Techniky Promptování

• Zero-shot Learning (Učení bez příkladů) – Tato metoda umožňuje modelu pochopit a reagovat na úkoly bez předchozího trénování nebo příkladů.
• One-shot prompting (Jednorázová výzva) – Jednorázové zadání je technika, při které je výstup modelu umělé inteligence řízen jediným příkladem. Tímto příkladem může být dvojice otázka-odpověď, jednoduchý pokyn nebo konkrétní šablona.
• Few-shot learning (Učení z příkladů) – AI se učí z pár příkladů, jak reagovat na nové situace.
• Self-consistency (Udržování soudržnosti a formy obsahu) – AI se snaží odpovídat tak, aby její odpovědi byly logické a vzájemně si neodporovaly.
• ReAct (Rekurzivní aplikace) – AI opakovaně používá stejné kroky, aby lépe pochopila problém.
• Tree of Thought (Strom myšlenek) – AI přemýšlí jako větve stromu, každá větev je jiný způsob, jak řešit problém.
• Chain-of-thought (Řetězec úvah) – Tato technika zahrnuje vedení modelu k postupnému vyjádření řetězce úvah vedoucích k finální odpovědi, což pomáhá modelu lépe zvládnout složité úlohy tím, že explicitně formuluje kroky vedoucí k řešení.
• Retrieval Augmented Prompting (Doplnění promptu pomocí vyhledávání) – AI hledá další informace v jiných zdrojích, aby mohla lépe odpovědět na dotazy.
• Prefix Tuning (Ladění prefixů) – Jakoby přilepujeme „štítek“ na začátek dotazu, který AI napovídá, jak má odpovědět.
• Fine-tuning (Jemné doladění) – Proces, při kterém je předtrénovaný model dále upravován pro specifickou úlohu nebo dataset. Toto „doladění“ obvykle zahrnuje přidání nových vrstev do modelu a jejich trénování na cílových datech, zatímco původní vrstvy modelu mohou zůstat zamrazené, aby se zabránilo přeučení. Tímto způsobem je model schopen lépe se přizpůsobit a vylepšit své predikční schopnosti na méně obecné úkoly než ty, na které byl původně trénován.
• Reasoning without Observation – ReWOO (Usuzování bez pozorování) – Tato technika je založena na principu vytváření promptů, které modelu umožňují provádět usuzování bez potřeby přímého pozorování.
• Model-guided prompting (Promptování řízené modelem) – Tato technika využívá model k vyžádání konkrétních detailů potřebných pro dokončení úkolu. Model je zde instruován, aby položil uživateli konkrétní otázky, na základě kterých pak generuje výstup. Takto model aktivně řídí proces zadávání dotazů a zlepšuje přesnost svých odpovědí (Prompt Engineering Guide – Nextra).
• Persona Pattern (Vzor Persony) – Přístup, který model umožňuje generovat odpovědi, jež jsou konzistentní s definovanou „personou“. To může zahrnovat vytvoření osobnostního profilu pro AI, který ovlivňuje jaký typ jazyka, tonality, a perspektivy AI používá ve svých odpovědích. Tento způsob může být užitečný pro simulaci specifického chování nebo postojů v rámci konverzace (ar5iv).
• The Cognitive Verifier Pattern (Vzor kognitivního ověřovatele) –  Tato metoda zahrnuje aplikaci mechanismů, které umožňují modelu ověřovat své myšlenkové procesy a odpovědi před jejich prezentací. Model se snaží interně prověřit své výstupy, aby se zajistila jejich logičnost a přesnost, což je zvláště užitečné v aplikacích vyžadujících spolehlivé a objektivní analýzy (ar5iv).
• Question Refinement Pattern (Upřesňování otázek) – Metoda, která zlepšuje formulaci otázek položených AI. Pokud je původní dotaz nejasný nebo špatně formulovaný, tento přístup pomáhá upravit otázku tak, aby byla jasnější a lépe odpovídala informacím, které model potřebuje k poskytnutí relevantní odpovědi. (ar5iv).
• Prompt Injection (…) – Vkládání specifických výrazů nebo frází do promptu, aby byl model naveden k produkci určitého typu odpovědi. To může zahrnovat vložení klíčových slov nebo frází, které naznačují požadovaný styl nebo obsah odpovědi.
• Template-based Prompting (Promptování na základě šablon) – Použití předem připravených šablon, které strukturují prompt pro konkrétní úlohy nebo formáty odpovědí. Tato technika může pomoci udržet konzistenci a přesnost v odpovědích.
• Contrastive Prompts (Kontrastní prompty) – Vytváření promptů, které explicitně uvádějí, co model nemá dělat nebo jaké chyby by se měly vyhnout. Tím se zlepšuje schopnost modelu rozlišovat mezi správnými a nesprávnými odpověďmi nebo přístupy.