För att förstå vad prompt engineering är och varför vi behöver det kommer vi först att gå igenom några viktiga ämnen från föregående avsnitt:

1. En prompt eller fråga är den inmatningstext som tillhandahålls till modellen för att initiera en konversation eller begära ett svar. Det fungerar som användarens meddelande eller fråga som uppmanar modellen att generera ett textbaserat svar;

2. Sättet som ChatGPT svarar på kan påverkas av hur en begäran formuleras; om du omformulerar samma fråga med olika ord kan modellen generera varierande svar.

Baserat på dessa två ämnen kan vi förstå vad prompt engineering är: det är processen att noggrant utforma och strukturera inmatningsprompter eller frågor för att framkalla önskade svar från modellen.

Låt oss titta på exemplen:

Dålig prompt

Detta anses vara "dåligt" av några anledningar:

1. Brist på specificitet: Uppmaningen är mycket bred och specificerar inte vilka vetenskapsmän eller vetenskapsområden användaren är intresserad av. Den ger inte modellen tydlig vägledning om omfattningen av svaret;

2. Otydliga förväntningar: Den anger inte vilken typ av information användaren söker om vetenskapsmän. Är de intresserade av biografier, vetenskapliga bidrag, historisk kontext eller något annat? Utan denna klarhet kanske svaret inte uppfyller användarens förväntningar;

3. Öppen slutning: Uppmaningen är öppen, vilket kan leda till ett generiskt eller allmänt svar som kanske inte är särskilt informativt eller engagerande.

Låt oss ändra denna uppmaning för att få ett mer specifikt resultat.

Bra uppmaning

Den "bra" uppmaningen är effektiv eftersom den ger specificitet, kontext och tydlig vägledning. Den specificerar ämnet (inflytelserika vetenskapsmän inom fysikområdet) och typen av information som önskas (viktiga upptäckter), vilket gör det lättare för ChatGPT att generera ett relevant och informativt svar som stämmer överens med användarens förväntningar.