Fundamentos da Promptagem com LLM para Desenvolvedores

A Mudança para Modelos Treinados por Instruções

Qual é a Base?

No passado, os modelos base de LLM foram treinados principalmente para prever a próxima palavra em uma sequência com base em grandes quantidades de dados. No entanto, para desenvolvedores, o verdadeiro poder reside em modelos de LLM treinados por instruções. Esses modelos são refinados usando Aprendizado por Reforço a partir de Feedback Humano (RLHF) para seguir comandos específicos e atuar como assistentes úteis.

A Regra de Ouro:Trate o LLM como um estagiário inteligente, mas literal. Ele não possui o seu contexto específico, então você deve ser explícito sobre seus objetivos.

Como Aplicar os Princípios Fundamentais

Clareza e Especificidade: Clareza não significa brevidade. Fornecer mais contexto e usar delimitadores (como crases triplas ou tags XML) ajuda o modelo a distinguir suas instruções dos dados que ele precisa processar.
Dê ao Modelo Tempo para Pensar: Tarefas complexas exigem um raciocínio em cadeia. Se pedir ao modelo para saltar diretamente para uma conclusão, é mais provável que cometa um erro de raciocínio. Instrua-o a resolver sua própria solução primeiro.

Evite Alucinações

Os modelos podem gerar informações "plausíveis" mas falsas. Sempre verifique os fatos ou instrua o modelo a citar suas fontes para mitigar esse risco.

TERMINALbash — 80x24

> Ready. Click "Run" to execute.

Question 1

Why should a developer prefer an Instruction Tuned LLM over a Base LLM for building an application?

Base LLMs are better at following complex instructions.

Instruction Tuned LLMs are trained to follow tasks and are less likely to simply "complete" the text.

Base LLMs never hallucinate.

Challenge: Generating Structured Data

Apply prompting principles to format output.

You have a list of ingredients. You need to convert this list into a JSON format for a web app.

Task

Write a prompt that requests JSON output with keys for 'item' and 'quantity'. Include a condition check: If the input is not a recipe, output "No recipe detected."

Solution:

prompt = "You will be provided with text. If it contains a recipe, convert it to JSON with keys 'item' and 'quantity'. If not, write 'No recipe detected.' Text: <user_input>"