12 CÁCH TẠO PROMPT ƯU - NHƯỢC ĐIỂM VÀ VÍ DỤ

Đỗ Ngọc Minh

#1. Prompt Zero-shot

Zero-shot sẽ không bao gồm bất kỳ ví dụ hoặc bản demo nào. Zero-shot có thể tạo ra các phản hồi mà không cung cấp thêm bất kỳ ví dụ nào để hướng dẫn. Giống như yêu cầu ai đó làm điều gì đó mới mà không cung cấp cho họ hướng dẫn từng bước, thay vào đó là dựa vào kiến thức và sự hiểu biết chung của họ.

Ưu điểm:

Tính linh hoạt cao hơn: bạn có thể sử dụng nó cho nhiều nhiệm vụ khác nhau mà không cần dữ liệu đào tạo chuyên biệt.
Duy trì hiệu quả: tiết kiệm thời gian và tài nguyên so với việc đào tạo một mô hình cho từng nhiệm vụ riêng lẻ.

Nhược điểm:

Không chắc chắn về độ chính xác: hiệu suất zero-shot có thể thay đổi tùy thuộc vào độ phức tạp của nhiệm vụ và kiến thức hiện có của mô hình.
Khó kiểm soát: việc kiểm soát đầu ra có thể khó khăn hơn so với các mô hình được tinh chỉnh.

Ví dụ:

Yêu cầu: Viết một bài đăng blog ngắn sáng tạo về lợi ích của việc thực hành chánh niệm trong cuộc sống hàng ngày.

#2. Few-shot Prompting

Few shot prompt là một kỹ thuật trong xử lý ngôn ngữ tự nhiên trong đó mô hình được cung cấp một vài ví dụ về nhiệm vụ cùng với prompt để giúp AI hiểu rõ hơn và phản hồi yêu cầu.

Những ví dụ này đóng vai trò hướng dẫn cho mô hình AI cách phản hồi một loại câu hỏi cụ thể, chẳng hạn như khi bạn nói "Này, đây là cách bạn nên phản hồi trong những tình huống tương tự".

Ưu điểm:

Mức độ chính xác cao hơn: các ví dụ giúp hướng dẫn mô hình tạo ra các phản hồi chính xác hơn hoặc phù hợp hơn.
Yêu cầu ít tài nguyên: bạn chỉ có thể đưa ra một vài ví dụ thay vì phải chuẩn bị một lượng lớn dữ liệu đào tạo cụ thể.

Nhược điểm:

Dựa quá nhiều vào các ví dụ cho sẵn: kết quả có thể không nhất quán nếu các ví dụ đưa ra không được lựa chọn kỹ lưỡng hoặc nếu chúng khác nhau đáng kể về chất lượng và nội dung.
Không phù hợp với các tác vụ phức tạp: đối với các tác vụ phức tạp, một số ví dụ có thể không nắm bắt được tất cả các sắc thái cần thiết, dẫn đến hiệu suất không tối ưu.
Ít thích ứng với các LLM khác: một mô hình cụ thể chỉ có thể xử lý một lượng ngữ cảnh hạn chế, khiến việc quản lý các prompt dài hơn với nhiều ví dụ trở nên khó khăn.

Ví dụ:

Yêu cầu: Giải thích ngôn ngữ lập trình là gì và mô tả các trường hợp sử dụng chính của nó.

Ví dụ 1:
Đầu vào: “Python”
Đầu ra: “Python là ngôn ngữ lập trình được diễn giải cấp cao, được biết đến với khả năng đọc và tính linh hoạt. Ngôn ngữ này được sử dụng rộng rãi trong phát triển web, phân tích dữ liệu, học máy và tự động hóa.”

Ví dụ 2:
Đầu vào: “JavaScript”
Đầu ra: “JavaScript là ngôn ngữ lập trình động, được diễn giải, chủ yếu được sử dụng để tạo các thành phần tương tác trên trang web. Nó rất cần thiết cho phát triển front-end và cũng được sử dụng trong phát triển back-end với Node.js.”

