Techniki psychologii promptowania
Oprócz technicznych aspektów zarządzania kontekstem, istnieją techniki psychologii promptowania (tzw. Prompt Engineering heuristics), które realnie wpływają na to, jak głęboko model „myśli” nad odpowiedzią.
Oto zestaw zaawansowanych metod, które domykają profesjonalny warsztat:
1. Chain-of-Thought (Łańcuch Myśli)
Zamiast prosić o wynik, poproś o proces. Jeśli zmusisz model do rozpisania kroków, drastycznie ograniczasz ryzyko błędów logicznych.
- Komenda: "Przeanalizuj to krok po kroku (step-by-step), uzasadniając każdą decyzję przed podaniem ostatecznej odpowiedzi".
- Dlaczego to działa? Modele LLM przewidują następny token. Rozpisanie procesu buduje „ścieżkę logiczną”, której model musi się trzymać w konkluzji Research Google DeepMind.
2. Few-Shot Prompting (Nauka na przykładach)
Nic nie uczy modelu lepiej niż wzór. Zamiast opisywać styl, pokaż go.
- Metoda: Wklej 2-3 przykłady idealnych odpowiedzi (np. Twoich starych maili lub raportów) i oznacz je jako
--WZORZEC--. - Komenda: "Na podstawie stylu w
--WZORZEC--, przygotuj nową treść dla--TEMAT1--".
3. Delimitery Strukturalne (XML-style)
Choć używamy tagów
--TEMAT--, modele potężnie reagują na strukturę przypominającą kod XML. Jest to dla nich czytelniejsze niż zwykłe akapity.- Przykład:
<instrukcja>Pisz krótko</instrukcja><dane>Tu treść do analizy</dane><zakaz>Nie używaj słowa "klient"</zakaz>
4. Technika "Self-Criticism" (Autokrytyka)
Zanim zaakceptujesz odpowiedź, poproś model, by sam się sprawdził. To eliminuje 80% halucynacji.
- Komenda: "Po wygenerowaniu odpowiedzi, sprawdź ją pod kątem błędów logicznych i niespójności z
--WYMAGANIA--. Jeśli znajdziesz błąd, popraw go w kolejnej wiadomości".
5. Negatywne Prompty (Negative Prompting)
Jasne określenie, czego nie robić, jest równie ważne jak to, co robić.
- Przykłady: "Nie używaj przymiotników", "Nie przepraszaj za błędy", "Nie pisz 'Oto Twoje podsumowanie'".
- Korzyść: Pozwala uniknąć "uprzejmego spamu", który zajmuje miejsce w oknie kontekstowym.
6. Dynamiczne Dostosowanie (Adaptive Learning)
Jeśli model coś zrobił dobrze, powiedz mu to. Jeśli źle – wytknij błąd.
- Metoda: Używaj krótkiego feedbacku: "Dobry kierunek w punkcie 2, ale punkt 3 był zbyt ogólny. Rozwiń go bardziej technicznie". To "dokręca śrubę" w bieżącym czacie.
Podsumowanie "Super-Metod":
| Metoda | Kiedy stosować? | Efekt |
|---|---|---|
| Step-by-Step | Trudne zadania logiczne | Brak błędów w rozumowaniu |
| Few-Shot | Specyficzny styl/format | Idealne dopasowanie do wzoru |
| Self-Criticism | Ważne raporty/analizy | Eliminacja halucynacji |
| XML Tags | Bardzo złożone dane | Maksymalna czytelność dla AI |
Tabela podsumowująca: Kiedy co odpalić?
|
