάθος σχήμα Πλήρης Έχει καλύψει κάθε must-have σημείο; Αντιμετωπίζει τις λείπουσες αξίες αλλά αγνοεί τα περιθώρια Pro-tip: Γράψτε μια γρήγορη "κατάλογο ελαττωμάτων" όπως ένας μηχανικός QA θα: . Goal Drift / Format Break / Missing Points / Wrong Concepts / Verbosity Βήμα 2: Ανιχνεύστε το ελάττωμα πίσω στο prompt Οι περισσότερες αποτυχίες εξόδου προέρχονται από γρήγορες αιτίες που μπορείτε να διορθώσετε. 
 
 
 
 
 
 
 
 
 
 
 Defect 
 Likely prompt cause 
 Example 
 
 
 
 
 Goal drift 
 vague priorities 
 didn’t state the   selling point primary 
 
 
 
 
 Format break 
 format not explicit 
 “organise this” ≠ “Markdown table with headers…” 
 
 
 
 
 Logic error 
 wrong / missing definition 
 didn’t anchor the concept and example 
 
 
 
 
 Too brief 
 no structure requirement 
 didn’t specify steps, length, sections Στόχος Drift Οι ασαφείς προτεραιότητες Δεν ανέφερε το Σημείο πώλησης Πρωτογενής Φόρμα διακοπής Η μορφή δεν είναι σαφής «Οργανώστε αυτό» ≠ «Πίνακας Markdown με κεφαλίδες...» Λογικό λάθος Λάθος / λείπει ο ορισμός Δεν αμφισβητεί την έννοια και το παράδειγμα Πολύ σύντομη Χωρίς δομική απαίτηση Δεν καθορίζει βήματα, μήκος, τμήματα Σημαντική αλλαγή νοοτροπίας: Φταίει το spec. don’t blame the model first Βήμα 3: Εφαρμόστε μία από τις 4 προσαρμογές υψηλής μόχλευσης Στρατηγική Α: Προσθήκη πλαισίου + περιορισμών (διορθώνει την ασάφεια / τη διαρροή στόχων) Προσθήκη: κοινό, σενάριο, σειρά προτεραιότητας, απαγορευμένο περιεχόμενο, απαιτούμενα σημεία. «Γράψτε ένα eco άρθρο». «Γράψτε 400 λέξεις για τους μαθητές του 9ου έτους του Ηνωμένου Βασιλείου, το πλαίσιο ανακύκλωσης του σχολείου, συμπεριλαμβάνοντας 3 συμβουλές που μπορούν να εφαρμοστούν, φιλικό τόνο, χωρίς σαγόνι, και τελειώστε με μια έκκληση για δράση». Before: After: Στρατηγική Β: Κάντε τη μορφή εκτελέσιμη (διορθώνει τη διακοπή μορφής) Καθορισμός: τύπος + σχήμα + παράδειγμα. After prompt snippet: Return a Markdown table exactly like this:
| Model | RAM | Storage |
|---|---|---|
| Example | 8GB | 128GB |
 Στρατηγική Γ: Προσθήκη ή διόρθωση παραδειγμάτων (διόρθωση παρεξηγήσεων) Αν το μοντέλο είναι μπερδεμένο, . show it the pattern Example for Chain-of-Thought (correct pattern): 
 
 
 
 «Ο Σαμ έχει πέντε μήλα, τρώει δύο, αγοράζει τρία...» Λόγος: 5−2 = 3, 3+3 = 6 Απάντηση : 6 Στρατηγική Δ: Λεπτομέρειες ελέγχου με δομή + όρια (διορθώνει τη λεκτικότητα) Καθορίστε τις ενότητες, τον αριθμό των σφαίρων, τα όρια των λέξεων και τι "κάνει" μοιάζει. Εξηγήστε μερικές-Shot προτρέποντας σε Για κάθε βήμα: Μαξ » Prompt snippet: 3 steps 1 sentence 20 words Βήμα 4: επικύρωση (τότε αποφασίστε αν θα επαναλάβετε την επανάληψη) Κάντε επανεκκίνηση της προειδοποίησης. επανεκτίμηση ενάντια στους ίδιους 3 άξονες. Stop when: 
 
 
 
 Ο βασικός στόχος έχει επιτευχθεί, Η μορφή είναι σωστή, Κανένα μεγάλο λογικό λάθος. Μην κυνηγάς τον «τέλειο» Chase . usable  3–5 iterations. If you’re still unhappy after 5, the requirement might be underspecified or you might need a different model/tooling. Rule of thumb: Βήμα 5: Δοκιμάστε τη νίκη (για να μην ξεκινήσετε ποτέ ξανά από το μηδέν) Μόλις λειτουργήσει αξιόπιστα, παγώστε το ως : prompt template 
 
 
 Σταθερά μέρη: οδηγίες, δομή, κανόνες μορφοποίησης Μεταβλητά μέρη: συμπληρώσιμα πεδία όπως {audience}, {constraints}, {inputs} Example: Python data-cleaning prompt template Generate Python code that meets this spec:
​
1) Goal: {goal}
2) Input: {input_description}
3) Requirements:
   - Use pandas
   - Handle missing values using {method}
   - Handle outliers using {outlier_rule}
4) Output rules:
   - Include comments for each step
   - End with 1–2 lines on how to run the script
   - Wrap the code in a Markdown code block
 Αυτός είναι ο τρόπος επαναπροώθησης ενώσεων: δημιουργείτε μια βιβλιοθήκη προειδοποιήσεων που συμπεριφέρονται σαν εργαλεία. Ολόκληρο το Walkthrough Iteration Let’s build something real:  Και το έκαναν σαν χειριστής. 3 promo posts for a bubble tea brand Γύρος 0: Prompt That Fails «Γράψτε 3 κοινωνικές δημοσιεύσεις για το Sweet Sprout Bubble Tea.» Prompt: Επαναλαμβανόμενα, σπάνια, χωρίς κλωτσιές, χωρίς πινακίδες πλατφόρμας. Output: Αξιολόγηση 
 