Ví dụ 3:
Đầu vào: “Java”
Đầu ra: “Java là ngôn ngữ lập trình hướng đối tượng cấp cao được thiết kế để có khả năng di động và tương thích đa nền tảng. Ngôn ngữ này thường được sử dụng trong các ứng dụng cấp doanh nghiệp, phát triển ứng dụng Android và các hệ thống quy mô lớn.”
Bây giờ, hãy hỏi tôi xem tôi muốn biết ngôn ngữ lập trình nào.

#3. Chain-of-Thought Prompting

Gợi ý chuỗi suy nghĩ là một kỹ thuật được sử dụng để nâng cao khả năng giải quyết vấn đề và lập luận của các mô hình ngôn ngữ lớn bằng cách khuyến khích AI chia nhỏ các vấn đề phức tạp thành các bước và thể hiện lập luận của nó.

Bằng cách phác thảo rõ ràng các bước này, mô hình có thể xử lý tốt hơn các vấn đề phức tạp hoặc nhiều bước và quá trình lập luận trở nên minh bạch và dễ hiểu hơn.

Ưu điểm:

Mạnh về tư duy logic: bằng cách chia nhỏ vấn đề, các mô hình có thể giải quyết các nhiệm vụ phức tạp hơn đòi hỏi suy luận logic hoặc giải pháp nhiều bước.
Cung cấp tính minh bạch: Lý luận từng bước làm cho quy trình của mô hình rõ ràng hơn và dễ hiểu hơn, cho phép gỡ lỗi và phân tích dễ dàng hơn.
Độ chính xác cao hơn: Việc hướng dẫn quá trình suy nghĩ của mô hình thường dẫn đến kết quả chính xác và đáng tin cậy hơn, đặc biệt đối với các nhiệm vụ liên quan đến số học, lý luận thông thường hoặc suy luận logic.

Nhược điểm:

Dành thời gian thiết kế ví dụ : việc xây dựng các ví dụ hiệu quả với các bước lý luận rõ ràng là rất quan trọng để mô hình học được quy trình tư duy mong muốn.
Không phù hợp với các nhiệm vụ dễ: Đối với các nhiệm vụ đơn giản hơn, kỹ thuật này có thể quá mức cần thiết và làm tăng độ phức tạp của quy trình một cách không cần thiết.

Ví dụ:

Yêu cầu: Chúng ta hãy giải bài toán sau: Nếu một chiếc ô tô di chuyển với tốc độ không đổi 60 dặm một giờ trong 2,5 giờ, thì nó đi được bao xa?
Thực hiện theo các bước của chúng tôi:
Đầu tiên, xác định thông tin được cung cấp trong bài toán.
Tiếp theo, xác định công thức cần thiết để tính khoảng cách.
Sau đó, thay các số vào công thức và thực hiện phép tính.
Cuối cùng, hãy diễn giải câu trả lời theo bối cảnh của vấn đề.

#4. Self-Consistency

Sự tự nhất quán liên quan đến việc tạo ra nhiều phản hồi cho một prompt hoặc câu hỏi duy nhất từ LLM và sau đó đánh giá các phản hồi đó về sự đồng thuận và tính mạch lạc. Ý tưởng cơ bản là bằng cách tận dụng nhiều lần thử, AI có thể tạo ra các đầu ra đáng tin cậy và mạnh mẽ hơn.

Ưu điểm:

Giảm thiểu rủi ro sai lệch đầu ra : Bằng cách đánh giá nhiều đầu ra, tính nhất quán giúp giảm thiểu rủi ro liên quan đến các phản hồi đơn lẻ không chính xác hoặc vô nghĩa.
Giảm nguy cơ thiên vị : Việc tạo ra nhiều phản hồi cho phép AI nắm bắt được các góc nhìn và sắc thái khác nhau của lời prompts, giúp giảm thiểu thiên vị có thể xuất hiện trong các phản hồi đơn lẻ.
Đảm bảo tính ổn định và nhất quán : Kỹ thuật prompt này giảm thiểu sự thay đổi trong kết quả đầu ra có thể phát sinh do tính ngẫu nhiên trong LLM. Điều này dẫn đến phản hồi ổn định và đáng tin cậy hơn.

Nhược điểm:

Tăng chi phí: Việc tạo ra nhiều phản hồi đòi hỏi thêm chi phí và thời gian, có thể không khả thi đối với tất cả các ứng dụng.
Hạn chế tính sáng tạo của các mô hình AI : Tập trung vào kết quả đầu ra nhất quán có thể ức chế tư duy sáng tạo hoặc khác biệt.
Không phù hợp với người mới học LLM : Phương pháp này đòi hỏi phải đánh giá cẩn thận các phản hồi được tạo ra. Thật khó để xác định đầu ra nào nhất quán và hợp lệ nhất.

