Fondamenti della Prompting con LLM per Sviluppatori

La Transizione verso Modelli Addestrati su Istruzioni

Qual è la Base?

In passato, i modelli LLM di base erano principalmente addestrati a prevedere la parola successiva in una sequenza basandosi su enormi quantità di dati. Tuttavia, per gli sviluppatori, il vero potere risiede nei modelli LLM addestrati su istruzioni. Questi modelli vengono affinati utilizzando Apprendimento rinforzato dal feedback umano (RLHF) per seguire comandi specifici e agire come assistenti utili.

La Regola d'Oro:Tratta il modello LLM come un giovane collaboratore intelligente ma letterale. Non ha il tuo contesto specifico, quindi devi essere esplicito riguardo ai tuoi obiettivi.

Come Applicare i Principi Fondamentali

Chiarezza e Specificità: La chiarezza non significa brevità. Fornire più contesto e usare delimitatori (ad esempio, triple backticks o tag XML) aiuta il modello a distinguere le tue istruzioni dai dati che deve elaborare.
Dai al Modello Tempo per Pensare: Le attività complesse richiedono una catena di ragionamento. Se chiedi a un modello di saltare direttamente alla conclusione, è più probabile che commetta un errore di ragionamento. Istruiscilo a trovare da solo una soluzione prima.

Evita le Allucinazioni

I modelli possono generare informazioni "plausibili ma false". Verifica sempre i fatti o istruiscili a citare le fonti per ridurre questo rischio.

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>"