Monity mogą być proste, takie jak żądanie ukończenia chleba i, lub złożone i wieloczęściowe. Monity mogą zawierać wszystkie lub tylko niektóre z następujących elementów:
»»Instrukcja: Zadanie, które ma wykonać model. Na przykład Przetłumacz poniższy tekst na język hiszpański.
»»Kontekst: Dodatkowe informacje lub pliki, które model powinien wziąć pod uwagę podczas generowania odpowiedzi. Pliki otwarte w sąsiednich kartach podczas korzystania z Copilota są przykładami kontekstu.
»»Dane wejściowe: Dane wejściowe lub pytanie, na które ma odpowiedzieć sztuczna inteligencja. Jeśli instrukcja ma przetłumaczyć jakiś tekst na język hiszpański, danymi wejściowymi będzie tekst, który chcesz przetłumaczyć.
»»Format wyjściowy: Typ lub format, w którym model powinien dostarczyć dane wyjściowe. Przykładami formatu wyjściowego są dane JSON, dane rozdzielone tabulatorami i format Markdown.
Monity otwarte i zamknięte
Monity mogą być otwarte lub zamknięte. Monity zamknięte proszą o konkretną i ukierunkowaną odpowiedź, taką jak
»»Napisz funkcję weryfikującą wprowadzony adres e-mail.
»»Sprawdź tę funkcję pod kątem błędów.
»»Jaki jest najwyższy budynek w Indianapolis?
Pytania otwarte mają na celu generowanie rozbudowanych odpowiedzi, takich jak:
»»Napisz e-mail do mojego gospodarza, w którym powiem mu, że się wyprowadzam, jeśli nie naprawi przecieku.
»»Napisz szkic artykułu o odżywianiu i szkolnych lunchach.
»»Napisz historię o wiewiórce-magiku w stylu Dr. Seussa.
Korzystanie z różnych typów monitów
Chatbot zrobi wszystko, co w jego mocy, aby zwrócić dokładne ukończenie każdego monitu, który mu podasz. Istnieją jednak typy monitów, które można wykorzystać do różnych celów, jak opisano w tej sekcji.
Monity zero-shot
W przypadku monitu zero-shot nie podajesz kontekstu modelu ani przykładów tego, czego szukasz, ale zamiast tego polegasz całkowicie na jego szkoleniu. Przykładem monitu zero-shot jest
What is the capital of Maine?
W przypadku prostych pytań lub zadań wiele LLM może stosować podpowiedzi zero-shot. Jednak w miarę jak Twoje prośby stają się bardziej złożone, będziesz musiał przejść do innych form podpowiedzi. Wraz ze wzrostem modeli, coraz więcej zadań można wykonać przy użyciu prostych podpowiedzi zero-shot. Jednak jeśli chcesz, aby LLM wykonał zadanie obejmujące matematykę lub złożone rozumowanie, możesz odnieść większy sukces, stosując jeden z typów podpowiedzi opisanych w poniższych sekcjach.