Ví dụ:

Yêu cầu: Mô tả những lợi ích chính của việc tập thể dục thường xuyên. Đưa ra hai câu trả lời riêng biệt nêu bật các khía cạnh khác nhau của những lợi ích này. Sau mỗi câu trả lời, hãy cho biết bạn có tin rằng những lợi ích này có nhất quán với nhau không.

#5. Generated Knowledge

Tạo ra kiến thức gợi ý chỉ ra một kỹ thuật để gợi ý AI đưa kiến thức hoặc thông tin vào để giúp AI tạo ra các dự đoán chính xác hơn. Kỹ thuật này khuyến khích tạo ra kiến thức có thể không bắt nguồn từ các gợi ý trực tiếp mà từ sự hiểu biết của AI về các khái niệm liên quan.

Ưu điểm:

Độ chính xác được cải thiện: Kỹ thuật prompt này có thể cung cấp phản hồi chính xác hơn và phù hợp hơn với ngữ cảnh bằng cách tổng hợp thông tin từ nhiều khái niệm liên quan.
Đầu ra sáng tạo và toàn diện hơn: Phương pháp này tạo ra sự kết nối giữa các khái niệm có liên quan nhưng không được đề cập rõ ràng, tạo ra một kết quả toàn diện.
Nâng cao nhận thức theo ngữ cảnh: Các phản hồi được tạo ra thông qua kỹ thuật này có thể chứng minh nhận thức theo ngữ cảnh được cải thiện, vì AI có thể kết hợp kiến thức rộng hơn để phù hợp hơn với nhu cầu dự kiến của người dùng.

Nhược điểm:

Khó đánh giá: Việc đánh giá chất lượng đầu ra có thể là một thách thức, đặc biệt nếu prompt liên quan đến các khái niệm phức tạp hoặc trừu tượng.

Nguy cơ ảo giác cao hơn: Một rủi ro cần lưu ý khi nhắc nhở kiến thức được tạo ra là AI có thể "ảo giác" thông tin. Vì AI tạo ra kiến thức một cách năng động, nên nó có thể tạo ra nội dung có vẻ hợp lý nhưng không có cơ sở trong các sự kiện đã được thiết lập.

Ví dụ:

Yêu cầu: Phân tích tác động của các chiến lược tiếp thị kỹ thuật số lên hành vi của người tiêu dùng. Thảo luận về cách các chiến lược khác nhau, chẳng hạn như tiếp thị truyền thông xã hội, tiếp thị nội dung và tiếp thị qua email, ảnh hưởng đến quyết định mua hàng và nhận thức chung về thương hiệu.

#6. Prompt Chaining

Chuỗi prompt là một phương pháp tiếp cận kỹ thuật prompt thiết yếu để chia nhỏ công việc thành các nhiệm vụ phụ. LLM được nhắc bằng một nhiệm vụ phụ và phản hồi của nó được sử dụng làm đầu vào cho một prompt khác. Điều này được gọi là chuỗi prompt, bao gồm việc chia một nhiệm vụ thành các nhiệm vụ phụ với mục tiêu tạo ra một chuỗi các hành động.

Ưu điểm:

Giúp làm phong phú bối cảnh: Kỹ thuật này giúp thiết lập bối cảnh phong phú cho các nhiệm vụ phức tạp tiếp theo.
Thích hợp cho các nhiệm vụ phức tạp: Đặc biệt hữu ích khi khám phá các chủ đề đa diện hoặc tiến hành phân tích chi tiết.
Tăng cường tính mạch lạc: Tính liên tục trong các phản hồi giúp duy trì tính mạch lạc, vì mỗi phản hồi đều có thể theo sau phản hồi trước một cách hợp lý.

Nhược điểm:

Yêu cầu kinh nghiệm prompt: Việc thiết kế một chuỗi prompt hiệu quả đòi hỏi phải có kế hoạch cẩn thận để đảm bảo tiến trình hợp lý.
Tốn thời gian: Việc nối câu lệnh prompt có thể tốn nhiều thời gian và công sức hơn so với các prompt đơn giản.

