4 تکنیک سرگرم کننده برای تسلط بر مهندسی سریع 🎯

مهندسی سریع مانند مخلوط کردن یک کوکتل عالی است – مواد تشکیل دهنده مناسب را در مقادیر مناسب دریافت کنید، و voilà، نتیجه شگفت انگیزی خواهید داشت! آیا می‌خواهید مدل هوش مصنوعی شما پاسخ‌های سطح بالایی را ارائه دهد؟ بیایید همه چیز را با این تکنیک های موثر و آسان برای هضم تغییر دهیم.

🍸 به هر حال مهندسی سریع چیست؟

به طور خلاصه، مهندسی سریع در حال ایجاد دستورالعمل های خاص برای دریافت پاسخ های لحظه ای از مدل های زبان بزرگ (LLM) است. هرچه اعلان شما شفاف تر باشد، خروجی بهتری خواهد داشت.

درخواست خسته کننده:

“مهندسی سریع را خلاصه کنید.”

درخواست جالب:

“یک خلاصه 100 کلمه ای از مهندسی سریع برای افراد غیرتکنولوژیکی ارائه دهید.”

💡 نتیجه: اکنون یک توضیح مختصر و کاربرپسند دارید. خوب!

🎯 مواد تشکیل دهنده کلیدی برای یک دستور عالی:

1. زمینه = وضوح!

به زمینه فکر کنید که هوش مصنوعی شما را یک شروع می کند. دامنه را محدود می کند.

مثال:

آیا می خواهید کلاس C# را تغییر دهید؟ به جای پرتاب کردن درخواست‌های مبهم، کدی را به همراه خود ارائه دهید.

   public class User { 
       public int UserId { get; set; }
       public string Name { get; set; }
   }

اعلان:

“ساخت UserId و Name فقط خواندنی، آنها را از طریق سازنده تنظیم کنید.”

خروجی:

   public User(int userId, string name) {
       UserId = userId;
       Name = name;
   }

2. فوق العاده خاص باشید

درخواست های عمومی = پاسخ های meh. اعلان های خاص = جادو.

دقیقا همان چیزی را که می خواهید بخواهید!

بد: “یک کلاس کاربری ایجاد کنید.”

خوب: یک کلاس کاربری C# با فیلدها ایجاد کنید UserId، Name، و Email. بسازید UserId فقط خواندنی.”

3. خروجی را هدایت کنید

آیا می خواهید هوش مصنوعی داده تولید کند یا از سبک خاصی پیروی کند؟ یک نمونه نمایش دهید!

مثال:

“3 کاربر با فیلدها ایجاد کنید UserId، Name، و Email“

خروجی:

   var user1 = new User(1, "Alice", "alice@example.com");
   var user2 = new User(2, "Bob", "bob@example.com");

می‌توانید تمام این دستورات را مستقیماً با LLM انتخابی خود به صورت رایگان امتحان کنید و ببینید که چگونه هر LLM در خروجی‌هایش با استفاده از PiecesOS متفاوت است.

🛠️ تکنیک هایی برای تقویت بازی سریع شما:

1. درخواست ضربه صفر 🕶️ – بدون سرنخ، فقط یک سوال مستقیم

به این فکر کنید که از دستیار هوش مصنوعی خود بخواهید مشکلی را بدون ارائه هیچ مثال یا زمینه قبلی حل کند—در حالت “سرد” پیش می رود. درخواست صفر شات برای کارهای ساده که در آن هوش مصنوعی می تواند بر اساس داده های آموزشی خود آنچه را که می خواهید استنباط کند، به خوبی کار می کند.

مثال:

“یک تست واحد برای User کلاس با استفاده از xUnit در سی شارپ.”

خروجی:

public class UserTests {
    [Fact]
    public void UserConstructor_SetsProperties() {
        var user = new User(1, "John Doe", "john@example.com", "555-555-5555");
        Assert.Equal(1, user.UserId);
        Assert.Equal("John Doe", user.Name);
        Assert.Equal("john@example.com", user.Email);
        Assert.Equal("555-555-5555", user.PhoneNumber);
    }
}

💡 زمان استفاده:

درخواست صفر شات برای کارهایی که هوش مصنوعی به راحتی می تواند نیازهای شما را حدس بزند، مانند تولید کد دیگ بخار، ایجاد خلاصه، یا انجام کارهای ساده، بهترین کار را دارد.

2. پیشنهاد چند شات 🎯 – نشان دهید، فقط نگو

درخواست چند شات مانند آموزش با مثال است—شما چند نمونه از آنچه می خواهید ارائه می دهید و هوش مصنوعی الگو را انتخاب می کند. این به ویژه زمانی مفید است که خروجی به ساختار یا قالب خاصی نیاز دارد.

مثال:

“در اینجا دو مورد از a User کلاس اکنون دو مورد دیگر تولید کنید.”

اعلان:

// Example instances provided by you
var user1 = new User(1, "Alice", "alice@example.com", "555-555-5555");
var user2 = new User(2, "Bob", "bob@example.com", "555-555-5556");

// Task: Generate two more instances

خروجی:

var user3 = new User(3, "Charlie", "charlie@example.com", "555-555-5557");
var user4 = new User(4, "Diana", "diana@example.com", "555-555-5558");

💡 زمان استفاده:

درخواست چند شات زمانی ایده آل است که:

• خروجی باید از فرمت خاصی پیروی کند.
• شما می خواهید سبک ثابتی در پاسخ های مختلف داشته باشید.
• شما با داده هایی کار می کنید که دارای الگوهای ساختاری هستند.

