O que é engenharia de prompts?

A engenharia de prompts se refere à prática de criar e otimizar solicitações de entrada selecionando palavras, frases, sentenças, pontuação e caracteres separadores apropriados para usar efetivamente o LLMs em uma ampla variedade de aplicações. Em outras palavras, engenharia de prompts é a arte de se comunicar com um LLM. Prompts de alta qualidade condicionam o LLM a gerar respostas desejadas ou melhores. A orientação detalhada fornecida neste documento é aplicável a todos os LLMs do Amazon Bedrock.

A melhor abordagem de engenharia de prompts para seu caso de uso depende tanto da tarefa quanto dos dados. As tarefas comuns compatíveis com os LLMs no Amazon Bedrock incluem:

• Classificação: o prompt inclui uma pergunta com várias opções possíveis para a resposta, e o modelo deve responder com a escolha correta. Um exemplo de caso de uso de classificação é a análise de sentimentos: a entrada é uma passagem de texto e o modelo deve classificar o sentimento do texto, por exemplo, se é positivo ou negativo, inofensivo ou tóxico.

• Pergunta-resposta, sem contexto: o modelo deve responder à pergunta com seu conhecimento interno, sem qualquer contexto ou documento.

• Pergunta-resposta, com contexto: o usuário fornece um texto de entrada com uma pergunta, e o modelo deve responder à pergunta com base nas informações fornecidas no texto de entrada.

• Resumo: o prompt é uma passagem de texto e o modelo deve responder com uma passagem mais curta que capture os pontos principais da entrada.

• Geração de texto aberto: dada uma solicitação, o modelo deve responder com uma passagem do texto original que corresponda à descrição. Isso também inclui a geração de textos criativos, como histórias, poemas ou roteiros de filmes.

• Geração de código: o modelo deve gerar código com base nas especificações do usuário. Por exemplo, um prompt pode solicitar a geração de código de texto para SQL ou Python.

• Matemática: a entrada descreve um problema que requer raciocínio matemático em algum nível, que pode ser numérico, lógico, geométrico ou outro.

• Raciocínio ou pensamento lógico: o modelo deve fazer uma série de deduções lógicas.

• Extração de entidades: a extração de entidades pode extrair entidades com base em uma pergunta de entrada fornecida. Você pode extrair entidades específicas do texto ou da entrada com base na sua solicitação.

• hain-of-thought Raciocínio C: dê um step-by-step raciocínio sobre como uma resposta é derivada com base em sua solicitação.