Ví dụ:

Yêu cầu 1: Các nguyên tắc chính của thiết kế sản phẩm hiệu quả là gì? Liệt kê và giải thích ngắn gọn ít nhất năm nguyên tắc.

Yêu cầu 2: Chọn một trong những nguyên tắc thiết kế sản phẩm hiệu quả từ câu trả lời trước của bạn và mô tả cách áp dụng nguyên tắc đó trong việc thiết kế điện thoại thông minh.

Yêu cầu 3: Xem xét thiết kế điện thoại thông minh, hãy xác định ba điểm khó khăn tiềm ẩn của người dùng. Việc áp dụng nguyên tắc thiết kế đã chọn có thể giải quyết những điểm khó khăn này như thế nào?

Yêu cầu 4: Bây giờ chúng ta đã xác định được các điểm khó khăn và cách giải quyết, hãy đề xuất một tính năng hoặc cải tiến cụ thể cho điện thoại thông minh dựa trên nguyên tắc đã chọn. Giải thích cách tính năng này nâng cao trải nghiệm người dùng tổng thể.

Kỹ thuật chuỗi prompt này khuyến khích khám phá sâu về thiết kế sản phẩm bằng cách hướng dẫn mô hình qua các lớp điều tra liên tiếp. Mỗi prompt xây dựng dựa trên phản hồi từ bước trước, dẫn đến phân tích toàn diện về cách các nguyên tắc thiết kế có thể được áp dụng hiệu quả trong bối cảnh sản phẩm cụ thể.

#7. Template prompting

Prompt mẫu là một kỹ thuật chuẩn hóa và cấu trúc các prompt đưa ra cho các mô hình AI các loại phản hồi cụ thể.

Theo cách này, người dùng có thể hướng dẫn AI tuân theo một định dạng cụ thể và đảm bảo rằng nó bao gồm tất cả các thành phần cần thiết trong phản hồi của mình. Cách tiếp cận này giúp có được kết quả đầu ra có liên quan và có tổ chức hơn.

Ưu điểm:

Duy trì tính nhất quán về phong cách: Sử dụng mẫu giúp duy trì định dạng chuẩn cho các phản hồi, mang lại sự thống nhất.
Phản hồi dễ kiểm soát: Mẫu cho phép nhà phát triển kiểm soát đầu ra tốt hơn, đảm bảo đầu ra tuân thủ theo cấu trúc được xác định trước và đáp ứng các yêu cầu cụ thể.
Cải thiện tốc độ tạo: Chúng có thể tăng tốc quá trình tạo phản hồi vì AI có thể nhanh chóng điền vào chỗ trống thay vì tạo văn bản từ đầu.
Giảm sự mơ hồ: Mẫu có thể giúp làm rõ bối cảnh và mục đích của lời nhắc, giảm khả năng đưa ra kết quả mơ hồ hoặc không liên quan.

Nhược điểm:

Hạn chế tính sáng tạo của mô hình: Sử dụng các khuôn mẫu cứng nhắc có thể kém phần sáng tạo với các đầu ra lặp đi lặp lại.
Không sử dụng được cho mọi truy vấn: Một số truy vấn phức tạp hoặc có sắc thái riêng có thể không phù hợp với các mẫu đã thiết lập.
Phụ thuộc vào chất lượng mẫu: Hiệu quả của prompt mẫu phụ thuộc vào chất lượng của chính mẫu đó; mẫu được thiết kế kém có thể dẫn đến phản hồi không hiệu quả hoặc không phù hợp.

Ví dụ:

