
 
 AI가 규모에서 작동하는지 아닌지 결정하는 잊혀진 커뮤니케이션 기술. AI가 규모에서 작동하는지 아닌지 결정하는 잊혀진 커뮤니케이션 기술. 좋은 설계는 명확한 의도, 구조화 된 테스트 및 조직화 된 엔지니어링 및 테스트 프로세스를 통해 지속적인 정교함에서 나온다. 초기 대형 언어 모델에 대한 작업은 시도와 실수에 의존했으며, 오늘날, 촉구는 전문적인 기술로 진화했습니다. 이제 촉구는 당신이 어떤 시스템을 설계하는 데 사용하는 동일한 구조화 된 사고를 필요로합니다.당신은 모델이 언어를 어떻게 해석하고 그들이 따라 할 수있는 방식으로 의도를 표현하는지 이해해야합니다. 강력한 신속한 엔지니어는 단계로 생각하고, 결과를 측정하고, 변화를 추적하고, A/B 테스트를 수행하며, 시간이 지남에 따라 개선합니다.The more accurate the instruction, the more consistent the result. 나는 스타트업과 글로벌 기업을위한 AI 및 기계 학습 시스템을 구축하는 데 15 년 이상을 보냈습니다.내 작업은 마이크로소프트에서 시작되었으며 대규모 권장 시스템과 검색 알고리즘에 초점을 맞추어 수억 명의 고객에게 서비스를 제공했습니다. 이 블로그에서는 일관되게 정확하고 유용한 출력을 제공하는 설계, 테스트 및 정교한 프롬프트를 사용하는 실용적인 방법을 공유 할 것입니다. Core Techniques for Better Results 더 나은 결과를 위한 핵심 기술 효과적인 촉구의 기초는 산업에 적용됩니다.이 기술은 제어, 정확성 및 반복성을 제공합니다. 전략가, 연구자 또는 분석가와 같은 모델의 역할을 명확하게 정의하고 명확한 특징을 지정합니다.Context shapes focus and improves accuracy. Role Assignment 톤, 형식 및 길이에 대한 경계를 설정합니다.Clear limits reduce ambiguity and guide responses. Constraints 작업을 정의된 단계 또는 섹션으로 분할하여 모델의 논리를 개선하고 복잡한 지침을 처리하는 데 도움이 됩니다.This improves the model's logic and helps it handle complex instructions. Delimiters and Structure 좋은 성능을 보여주는 샘플 출력을 포함합니다.예제는 글쓰기 설명보다 톤과 정밀도를 더 빨리 가르칩니다. Few-Shot Examples 또한 LLM이 자주 재생할 수 있기 때문에 매우 중요하며, 예상하지 않을 형식으로 응답을 제공 할 수 있기 때문에 출력에 따르기를 원하는 형식을 보여줍니다. 각각의 이러한 방법은 일관성과 효율성을 지원합니다.그들은 함께 신뢰할 수 있고 반복 가능한 AI 결과를위한 기초를 만듭니다. Advanced Strategies for Complex Work 복잡한 작업을위한 고급 전략 기본 사항이 적용되면, 고급 촉구 기술은 모델의 이유를 돕고 더 효과적으로 작동합니다. 이 접근 방식은 정확성과 투명성을 향상시키고 응답이 어떻게 구성되었는지에 대한 렌즈를 제공합니다.This approach improves accuracy and transparency and provides a lens into how the response was put together, a key necessity for auditability and long-term maintenanceability. Chain of Thought Prompting 이것은 분석과 창의력을 동시에 강화합니다.이 방법은 종종 대답이 기초를 다루고 LLM이 최선이라고 믿는 것에 착륙하기 전에 여러 관점을 반복 할 수 있도록 보장하는 잊혀진 방법입니다. Tree of Thought Prompting 이 구조는 다음 단계로 이동하기 전에 각 단계에서 엄격한 준수 및 준수 검사를 요구하는 다단계 작업 및 프로세스에 유용합니다. Prompt Chaining 모델의 추론을 토대로 사실 데이터 또는 상황 세부 사항을 포함합니다.This reduces error and strengthens credibility. Data-Driven Prompting 성능이 멈추면 NotebookLM과 같은 도구를 사용할 수 있습니다.이 도구는 최신 Google Gemini 모델을 사용하여 모든 인스턴스를 함께 검토하고 인스턴스를 정교하게합니다. Meta Prompting NotebookLM 및 여러 파일을 업로드하고 검토 할 수있는 다른 프로젝트 기반 LLM 도구는 종종 구조적 또는 구문 개선을 식별 할 수 있습니다. 이러한 방법은 표면 수준의 상호 작용을 초대하는 것으로 이동합니다.They help create reasoning frameworks that scale to complex challenges. 