 
 
 Ακρίβεια: Vague Brand Fit Μορφή: Χωρίς hashtags, Χωρίς CTA Πλήρης: Τεχνικά 3 θέσεις, αλλά μηδενική διαφοροποίηση Γύρος 1: Προσθήκη χαρακτηριστικών μάρκας + μορφή πλατφόρμας Re-prompt: 
 
 
 
 
 
 Μάρκα: χαμηλή ζάχαρη, επιλογές 0 θερμίδων Ετικέτα: taro boba milk tea Κατάστημα Vibe: Instagrammable εσωτερικό Στυλ: ενεργητικός, emojis, τέλος με 2-3 hashtags Διαφοροποίηση: κάθε θέση επικεντρώνεται σε (1) γεύση, (2) φωτογραφίες, (3) χαμηλή θερμιδική αξία Ακόμη και αν λείπει το «κάντε κάτι τώρα». Output improves Γύρος 2: Προσθήκη ενεργοποιητή δράσης (τοποθεσία + προωθήσεις) Εμείς προσθέτουμε : 
 
 
 
 Τοποθεσία: Κέντρο Μάντσεστερ Προπώληση: BOGOF μέχρι 31 Οκτ CTA: «Έλα μετά τη δουλειά / αυτό το Σαββατοκύριακο» Τώρα η παραγωγή γίνεται διαθέσιμη. Συνηθισμένα λάθη (και πώς να μην σπαταλάτε τη ζωή σας) Λάθος 1: Αλλάζοντας τα πάντα ταυτόχρονα Δεν μπορείτε να μάθετε τι λειτούργησε αν μεταλλάξετε ολόκληρη την προτροπή κάθε φορά. Για την iteration. one major variable Λάθος 2: «Το μοντέλο είναι κακό» ως προεπιλεγμένη διάγνωση Τις περισσότερες φορές, η προειδοποίηση σας δεν καθορίζει: 
 
 
 
 
 
 Προτεραιότητα Μορφή Περιορισμοί Παραδείγματα Κριτήρια επιτυχίας Λάθος 3: Ατελείωτη επανάληψη κυνηγώντας την τελειότητα Εάν είναι σωστό και χρήσιμο, στείλτε το. Λάθος 4: Δεν αποθηκεύετε την τελική προειδοποίηση Εάν η εργασία επαναλαμβάνεται, ένα πρότυπο αξίζει περισσότερο από μια μεγάλη εφάπαξ απάντηση. Λάθος 5: Αντιγραφή της ίδιας προειδοποίησης σε διάφορες πλατφόρμες Αυτό που λειτουργεί στο Hacker News θα αποτύχει στο TikTok. Μέσα στο γρήγορο. platform constraints Συμβουλές εργαλείων και ροής εργασίας 
 
 
 
 
 Κρατήστε ένα φύλλο εξαπάτησης «ελαττωματικό → διορθωτικό» (διαμόρφωση λείπει → προσθήκη σχήματος + παράδειγμα, επανάληψη → επιβολή διαφόρων γωνιών, έννοια λάθος → προσθήκη ορισμού + παράδειγμα). Δοκιμάστε σε 3-5 εξόδους πριν από τη μαζική παραγωγή 50. Αποθήκευση προειδοποιήσεων σε ένα σύστημα προτύπων (Notion, Obsidian, ακόμη και ένα git repo). Εάν εργάζεστε σε μια ομάδα: παρακολουθήστε προειδοποιητικές εκδόσεις όπως κώδικα. Τελική λήψη Το re-prompting δεν είναι ένα τέχνασμα, είναι η ροή εργασίας. Εάν η προτροπή είναι γραπτές απαιτήσεις, Χρησιμοποιώντας την έξοδο του μοντέλου ως αρχεία καταγραφής σφαλμάτων.Όταν το κάνετε συστηματικά, σταματάτε να "ρωτάτε ChatGPT πράγματα" και αρχίστε να χτίζετε Μπορείς πραγματικά να πλοηγηθείς. re-prompting is debugging those requirements reliable text-and-code generators

This story contains AI-generated text. The author has used AI either for research, to generate outlines, or write the text itself. 

Read My Stories

Αυτός ο ήχος παράγεται στην αρχική γλώσσα της ιστορίας!

Re-Prompting: Ο κύκλος που μετατρέπει την παραγωγή "Meh" LLM σε αποτελέσματα έτοιμα για παραγωγή

About Author

ΣΧΟΛΙΑ

ΚΡΕΜΑΣΤΕ ΕΤΙΚΕΤΕΣ

ΑΥΤΟ ΤΟ ΑΡΘΡΟ ΠΑΡΟΥΣΙΑΣΤΗΚΕ ΣΤΟ

Related Stories

The 2.0 Conferences Spark Global Conversations With HackerNoon As Esteemed Media Partner

OpenAI Trustees Accused of Misusing Donor Funds

Elon Musk and The Worst-Case Scenario of a Nuclear Apocalypse

Elon Musk's Lawsuit Unveils OpenAI’s Complex Corporate Network

The 2.0 Conferences Spark Global Conversations With HackerNoon As Esteemed Media Partner

OpenAI Trustees Accused of Misusing Donor Funds

Elon Musk and The Worst-Case Scenario of a Nuclear Apocalypse

Elon Musk's Lawsuit Unveils OpenAI’s Complex Corporate Network

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps