Summary  
This chapter covers techniques for guiding AI output by presenting examples of the desired result (few-shot prompting) and by encouraging step-by-step reasoning for complex tasks (chain-of-thought prompting).

General domain of usage  
Machine translation

Esimerkkipohjainen ohjeistus tarkoittaa, että tekoälylle näytetään yksi tai useampi esimerkki halutusta lopputuloksesta. Tätä kutsutaan **few-shot-ohjeistukseksi**.

**Few-shot-ohjeistus**: muutaman esimerkin antaminen kehotteessa halutun lopputuloksen osoittamiseksi.

Määritelmä

Monimutkaisissa tai useita vaiheita sisältävissä tehtävissä **chain-of-thought-ohjeistus** kannustaa tekoälyä perustelemaan vaihe vaiheelta.



**Chain-of-thought-kehotteet**: tekoälyn ohjaaminen perustelemaan ongelman ratkaisu vaihe vaiheelta vastauksessaan.

#### Esimerkkivertailu

- **Few-shot:** `Translate the following sentences to French. Example: "Good morning." → "Bonjour." Now translate: "How are you?"`;
- **Chain-of-thought:** `Solve this math problem step by step: If a train travels 60 miles in 1.5 hours, what is its average speed?`.

Käytä **few-shot-kehotteita**, kun haluat tekoälyn jäljittelevän tiettyä tyyliä tai muotoa. Käytä **chain-of-thought-kehotteita** tehtäviin, jotka vaativat loogisia vaiheita tai selityksiä.

Liian monet esimerkit voivat kuormittaa tekoälyä tai ylittää sen kontekstin ikkunan. Valitse **ytimekkäät** ja **olennaiset** esimerkit.

Huomio

Milloin chain-of-thought-kehotteita tulisi käyttää?

Aloittelijaystävällinen, täysin teoreettinen kurssi, joka esittelee suurten kielimallien (LLM) prompt engineeringin ydinkäsitteet ja käytännön strategiat. Opit, kuinka jäsentää, hioa ja optimoida kehotteita parempien tekoälytuotosten saavuttamiseksi.

Tutustu prompt-suunnittelun olennaisiin perusperiaatteisiin, mukaan lukien mitä promptit ovat, miksi ne ovat tärkeitä ja keskeiset periaatteet tehokkaaseen viestintään LLM-mallien kanssa.

Käytännön kehotetekniikat tekoälyn käyttäytymisen hallintaan ja vastausten laadun parantamiseen.

Opi, miten kehotteita voidaan hienosäätää, arvioida ja parantaa johdonmukaisuuden ja todellisten käyttötapausten varmistamiseksi.

Esimerkkipohjainen ja Vaiheittainen Ohjeistus

Esimerkkivertailu