Инструкция по эффективному промпт-инжинирингу на основе рекомендаций Google
Гугл выпустили большой гайд по промптингу на 68 страниц. Материала там очень много, но если сжать и выпустить инструкцию, то получится вот на такой пост
1. Настройка параметров генерации (Temperature, Top-K, Top-P) Перед созданием промпта важно настроить ключевые параметры модели:
-
Temperature – регулирует уровень креативности ответов:
-
Низкие значения (0.1–0.2): ответы становятся предсказуемыми, подходят для точных задач (анализ данных, перевод, решение математических задач).
-
Высокие значения (0.8–0.9): ответы более креативные, но менее предсказуемые. Подходят для генерации идей, написания текстов, мозгового штурма.
-
Top-K и Top-P – ограничивают выбор слов для ответа:
-
Top-K: модель выбирает следующее слово только из K наиболее вероятных вариантов (например, Top-K=5).
-
Top-P: модель выбирает слова, пока их суммарная вероятность не достигнет значения P.
Рекомендация:
- Для точных ответов - Temperature=0.1–0.2.
- Для креативных задач – Temperature=0.8–0.9.
- Остальные параметры можно оставить по умолчанию.
Важно: Неправильные настройки могут привести к зацикливанию (слишком низкая Temperature) или хаотичным ответам (слишком высокая Temperature).
2. Используйте Few-Shot Prompting (промпты с примерами) Вместо прямого вопроса (Zero-Shot) предоставьте модели несколько примеров выполнения задачи.
Пример:
Классифицируй отзывы как ПОЛОЖИТЕЛЬНЫЕ, ОТРИЦАТЕЛЬНЫЕ или НЕЙТРАЛЬНЫЕ. Вот примеры:
- Отзыв: "Актерская игра на высоте, но сюжет провисает." → НЕЙТРАЛЬНЫЙ
- Отзыв: "Два часа потраченного времени. Ужасно." → ОТРИЦАТЕЛЬНЫЙ
Теперь классифицируй: Отзыв: "Фильм затянутый, но концовка просто гениальна!" →
Такой подход повышает точность ответов, так как модель следует заданному шаблону.
3. Назначение роли модели (Role Prompting) Укажите модели, какую роль она должна играть, чтобы получить более релевантные ответы.
Пример
Роль: Ты — Senior DevOps с 10-летним опытом.
Задача: Объясни принцип blue-green deployment так, чтобы понял новичок:
- Максимум 3 предложения
- Без англицизмов
- С сравнением из бытовой жизни
Эффект:
- Ответы становятся более конкретными и соответствуют заданному контексту.
4. Метод Chain-of-Thought (рассуждение по шагам) Для сложных задач просите модель рассуждать последовательно.
Пример:
Оцени потенциал запуска сервиса аренды электрогрузовиков в Германии:
1. Тренды: рост спроса на "зеленый" транспорт по данным Bundesverband eMobility 2. Конкуренты: перечень 3 ключевых игроков и их тарифы 3. Риски: законодательные ограничения на коммерческий транспорт в городах 4. Итог: сводная таблица "За/Против" с прогнозом окупаемости
Модель строит логическую цепочку, что повышает качество анализа.
Универсальная формула промпта Для большинства задач можно использовать структуру:
[Роль] + [Контекст] + [Задача с примерами] + [Правила вывода] Пример:
Ты — опытный маркетолог, работающий с B2B-стартапами. // Роль
Задача: проанализируй лендинг и предложи 5 улучшений. Пример хорошего улучшения: "Заменить заголовок Х на Y, потому что Y лучше отражает боль клиента". // Контекст + Задача
Ответ представь в виде таблицы. Стиль — прямой и честный. Перед финальным выводом объясни рассуждения. // Правило вывода
https://services.google.com/fh/files/misc/gemini-for-google-workspace-prompting-guide-101.pdf
