Wie wir auf den vorhergehenden Seiten gesehen haben, können Prompts unterschiedliche Formate und Komplexität haben. Sie können Kontext, Anweisungen und mehrere Eingabe-/Ausgabebeispiele enthalten. Bislang haben wir jedoch nur einzelne Klassen von Prompts untersucht. Die Kombination dieser verschiedenen Prompting-Techniken kann zu leistungsfähigeren Prompts führen.
Hier ist ein Beispiel für einen Prompt, der Kontext, Anweisungen und mehrere Beispiele enthält:
Twitter ist eine Plattform für soziale Medien, auf der Nutzer kurze Nachrichten, sogenannte "Tweets", veröffentlichen können.
Tweets können positiv oder negativ sein, und wir möchten in der Lage sein, die Tweets als positiv oder negativ zu klassifizieren. Hier sind einige Beispiele für positive und negative Tweets. Achte darauf, dass du den letzten Tweet korrekt einordnest.
Q: Tweet: "Was für ein schöner Tag!"
Ist dieser Tweet positiv oder negativ?
A: positiv
Q: Tweet: "Ich hasse diese Klasse"
Ist dieser Tweet positiv oder negativ?
A: negativ
Q: Tweet: "Ich liebe Taschen an Jeans"
A:
Durch das Hinzufügen von zusätzlichem Kontext/Beispielen können wir die Leistung von KIs bei verschiedenen Aufgaben verbessern.
Sander Schulhoff is the Founder of Learn Prompting and an ML Researcher at the University of Maryland. He created the first open-source Prompt Engineering guide, reaching 3M+ people and teaching them to use tools like ChatGPT. Sander also led a team behind Prompt Report, the most comprehensive study of prompting ever done, co-authored with researchers from the University of Maryland, OpenAI, Microsoft, Google, Princeton, Stanford, and other leading institutions. This 76-page survey analyzed 1,500+ academic papers and covered 200+ prompting techniques.