프롬프트 엔지니어링 - 예시, 기법 및 모범 사례

모델의 응답에 대한 단일하고 측정 가능한 목표로 시작하세요. 각 지시를 그 목표에 맞추세요; 메시지를 매핑하여 모델에 구조화된 맥락을 제공하세요; 의도, 제약, 평가 기준을 포착하는 prompt_template을 사용하세요.

hook을 사용하여 개시 conversations를 고정시키세요. 성공적인 응답을 구성하는 것이 무엇인지 명확한 기대와 함께. 설정을 개발 단계로 취급하세요; 각 messages 시퀀스를 간결하고 명시적인 경로로 매핑하세요; 모델을 원하는 행동으로 안내하는 prompt_template. 다양한 맥락에서 사각지대를 식별하는 데 mirascope 뷰가 도움이 됩니다; 캐주얼한 문의부터 공식적인 문의까지.

pitfalls가 신뢰성을 방해합니다; 주의하세요. 먼저, 제약을 정의하세요: 길이, 스타일, 안전; 그 후, 여러 실행에서 응답을 수집하세요; 다양한 맥락에서 메시지를 추적하여 편향이나 드리프트를 드러내는 패턴을 찾으세요.

안정적인 골격이 존재하면, 워크플로의 모듈러 부분을 통해 이를 전파하세요: 기본 prompt_template, 제약 벡터 세트, 후처리 체크리스트. 다양한 시나리오에 대해 동일한 구조를 재사용하세요. 표면 요소만 조정하세요; 이는 모델이 레지스터를 전환하도록 요청될 때 출력을 예측 가능하게 유지합니다. 신뢰성의 수도는 일회성 트릭이 아니라 반복 가능한 단계에 있습니다.

반복 중에, 드리프트를 피하기 위해 모델과의 conversations에 대한 입증된 접근 방식을 언급하세요; 프롬프트의 부분을 헤더, constraints, 평가 프롬프트로 분리하세요. 이 기술은 다양한 프롬프트에서 깨끗한 응답을 생성합니다; mirascope 경고가 확산되기 전에 오정렬을 위치하는 데 도움이 됩니다.

프롬프팅을 위한 범위와 제약

지시를 작성하기 전에 고정된 범위를 설정하세요; 작업 유형을 정의하세요; user_message 경계를 잠그세요; 이는 드리프트를 줄입니다. mirascope를 사용하여 계획을 출력과 맞추세요; 콘텐츠, 형식, 타이밍을 관리하는 명확한 가드레일을 설정하세요.

• 범위 경계: 도메인을 정의하세요; 허용 가능한 콘텐츠; 언어; 출력 길이; 외부 사이트에 대한 의존을 신뢰할 수 있는 소스에 제한하세요; 필요할 때 인용을 요구하세요; 근거를 위해 상담한 텍스트는 로그되어야 합니다.
• 제약 유형: 스타일; 톤; 형식; 구조; 콘텐츠 경계; user_message 입력을 명시적 맥락으로 처리하세요; 프라이버시를 보존하세요; 금지된 주제를 피하세요.
• 작업 유형: 분석, 분류, 생성, 요약, 번역을 포함한 유형; 범위가 설정되면 각 카테고리에 대한 프롬프트를 맞춤형으로 하세요; 입력 자료로 텍스트를 사용하세요; задачи.
• User_message 처리: 맥락을 추출하세요; 이해관계자에게 적용되는 제약을 알려주세요; 소스 신뢰성을 확인하세요; 맥락이 누락되면 명확화를 요청하세요; user_message와 시스템 출력 사이에 깨끗한 분리를 유지하세요; 데이터를 안전하게 처리하세요.
• 맞춤형 프롬프트: 청중에 맞게 조정하세요; 복잡성을 조정하세요; 맞춤형 프롬프트는 관련성을 향상시킵니다.
• Mirascope 정렬: mirascope를 사용하여 제약을 작업 출력에 매핑하세요; 단계 전반에 걸쳐 일관된 결과를 보장합니다.
• 계산: 숫자 결과에 대한 계산을 요구하세요; 허용 가능한 범위를 정의하세요; 신뢰할 수 있는 소스에 대해 계산을 확인하세요.
• 평가: 메트릭을 정의하세요; 자동 검사를 실행하세요; 응답 시간을 추적하세요; 범위에 상대적인 드리프트를 모니터링하세요; 누출을 방지하기 위해 모니터링을 계속하세요.
• 입력 소스: user_message를 주요 신호로 사용하세요; 시스템 메시지나 도구 출력에서 텍스트는 관련 콘텐츠로 제한하세요.
• 잠재적 드리프트: 가능한 실패 모드를 식별하세요; 가드레일을 구현하세요; 주기적인 검토를 예약하세요.