Yêu cầu: Sử dụng mẫu sau đây, hãy phác thảo chiến dịch tiếp thị qua email mới cho một cửa hàng quần áo trực tuyến hư cấu.
Tên chiến dịch: [Tên chiến dịch]
Đối tượng mục tiêu: [Mô tả thông tin nhân khẩu học dự kiến của người nhận email]
Mục tiêu chiến dịch: [Nêu mục tiêu chính của chiến dịch, ví dụ: tăng doanh số, quảng bá bộ sưu tập mới]
Dòng chủ đề: [Tạo dòng chủ đề hấp dẫn cho email]
Cấu trúc nội dung email:
– Giới thiệu: [Giới thiệu tóm tắt mục đích của email]
– Ưu đãi nổi bật: [Nêu chi tiết ưu đãi hoặc sản phẩm chính đang được quảng bá]
– Kêu gọi hành động: [Bao gồm lời kêu gọi hành động rõ ràng khuyến khích người nhận thực hiện bước tiếp theo]
– Thông tin bổ sung: [Cung cấp bất kỳ thông tin liên quan nào khác, chẳng hạn như chi tiết vận chuyển hoặc chính sách trả hàng]
– Các yếu tố thiết kế: [Vạch ra các khía cạnh trực quan của email, bao gồm màu sắc, hình ảnh và bố cục]
– Số liệu đo lường: [Nêu rõ cách thức đo lường mức độ thành công của chiến dịch]

#8. Role-Playing

Gợi ý nhập vai giúp người dùng hướng dẫn AI đảm nhận một vai trò hoặc nhân vật cụ thể để tạo ra phản hồi từ góc nhìn vai trò đó. Cách tiếp cận này có thể tăng cường chiều sâu và tính liên quan của đầu ra của AI bằng cách ngữ cảnh hóa phản hồi của nó dựa trên vai trò được chỉ định.

Ưu điểm:

Cung cấp nhiều tính linh hoạt hơn trong các tình huống: Chatbot có thể mô phỏng nhiều vai trò và tình huống khác nhau một cách nhanh chóng, cung cấp cho người dùng nhiều góc nhìn và bối cảnh đa dạng.
Tính phù hợp cao: Khi bạn giao cho chatbot một vai trò cụ thể, nó sẽ thống nhất các phản hồi dựa trên quan điểm của vai trò đó, tạo ra mức độ phù hợp cao về ngữ cảnh, phong cách và ngôn ngữ kỹ thuật.
Khả năng ghi nhớ tốt hơn: Tham gia tích cực vào trò chơi nhập vai có thể cải thiện khả năng ghi nhớ các khái niệm và kỹ năng so với các phương pháp học thụ động.

Nhược điểm:

Đôi khi là những tương tác hời hợt: Các phản hồi đưa ra đôi khi có thể hời hợt hoặc theo khuôn mẫu, không nắm bắt được chiều sâu trong tương tác của con người hoặc sự phức tạp của các tình huống cụ thể.
Thiếu sáng tạo: Do các vai trò được xác định trước, chatbot thường không sử dụng nhiều góc nhìn để phân tích vấn đề.

Prompt:

Bạn là nhân viên dịch vụ khách hàng tại một cửa hàng điện tử. Một khách hàng đến gặp bạn, rõ ràng là không hài lòng về việc mua máy tính xách tay gần đây nhưng không hoạt động bình thường. Khách hàng yêu cầu hoàn lại tiền. Hãy xử lý tình huống một cách chuyên nghiệp, lắng nghe tích cực, đồng cảm với khách hàng và tìm cách giải quyết. Hãy nhớ giữ thái độ bình tĩnh và tuân thủ chính sách của công ty. Hãy bắt đầu tương tác ngay.

#9. Prompt Reframing

Định dạng lại prompt là một kỹ thuật được sử dụng trong các mô hình AI kết hợp với ngôn ngữ lập trình, trong đó các prompt hoặc truy vấn ban đầu được định dạng lại thành một prompt khác nhưng có ngữ nghĩa tương tự, giúp mô hình dễ hiểu và phản hồi chính xác hơn.

Kỹ thuật này có thể giúp mô hình nắm bắt tốt hơn ý định của người dùng và đưa ra phản hồi phù hợp hơn.

Ưu điểm:

Làm rõ yêu cầu: Prompt được diễn đạt lại có thể cung cấp hướng dẫn rõ ràng hơn, giúp LLM hiểu rõ hơn ý định của người dùng.
Tốt nhất là đưa ra câu trả lời có mục tiêu: Cách diễn đạt cụ thể có thể giúp hướng dẫn LLM đưa ra câu trả lời tập trung hơn, giải quyết các khía cạnh cụ thể của câu hỏi có thể đã bị bỏ sót trong prompt ban đầu.
Giảm thiểu sự mơ hồ hoặc ảo giác: Những prompt rõ ràng và cụ thể hơn sẽ giảm khả năng diễn giải mơ hồ, mang lại kết quả chính xác và hữu ích hơn.