نکته حرفه ای: مثال های خود را کوتاه و واضح نگه دارید. مثال های بسیار زیاد می توانند هوش مصنوعی را تحت تأثیر قرار دهند، در حالی که تعداد بسیار کمی ممکن است الگو را به وضوح ایجاد نکنند.

3. زنجیر کردن سریع 🔗 – تقسیم و تسخیر

زنجیره‌سازی سریع مانند تجزیه یک مشکل بزرگ به وظایف کوچک‌تر است و هر کدام را مرحله به مرحله حل می‌کند. این تکنیک به ویژه برای مشکلات پیچیده یا گردش کار چند مرحله ای مفید است.

چگونه کار می کند:

• ساده شروع کنید: با یک اعلان اولیه شروع کنید و پاسخ اولیه را دریافت کنید.
• تکرار: برای اصلاح خروجی یا هدایت مدل به سمت یک راه حل پیچیده تر، از دستورهای پیگیری استفاده کنید.

مثال:

هدف: ایجاد یک ویژگی کامل User کلاس در سی شارپ با خصوصیات خصوصی و سازنده.

1. مرحله 1: ساده شروع کن

اعلان:

“یک پایه ایجاد کنید User کلاس در پایتون.”

خروجی:

   class User:
       def __init__(self, username, email):
           self.username = username
           self.email = email

1. مرحله ۲: خروجی را اصلاح کنید

اعلان:

“این کلاس پایتون را به C# تبدیل کنید.”

خروجی:

   public class User {
       public string Username { get; set; }
       public string Email { get; set; }
   }

1. مرحله 3: الزامات اضافی را اضافه کنید.
   اعلان:
   “ساخت Username و Email فقط خواندنی و a اضافه کنید CreatedAt ویژگی اولیه در سازنده.”
   خروجی:

   public class User {
       public string Username { get; }
       public string Email { get; }
       public DateTime CreatedAt { get; }

       public User(string username, string email) {
           Username = username;
           Email = email;
           CreatedAt = DateTime.Now;
       }
   }

💡 زمان استفاده:

زمانی که:

• کار خیلی بزرگ است که نمی‌توان آن را در یک اعلان انجام داد.
• شما می خواهید به تدریج خروجی را اصلاح کنید.
• شما با اضافه کردن الزامات جدید در هر مرحله در حال تکرار راه حل هستید.

4. پیشنهاد زنجیره‌ای از فکر 🧠 – به هوش مصنوعی کمک کنید مانند یک توسعه‌دهنده فکر کند

این تکنیک شامل هدایت صریح هوش مصنوعی از طریق مراحلی است که برای حل یک مشکل باید انجام دهد. مانند این است که هوش مصنوعی را در فرآیند فکر خود طی کنید، و اطمینان حاصل کنید که هیچ جزئیات مهمی را نادیده نمی گیرد.

مثال:

«آزمون های واحد را برای الف بنویسید User کلاس، با در نظر گرفتن سناریوهای کلیدی: اعتبار سنجی سازنده، موارد لبه و شماره تلفن های معتبر.”

اعلان:

“تست های واحد را برای کلاس زیر ایجاد کنید.

گام به گام فکر کنید:

1. سناریوهای کلیدی را برای آزمایش شناسایی کنید.
2. تست های واحد را با استفاده از xUnit بنویسید.
3. موارد لبه را در نظر بگیرید.”

خروجی:

public class UserTests {
    [Fact]
    public void Constructor_ShouldInitializeProperties() {
        var user = new User(1, "John Doe", "john@example.com");
        Assert.Equal(1, user.UserId);
        Assert.Equal("John Doe", user.Name);
        Assert.Equal("john@example.com", user.Email);
    }

    [Theory]
    [InlineData("555-555-5555")]
    [InlineData("123-456-7890")]
    public void ShouldAccept_ValidPhoneNumbers(string phoneNumber) {
        var user = new User(2, "Jane Doe", phoneNumber);
        Assert.Equal(phoneNumber, user.PhoneNumber);
    }

    [Fact]
    public void ShouldThrowException_WhenPhoneNumberIsNull() {
        Assert.Throws<ArgumentNullException>(() => new User(3, "Invalid User", null));
    }
}

💡 زمان استفاده:

تلقین زنجیره ای زمانی عالی است که:

• این کار مستلزم استدلال منطقی و چند مرحله ای است.
• شما به هوش مصنوعی نیاز دارید تا انتقادی فکر کنید و جزئیات کلیدی را نادیده نگیرید.
• شما در حال کار بر روی کارهایی هستید که از راهنمایی گام به گام صریح سود می برند (مثلاً نوشتن کدهای پیچیده یا حل مسائل ریاضی).

می‌توانید تمام این دستورات را مستقیماً با LLM انتخابی خود به صورت رایگان امتحان کنید و ببینید که چگونه هر LLM در خروجی‌هایش با استفاده از PiecesOS متفاوت است.

این مقاله در اصل توسط جیم، رئیس Devrel در Pieces for Developers نوشته شده است. می توانید نمونه ها و تفاوت های ظریف بیشتری را در این مقاله بیابید https://pieces.app/blog/llm-prompt-engineering