Techniki inżynierii promptów: Przewodnik optymalizacji LLM

Inżynieria promptów to sztuka i nauka systematycznego projektowania danych wejściowych w celu uzyskania pożądanych wyników od modeli AI. Odpowiednie strategie promptów mogą zwiększyć wydajność modelu nawet o 50%.

Podstawy inżynierii promptów

Anatomia promptu

Skuteczny prompt składa się z następujących elementów:

System Instruction: Rola modelu i reguły zachowania
Context: Informacje tła związane z zadaniem
Example(s): Przykłady oczekiwanego formatu odpowiedzi
Task: Konkretna prośba lub pytanie
Output Format: Oczekiwana struktura odpowiedzi

Podstawowa struktura promptu

1[Role Definition]
2You are a {field of expertise} expert.
3
4[Context]
5{Relevant information}
6
7[Task]
8{Specific request}
9
10[Format]
11{Expected output format}

Podstawowe techniki promptów

1. Zero-Shot Prompting

Bezpośrednie zdefiniowanie zadania bez podawania przykładów:

Summarize the following text:
{text}

Zastosowania:

Proste zadania
Pytania z zakresu wiedzy ogólnej
Klasyfikacja

2. Few-Shot Prompting

Definiowanie zadania z przykładami:

1Text: "This product is great, I am very satisfied"
2Sentiment: Positive
3
4Text: "It was a terrible experience, I do not recommend it"
5Sentiment: Negative
6
7Text: "It's okay for the price"
8Sentiment: ?

Najlepsze praktyki:

3–5 przykładów zazwyczaj wystarcza
Dodawaj różne przypadki brzegowe
Losowo zmieniaj kolejność przykładów

3. Chain-of-Thought (CoT)

Myślenie krok po kroku:

1Question: A store has 15 apples. 8 apples were sold, 
2then 6 more apples arrived. How many apples are there?
3
4Let's think step by step:
51. Initially there are 15 apples
62. 8 apples sold: 15 - 8 = 7 apples left
73. 6 apples arrived: 7 + 6 = 13 apples
8
9Answer: 13 apples

4. Self-Consistency

Różne ścieżki rozumowania dla tego samego pytania:

1Solve this problem in 3 different ways and choose the most consistent answer:
2
3[Problem]

5. Tree of Thoughts (ToT)

Rozgałęzione drzewo myśli:

1Problem: {complex problem}
2
3Thought 1: {approach A}
4  → Sub-thought 1.1: {detail}
5  → Sub-thought 1.2: {detail}
6  
7Thought 2: {approach B}
8  → Sub-thought 2.1: {detail}
9  
10Evaluate and select the most suitable path.

Zaawansowane techniki

ReAct (Reasoning + Acting)

Pętla myślenia i działania:

1Question: How many times larger is Istanbul's population than Paris?
2
3Thought: I need to find the population of both cities
4Action: [search] Istanbul population
5Observation: Istanbul population ~16 million
6
7Thought: Now I need to find Paris population
8Action: [search] Paris population  
9Observation: Paris population ~2.2 million
10
11Thought: I can calculate the ratio
12Action: [calculate] 16 / 2.2
13Observation: 7.27
14
15Answer: Istanbul's population is approximately 7.3 times larger than Paris.

Constitutional AI Prompting

Definiowanie zasad etycznych i bezpieczeństwa:

1System: You are a helpful assistant.
2
3Rules:
41. Do not generate harmful content
52. Do not share personal information
63. Do not help with illegal activities
74. Always be honest
8
9User question: {question}

Role Prompting

Definiowanie konkretnego obszaru specjalizacji:

1You are a cybersecurity expert with 20 years of experience.
2You have worked as a CISO in Fortune 500 companies.
3You can explain technical details clearly and understandably.
4
5User's question: {question}
6## Strategie optymalizacji promptów
7
8### 1. Zwiększanie szczegółowości
9
10❌ Złe:

Write a blog post


✅ Dobre:

Target audience: Software developers Topic: Docker container security Length: 1500-2000 words Tone: Technical but accessible Format: Introduction, 5 main sections, conclusion

1
2### 2. Określanie formatu wyjścia
3

Provide your response in this JSON format: { "summary": "string", "key_points": ["string"], "next_steps": ["string"], "confidence_score": number }

1
2### 3. Negatywne promptowanie
3
4Określanie niepożądanych zachowań:
5

Do NOT do the following:

Give speculative information
Make claims without citing sources
Lead the user
Give excessively long answers

1
2### 4. Użycie delimiterów
3
4Doprecyzowanie sekcji:
5

###CONTEXT### {context information}

###TASK### {work to be done}

###FORMAT### {output format}

1
2## Optymalizacje specyficzne dla modeli
3
4### Dla GPT
5

Use System message effectively
Activate JSON mode: response_format={"type": "json_object"}
Temperature: 0.7-1.0 for creative tasks, 0.1-0.3 for analytical

1
2### Dla Claude
3

Use XML tags: <context>, <task>, <format>
Put important information at the end in long context
Evaluate Thinking tags

1
2### Dla Gemini
3

Optimize for multimodal prompts
Up-to-date information with Grounding
Adjust Safety settings

1
2## Testowanie i iteracja promptów
3
4### Framework testów A/B
5

Prompt A: {version 1} Prompt B: {version 2}

Metrics:

Accuracy: %
Consistency: 1-5
Latency: ms
Token usage: #

1
2### Wersjonowanie promptów
3

prompt_v1.0: First version prompt_v1.1: Typo corrections prompt_v2.0: CoT added prompt_v2.1: Output format changed

1
2## Zarządzanie promptami w środowisku Enterprise
3
4### Tworzenie biblioteki promptów
5

/prompts /classification - sentiment_analysis.json - intent_detection.json /generation - blog_writer.json - code_reviewer.json /extraction - entity_extraction.json - data_parsing.json

1
2### System szablonów promptów
3
4```python
5class PromptTemplate:
6    def __init__(self, template, variables):
7        self.template = template
8        self.variables = variables
9    
10    def render(self, **kwargs):
11        return self.template.format(**kwargs)
12
13# Usage
14sentiment_prompt = PromptTemplate(
15    template="Analyze sentiment: {text}",
16    variables=["text"]
17)

Najczęstsze błędy i rozwiązania

Błąd 1: Zbyt ogólny prompt

Problem: Model nie rozumie, czego oczekujesz
Rozwiązanie: Dodaj szczegółowe instrukcje i przykłady

Błąd 2: Bardzo długi prompt

Problem: Przekroczony limit tokenów, rosną koszty
Rozwiązanie: Usuń zbędne informacje, użyj podsumowania

Błąd 3: Sprzeczne instrukcje

Problem: Model zachowuje się niespójnie
Rozwiązanie: Ustal priorytety i doprecyzuj zasady

Błąd 4: Halucynacje

Problem: Model podaje zmyślone informacje
Rozwiązanie: Grounding, wymaganie cytowania, niższa temperatura

Zakończenie

Inżynieria promptów jest kluczowym czynnikiem sukcesu projektów AI. Dzięki właściwym technikom i systematycznemu podejściu możesz znacząco zwiększyć wydajność modeli.

W Veni AI tworzymy spersonalizowane strategie promptów dla klientów korporacyjnych. Skontaktuj się z nami, aby uzyskać profesjonalne wsparcie.

Techniki inżynierii promptów: przewodnik po optymalizacji LLM