Nhược điểm:

Mất thời gian và tốn kém: Việc định hình lại prompt một cách hiệu quả có thể tốn thêm thời gian và chi phí, đặc biệt là nếu cần lặp lại nhiều lần để đạt được kết quả mong muốn.
Hạn chế khả năng sáng tạo của người lập trình LLM: Những prompt quá chi tiết hoặc cụ thể có thể hạn chế khả năng sáng tạo của LLM, dẫn đến những phản hồi kém thú vị hoặc kém đa dạng.

Ví dụ:

Tạo hướng dẫn cho người mới bắt đầu về chế độ ăn uống lành mạnh, bao gồm các mẹo chuẩn bị bữa ăn, mua sắm thực phẩm và xây dựng các bữa ăn cân bằng.

Gợi ý: Xây dựng một hướng dẫn cơ bản về chế độ ăn uống dinh dưỡng, bao gồm lời khuyên về cách chuẩn bị bữa ăn, mua sắm thực phẩm và xây dựng các bữa ăn cân bằng dinh dưỡng.

Gợi ý: Biên soạn một cẩm nang dành cho người mới bắt đầu về dinh dưỡng lành mạnh, trong đó cung cấp các mẹo về cách chuẩn bị bữa ăn, mua sắm thực phẩm và lập kế hoạch ăn uống cân bằng.

#10. Iterative Prompting

Prompt lặp đi lặp lại là một kỹ thuật đảm bảo có thông tin ngữ cảnh thông qua một quá trình lặp đi lặp lại. Điều này sẽ ngăn ngừa sự hình thành các sự kiện và ảo giác không liên quan.

Ưu điểm:

Tạo ra phản hồi chất lượng cao hơn: Thông qua quá trình lặp lại, người dùng có thể có được phản hồi chính xác hơn, sâu sắc hơn và phù hợp hơn từ LLM.
Giúp phát triển kỹ năng: Giúp người dùng cải thiện khả năng đưa ra prompt chính xác và hiệu quả theo thời gian.
Hiểu sâu hơn: Khuyến khích tư duy phản biện và khám phá sâu sắc các chủ đề bằng cách lặp lại các câu hỏi hoặc prompt
.

Nhược điểm:

Tốn thời gian: Quá trình này có thể mất nhiều thời gian hơn so với việc sử dụng prompt đơn lẻ vì cần phải suy nghĩ và điều chỉnh sau mỗi lần tương tác.
Gây nhầm lẫn: Người dùng có thể bị choáng ngợp với số lần lặp lại hoặc thay đổi cần thiết, dẫn đến sự thất vọng tiềm ẩn. Không phải mọi lần lặp lại đều mang lại kết quả tốt hơn; người dùng phải phân biệt được điều chỉnh nào là hiệu quả.

Ví dụ:

Yêu cầu 1: Tạo một khẩu hiệu hấp dẫn cho một loại bột giặt thân thiện với môi trường mới.
Yêu cầu 2: Làm cho câu chuyện có vẻ gần gũi hơn và đề cập đến khía cạnh gia đình.
Yêu cầu 3: Nhấn mạnh tính bền vững và hiệu quả về chi phí trong khẩu hiệu.
Gợi ý 4: Thêm giọng điệu vui tươi để câu chuyện hấp dẫn và thú vị hơn.

#11. Self-Ask Prompting

Gợi ý tự hỏi là một bước tiến từ gợi ý Chuỗi suy nghĩ , trong đó mô hình AI về cơ bản tự hỏi mình một loạt câu hỏi để hiểu rõ hơn và phân tích các truy vấn phức tạp trước khi trả lời chúng.

Kỹ thuật này hữu ích trong việc cải thiện chất lượng phản hồi của AI, đặc biệt là khi xử lý các tác vụ phức tạp, nhiều bước.

Ưu điểm:

Dễ tùy chỉnh: người dùng có thể tùy chỉnh prompt theo sở thích và nhu cầu cụ thể của mình để có phản hồi phù hợp và cá nhân hóa hơn.
Luồng tạo ra tự nhiên hơn: Người dùng có thể nhanh chóng điều chỉnh câu hỏi của mình dựa trên phản hồi của LLM, tạo điều kiện cho cuộc đối thoại năng động và tương tác.
Cho phép sự tham gia sâu hơn: Việc tự đặt câu hỏi có thể thúc đẩy trải nghiệm học tập hấp dẫn và sâu sắc hơn.

