As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
Conceitos de engenharia rápidos
A engenharia rápida se refere à prática de otimizar a entrada de texto em um Large Language Model (LLM) para obter as respostas desejadas. A solicitação ajuda a LLM realizar uma ampla variedade de tarefas, incluindo classificação, resposta a perguntas, geração de código, redação criativa e muito mais. A qualidade das solicitações que você fornece a um LLM pode afetar a qualidade das respostas do modelo. Esta seção fornece as informações necessárias para começar a usar a engenharia rápida. Também abrange ferramentas para ajudá-lo a encontrar o melhor formato de solicitação possível para seu caso de uso ao usar um LLM no Amazon Bedrock.
nota
Todos os exemplos neste documento são obtidos por meio de API chamadas. A resposta pode variar devido à natureza estocástica do processo de geração. LLM Se não for especificado de outra forma, as instruções são escritas por funcionários da AWS.
O Amazon Bedrock inclui modelos de vários fornecedores. A seguir está uma lista de diretrizes de engenharia rápidas para esses modelos.
-
Anthropic Claude guia de solicitação de modelo: https://docs.anthropic.com/claude/docs/prompt-engineering
-
Cohere guia rápido: https://txt.cohere.com/how-to-train-your-pet-llm-prompt-engineering
-
AI21 Labs Guia rápido do modelo jurássico engenharia rápida: https://docs.ai21.com/docs/prompt-engineering
-
Meta Llama 2 guia de prompt: https://ai.meta.com/llama/get-started/#prompting
-
Documentação da Stability: https://platform.stability.ai/docs/getting-started
-
Mistral AI guia rápido: https://docs.mistral.ai/guides/prompting_capabilities/
Aviso: os exemplos neste documento usam os modelos de texto atuais disponíveis no Amazon Bedrock. Além disso, este documento serve para diretrizes gerais de prompts. Para guias específicos do modelo, consulte seus respectivos documentos no Amazon Bedrock. Este documento fornece um ponto de partida. Embora os exemplos de respostas a seguir sejam gerados usando modelos específicos no Amazon Bedrock, você também pode usar outros modelos no Amazon Bedrock para obter resultados. Os resultados podem diferir entre os modelos, pois cada modelo tem suas próprias características de desempenho. A saída que você gera usando os serviços de IA é o seu conteúdo. Devido à natureza do machine learning, a produção pode não ser exclusiva entre os clientes e os serviços podem gerar resultados iguais ou similares entre os clientes.
Tópicos