명확한 지시: 프레임, 역할, 출력 형식

권장: 모델에 대한 역할을 잠그세요; 간결한 역할 설명을 작성하세요; 페르소나, 범위, 출력 형식을 묶는 prompt_template을 사용하세요; 흐름을 시작하기 위해 user_message를 요구하세요; 목적을 명확히 하는 hook을 포함하세요; 흐름이 자연스럽게 유지되도록 하세요; 데이터를 통해 영향을 측정하세요; 대규모 데이터셋을 효율적으로 요약하세요; 정확한 권장 사항을 제공하세요; 작업 후 검토가 품질을 향상시킵니다.

프레임 기본 요소

역할 프레임 요소: 주요 역할이 출력을 형성합니다; 다양한 옵션에서 선택하세요: 분석가, 조언자, 번역자; 언어 모델이 작동하는 областях 전반에 범위를 설정하세요; 선호하는 톤을 지정하세요; 출력이 모델 제약 내에 머무르도록 하세요; 프롬프트에서 성공 기준을 정의하세요; включите рекомендации; 대규모 사용자에 대한 작업 후 조정을 추적하세요; 명확성을 위해 맥락을 간결하게 유지하세요.

출력 형식, 검증

출력 형식: 정확한 구조를 규정하세요; 고정된 prompt_template을 사용하세요; 출력을 JSON, 불릿 목록으로 제공하도록 요구하세요; 시작에 hook을 포함하세요; 필드를 지정하세요: 요약, решения, next_steps; решения가 실행 가능하게 유지되도록 하세요; 가벼운 후처리 패스를 포함합니다; 독자에게 자연스러운 경로를 유지합니다.

Aspect	Specification	Illustration
Framing	고정 역할; prompt_template이 페르소나, 범위, 출력 형식을 묶음; user_message가 흐름을 활성화	역할: 데이터 분석가; hook이 간결한 요약으로 시작
Output	구조화된 형식; JSON 또는 불릿 목록; 필드: 요약, решения, next_steps; 톤 자연스러움	샘플: { "summary":"...", "решения":"...", "next_steps":["..."] }
Validation	체크리스트; 정확성 확인; 작업 후 검토; 로깅	메트릭: 정확성 목표; 편차 로그; 필요 시 재생성 트리거

프롬프트 템플릿: 재사용 가능한 패턴과 매개변수화

모든 워크플로에 대해 모듈러하고 매개변수화된 템플릿을 채택하세요; 템플릿을 맥락, 청중, 목표에 따라 부분을 토글할 수 있도록 구조화하세요.

아래, ниже에서 다양한 애플리케이션 전반에 유연한 배포를 위해 구축된 재사용 가능한 패턴을 찾을 수 있습니다; 이러한 템플릿은 구조를 보존하고, 자연스러운 명확성을 제공합니다; 다양한 사용자, 맥락, 도메인에 대한 언어 튜닝을 지원합니다. 경험은 모듈러 템플릿이 배포 시간을 단축하고, 위험을 줄이며, 일관성을 향상시킨다는 것을 보여줍니다.

일반적인 함정에는 취약한 플레이스홀더, 과도하게 긴 목록, 누락된 기본값, 모호한 목표가 포함됩니다. 명시적 변수 유형, 기본값, 자체 검사, 명확한 언어로 완화하세요. 드리프트를 노출하기 위해 합성 데이터로 출력을 검증하세요.

템플릿의 부분, 또는 части,에는 헤더; 매개변수 블록; 기본 맵; 검증 단계가 포함되며, 모두 단일 구조에 묶여 있습니다. 매개변수 사전을 간결하게 유지하세요; 애플리케이션 전반에 키를 재사용하세요.

설계 원칙은 장황함보다 명확성을 강조합니다; 응답을 안내하기 위해 구조를 사용하세요; 자연스러운 표현; 언어 레이블에서 언어 튜닝을 허용하세요. 이는 더 넓은 애플리케이션을 촉진합니다; 특히 아마존 맥락의 고객을 위한 일관된 톤.

매개변수화 팁: 표준 사전을 정의하세요; 기본값을 할당하세요; 각 변수에 대한 유형을 포함하세요; 예상 범위를 지정하세요; 라이브 문서로 샘플 값을 내장하세요. 맥락에 매개변수를 адаптировать можете; 팀 전반에 재사용하세요; 광범위한 롤아웃 전에 라이브 청중으로 작은 파일럿을 실행하세요.

실현 가능한 템플릿은 고객 지원; 제품 발견 흐름; 훈련 모듈에 나타납니다; 대형 언어 모델은 복잡한 작업 동안 안정적이고 재사용 가능한 패턴으로부터 이익을 얻습니다.