Nhược điểm:

Dễ có kết quả không nhất quán: Chất lượng phản hồi có thể thay đổi đáng kể tùy thuộc vào chất lượng prompt tự tạo, dẫn đến hiểu biết không nhất quán.
Chủ yếu phụ thuộc vào kỹ năng của người dùng: Hiệu quả của tính năng tự hỏi phụ thuộc rất nhiều vào khả năng đặt câu hỏi hay của người dùng, khả năng này có thể khác nhau rất nhiều tùy theo từng cá nhân.
Tốn thời gian: Việc soạn thảo những câu hỏi sâu sắc có thể tốn nhiều thời gian hơn so với việc chỉ sử dụng các câu hỏi hoặc gợi ý được xác định trước.

Ví dụ:

Gợi ý: Tôi muốn bạn trả lời một câu hỏi bằng cách chia nhỏ câu hỏi thành các phần nhỏ hơn trước. Vui lòng sử dụng 2-3 câu hỏi phụ có liên quan và tự trả lời câu hỏi phụ đó.

Sau đó, kết hợp các phát hiện của bạn thành một câu trả lời cuối cùng toàn diện. Đây là câu hỏi tôi muốn bạn giải quyết: 'Tôi nên thực hiện những bước chính nào để khởi nghiệp kinh doanh nhỏ thành công?'

#12. Prompt Combination

Kỹ thuật kết hợp prompt đề cập đến các chiến lược được sử dụng để tăng cường hiệu quả và tính sáng tạo của prompt được cung cấp cho các mô hình AI. Điều này bao gồm việc lấy nhiều prompt đơn lẻ và kết hợp chúng thành một prompt toàn diện.

Bằng cách kết hợp các ý tưởng khác nhau hoặc sử dụng các phương pháp có cấu trúc, các kỹ thuật này có thể giúp tạo ra những phản hồi tốt hơn, phức tạp hơn hoặc mang nhiều sắc thái hơn.

Ưu điểm:

Tạo ra những phản hồi phong phú hơn: việc kết hợp nhiều prompt có thể mang lại những phản hồi chi tiết và sắc thái hơn, giúp hiểu sâu hơn về chủ đề.
Phù hợp với các chủ đề phức tạp: các gợi ý đa chiều cho phép khám phá các chủ đề và vấn đề phức tạp.
Tăng tính linh hoạt: kỹ thuật này cho phép người dùng tùy chỉnh prompt theo sở thích hoặc nhu cầu cụ thể của họ, tăng cường tính phù hợp và mức độ tương tác của nội dung được tạo ra.

Nhược điểm:

Giảm khả năng tập trung: nếu prompt đề cập đến quá nhiều khía cạnh khác nhau, câu trả lời có thể thiếu chiều sâu ở bất kỳ lĩnh vực nào, dẫn đến câu trả lời mơ hồ hoặc hời hợt.
Khả năng mâu thuẫn: khi kết hợp các gợi ý có ý tưởng mâu thuẫn, câu trả lời có thể thiếu rõ ràng hoặc đưa ra quan điểm trái ngược nhau.

Ví dụ:

Yêu cầu: Bạn có thể giải thích sự khác biệt giữa dịch vụ lưu trữ chia sẻ và dịch vụ lưu trữ VPS và đề xuất giải pháp nào tốt hơn cho một trang web thương mại điện tử nhỏ không?

Suy nghĩ cuối cùng

Kỹ thuật PROMPT đóng vai trò quan trọng trong việc cải thiện chất lượng đầu ra của AI.

Cho dù bạn sử dụng các kỹ thuật đơn giản (như prompt không cần trả lời, prompt tự hỏi, v.v.) hay các kỹ thuật phức tạp hơn (như prompt chuỗi suy nghĩ, kết hợp prompt, v.v.), hãy luôn nhớ thử nghiệm bằng các phương pháp khác nhau để xem phương pháp nào phù hợp nhất với trường hợp sử dụng của bạn.

Tìm kiếm Blog này

Đỗ Ngọc Minh