Aplikace technik prompt engineeringu

Úvod do Amazon Bedrock

Nikhil Rangarajan

Data Scientist

Few-shot learning

Co je few-shot learning?
- Technika vedení modelu pomocí několika příkladů v promptu
- Pomáhá modelu rozpoznávat vzory a zlepšovat kvalitu odpovědí
Klíčové výhody:
- Snižuje nejednoznačnost promptu
- Produkuje konzistentnější a přesnější výstupy

Konceptuální diagram znázorňující učení pomocí příkladů.

Few-shot learning s modely

prompt = """Here are examples of AWS service summaries:

Service: Amazon S3
Summary: Object storage service for storing and retrieving any amount of data.

Service: Amazon EC2
Summary: Virtual servers in the cloud for running applications.

Now, write a similar summary for:
Service: AWS Lambda\n\nSummary:"""

Co je strukturované formátování výstupu?

Organizuje odpovědi modelu v přehledném a předvídatelném formátu
Ideální pro automatizaci a extrakci dat

Řízení formátu odpovědi

Požadujte konkrétní struktury výstupu
Používejte jasné značky pro parsování
Definujte omezení formátu

prompt = """Analyze AWS Lambda and provide output in this format:
DESCRIPTION:[2-3 sentence description]
KEY FEATURES:
- [feature 1]
- [feature 2]
USE CASES:
1. [use case 1]
2. [use case 2]"""

Tvorba efektivních promptů

Kombinujte příklady few-shot se systémovými prompty
Používejte strukturované formátování s příklady
Vrstvěte techniky pro lepší výsledky

prompt = """You are an AWS technical writer. 
Here's an example of how to document APIs:
API: GetItem
Format: - Purpose: [one line], 
- Parameters: [list], 
- Returns: [description]
Now document the following API:
API: PutItem"""

Pojďme si procvičit!

Úvod do Amazon Bedrock