고급 기술: Few-Shot, Chain-of-Thought, Self-Check

권장: 이 작업에 대한 간결한 few-shot 흐름을 구현하세요; 전형적인 입력을 반영하는 2–4개의 데모를 선택하세요; 구조를 короткие, простыми로 유지하세요; 입력을 명확히 라벨링하세요; 모범 사례의 근거와 사용법을 설명하는 документа를 유지하세요.

데이터 드리프트가 발생하는 곳에서, 모범 사례를 정기적으로 새로 고치세요; 현재 도메인을 반영하는 신선한 данные에 의존하세요; 클래스 전반에 다양한 모범 사례를 선택하세요; 데모 프롬프트에서 미래 정보를 제외하여 누출을 피하세요; 입력의 этапов 구조가 단계 전반에 안정적으로 유지되어 내구성을 향상시킵니다.

Chain-of-Thought 흐름: 결론에 도달하기 위한 단계를 설명하도록 요청하세요; 비용을 줄이기 위해 짧은 추론 추적을 사용하세요; 답변 전에 단계를 설명하도록 모델에게 요구하세요; 이는 신뢰성을 향상시킵니다; 처리량을 유지하기 위해 3–5줄로 제한하세요.

Self-Check 단계: 최종화 전에 모델이 자신의 ответ을 검증하도록 프롬프트하세요; 간단한 검사, 숫자 신뢰도, 또는 짧은 정당화를 요청하세요; 전체 재실행을 강제하지 않고 재검사를 트리거하기 위해 후속 쿼리를 사용하세요; 이 관행은 품질 준수를 지원합니다.

입력은 프라이버시를 염두에 두고 처리하세요; 청소, 정규화, 개인 정보 деактивация과 같은 전처리를 적용하세요; 식별자를 공개하지 않는 обезличенные данные를 사용하세요; 모델, 입력, 출력에 대한 버전화된 노트를 유지하세요; 구조, 근거, 기술 설명을 문서화하여 엔지니어링을 안내하세요: 주어진 쿼리에 어떤 접근이 사용되었는지 설명하세요; 버전은 반복 전반에 결과를 сравнить하는 데 도움이 됩니다.

각 변경을 короткая документация에 문서화하세요. 텍스트 프롬프트, 모범 사례 재고, 관찰된 출력을 포함하세요; 버전 제어가 추적성을 보장합니다; 프롬프트 구조와 평가 메트릭을 설명하세요; 버전 태그는 팀이 시간 경과에 결과를 비교하는 데 도움이 됩니다.

평가와 반복: 실제 시나리오로 프롬프트 테스트

일일 운영을 반영할 만큼 최근 날짜의 소수의 워크플로를 선택하여 실제 시나리오 평가를 시작하세요; реалистичный подход을 реализовать; 환자 대화, 캐주얼 문의와 유사한 출력을 캡처하세요; 결정 작업; 정확한 기준에 대한 결과를 비교하세요; 데이터 소스, 사용자 의도, 관찰된 결과를 연결하는 체인에서 불일치를 로그하세요; 이 준비는 더 넓은 롤아웃 전에 위험을 줄입니다. 이 작업은 신뢰성을 향상시킵니다.

측정 가능한 신호

중요한 메트릭을 정의하세요: 정확성, 커버리지, 지연; 비교를 위한 few-shot 기준을 설정하세요; 실제 세션의 로그에 의존하세요; 편차 뒤의 근거를 위해 생각 소스를 포함하세요; 모호한 입력, 누락된 맥락, 또는 오해석과 같은 일반적인 실패 모드를 식별하세요; 디버깅을 용이하게 하는 투명한 추적을 선호하세요; 아마존 맥락은 사용자 의도가 맥락에 따라 어떻게 변하는지 보여줍니다; 이러한 신호 변화는 약점을 드러내도록 합니다; 시를 읊는 소리.

반복 주기

각 실행 후, 격차를 분석하세요; итеративный подход이 채택됩니다; 표현과 모범 사례를 업데이트하세요; few-shot 구성을 테스트하세요; 이득을 측정하기 위해 동일한 세트에서 재실행하세요; 날짜와 함께 변경 체인을 유지하세요; 주기 전반에 정확성 향상을 추적하세요; 이는 품질을 통제하는 데 도움이 됩니다.

모델 선택; few-shot 패턴

모델 혼합을 선택하세요; 일반화를 테스트하기 위해 경량과 더 큰 것을 포함하세요; 복잡한 작업에 대해 다단계 추론을 선호하세요; 다양한 모범 사례로 few-shot 프롬프트를 사용하세요; 단일 모범 사례에 의존하지 마세요; 아마존 맥락에서 출력을 비교하세요; 출력이 자연스럽고 간결하게 들리도록 하세요; 도메인 전반에 교정을 측정하세요.

문서화, 소스