정기적이고 반복적 인 감사 과정과 함께, 아마도 변화 추적을위한 GitHub를 사용하면,이 전략은 마법에서 촉구하는 "블랙박스를 더 조직적이고 예측 가능한 무언가로 변환하고, LLM에서 더 나은 더 정확한 출력을 제공합니다. Avoiding Common Pitfalls Common Pitfalls 피하기 빠른 엔지니어링은 명확성과 감독에 집중할 때 가장 잘 작동합니다. LLM은 데이터의 패턴 일치에 의해 논리를 시뮬레이션합니다.그들은 정확성을 보장하기 위해 검토와 맥락을 필요로합니다. 강력한 권고는 간결한 전문 편지와 비슷합니다. 그들은 의도를 명확하고 효율적으로 전달합니다. 권고는 훈련을 보상합니다. 지침이 더 직접적일수록 출력은 더 일관됩니다. 그 말로 인용서에있는 예제 또는 템플릿은 매우 넓은 컨텍스트 창이기 때문에 간결 할 필요가 없습니다. 열 개 또는 20 페이지의 예제 출력을 제공하여 노스 스타로서의 LLM을 주요 세부 사항으로 안내 할 수 있습니다. Principles That Endure 견딜 수 있는 원칙 AI 기술이 진화함에도 불구하고 빠른 엔지니어링의 기초는 끊임없이 유지되며, 일관되고 확장 가능한 AI 결과를 달성하려면 명확성, 구조 및 일관성이라는 세 가지 핵심 원칙에 집중하십시오. 명확성은 정확하고 실행 가능한 결과를 생성하는 데 필수적입니다.When prompts are unclear or ambiguous, the AI's responses will reflect that, potentially leading to wasted effort. 얼마나 오래 지속되든 간에 핵심 사례가있는 정확한 인스턴트는 AI가 필요한 것을 제공하는 데 중요합니다. 기억하십시오, LLM은 맥락을 통해 명확성을 얻고, 합리적으로 더 많은 것을 제공하면 더 일관되고 예측 가능하며 정확한 구현을 지원하는 데 도움이 될 수 있습니다. 구조는 똑같이 중요합니다. 잘 조직된 프롬프트는 AI가 신뢰할 수 있고 관련된 출력을 제공하는 능력을 향상시킵니다. 고객 서비스 또는 운영 작업에 AI를 구현하든, 구조화된 프롬프트는 오류의 위험을 줄이고 효율성을 향상시킵니다. 인공지능 솔루션을 확장할 때 일관성은 중요합니다.전반적으로 명확하고 구조화된 인공지능을 유지하면 비즈니스 요구가 진화함에도 불구하고 AI가 일관되게 적응하고 성능을 발휘할 수 있습니다. 정기적인 정교화는 AI 시스템이 비즈니스 목표와 일치하고 기술 발전과 함께 계속 진화하도록 보장합니다. 귀하의 팀이 정기적으로 QA 테스트 및 반복을위한 프로세스 및 시스템을 갖추고 있으며 자세한 변경 로그가있는 감사 프롬프트가 있습니다. Final Perspective 최종 전망 인공지능과 협력하는 방법의 핵심은 인공지능이 비즈니스 목표를 효율적으로 달성하도록 인공지능을 안내하는 잘 만들어진 인공지능 인공지능 인공지능은 단순히 빠른 해결책이 아닌 가치있는 도구로 바니다. 효과적인 AI 사용은 원하는 결과에 대한 명확한 이해로 시작됩니다. 주요 목표와 뉘앙스를 정의하고 AI가 비즈니스 요구와 일치하도록 미리 작업에 대한 핵심 관점을 공유하십시오. 그들이 올바른 장소에서 볼 수 있도록 도서관의 적절한 영역으로 초기 학생을 안내하는 것처럼 생각하십시오. AI를 정기적으로 테스트하는 것이 필수적입니다.AI의 성능을 평가함으로써 개선할 영역을 식별하고 결과를 개선하기 위해 조정할 수 있습니다.This process ensures that the AI remains reliable and effective over time. AI 구현은 가장 정교한 것부터 간단한 인스팅까지 지속적으로 개선되어야 합니다.비즈니스 우선 순위가 변화함에 따라 인스팅도 마찬가지입니다. 지속적인 정교화는 AI가 계속해서 변화하는 요구를 충족시키고 진정한 지속적인 가치를 제공한다는 것을 보장합니다. 그렇지 않으면, 당신의 출력은 드라이브, 기대를 놓치고, 심지어 팀을 부끄럽게 할 것입니다.

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

Walkthroughs, tutorials, guides, and tips. This story will teach you how to do something new or how to do something better.

Read My Stories

이 오디오는 이야기의 원래 언어로 제작되었습니다!

오늘날의 LLM을위한 빠른 엔지니어링에 대한 실용적인 가이드

About Author

코멘트

태그 걸기

이 기사는 다음에서 발표되었습니다.

Related Stories

볼츠만 뇌 이론에 대한 간략한 소개

AI/ML 데이터레이크용 참조 아키텍처 구축을 위한 설계자 가이드

포럼에서 피드까지: 소셜 미디어 알고리즘이 디지털 상호작용을 형성하는 방식

Claude Sonnet 3.5 시스템 프롬프트 유출: 법의학적 분석

볼츠만 뇌 이론에 대한 간략한 소개

AI/ML 데이터레이크용 참조 아키텍처 구축을 위한 설계자 가이드

포럼에서 피드까지: 소셜 미디어 알고리즘이 디지털 상호작용을 형성하는 방식

Claude Sonnet 3.5 시스템 프롬프트 유출: 법의학적 분석

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps