الأوامر من دون أمثلة وبأمثلة قليلة
اكتشف كيفية استثارة استجابات من دون أمثلة (zero-shot)، أو عبر تقديم أمثلة توضيحية قليلة (few-shot).
الأوامر من دون أمثلة وبأمثلة قليلة درس مجاني في AI Prompt Engineering على CoddyKit. هذا هو الدرس 2 من أصل 3. يمكنك قراءة الدرس كاملاً أدناه مجاناً — ثم تمرن عليه مباشرة في المتصفح باستخدام محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7. هذا الدرس جزء من مسار التعلم في AI Prompt Engineering، وتقدمك يتزامن عبر الويب وتطبيق CoddyKit. تتضمن دورة AI Prompt Engineering 3 دروس في المجموع.
مقدمة إلى Zero-Shot وFew-Shot
مرحبًا بكم في هذا الدرس حول التلقين دون أمثلة (Zero-Shot) وبأمثلة قليلة (Few-Shot)! تُعد هذه أساليب أساسية لتوجيه نماذج اللغة الكبيرة (LLMs) إلى تنفيذ المهام.
يساعدكم فهمها على الحصول على مخرجات أفضل وأكثر دقة من الذكاء الاصطناعي.
فهم Zero-Shot
التلقين دون أمثلة يعني إعطاء LLM مهمةً من دون تقديم أي أمثلة توضّح كيفية تنفيذها.
- تعتمدون بشكل كامل على المعرفة التي دُرِّبت عليها LLM مسبقًا.
- تتضمن التعليمات الإرشادات وبيانات الإدخال فقط.
- يكون هذا الأسلوب فعالًا في المهام البسيطة والشائعة التي يُرجح أن تكون LLM قد صادفتها أثناء التدريب.
تطبيق Zero-Shot: التصنيف
إليكم مثالًا على التلقين دون أمثلة. نطلب من LLM تصنيف مشاعر النص من دون عرض أي تصنيفات سابقة للمشاعر عليها.
جرّبوا تشغيل هذا المثال:
def call_llm_api(prompt):
# In a real scenario, this would call an LLM API.
# For this example, we simulate a response.
if "sentiment" in prompt.lower():
return "Sentiment: Positive"
return "LLM Response: Could not process."
# Our zero-shot prompt
zero_shot_prompt = "Classify the sentiment of 'The movie was fantastic!'"
print(f"Prompt: {zero_shot_prompt}")
print(f"LLM Output: {call_llm_api(zero_shot_prompt)}")Zero-Shot: استخراج المعلومات
يفيد التلقين دون أمثلة أيضًا في استخراج أجزاء محددة من المعلومات من النصوص.
نخبر LLM فقط بما ينبغي البحث عنه، ثم تستخدم معرفتها العامة للعثور عليه.
def call_llm_api(prompt):
if "name and age" in prompt.lower():
return "Name: Alice, Age: 30"
return "LLM Response: Information not found."
# Another zero-shot prompt example
zero_shot_prompt = "Extract the name and age from 'My name is Alice and I am 30 years old.'"
print(f"Prompt: {zero_shot_prompt}")
print(f"LLM Output: {call_llm_api(zero_shot_prompt)}")قيود Zero-Shot
رغم قوته، فإن التلقين دون أمثلة له قيود:
- الغموض: قد تؤدي المهام القابلة للتأويل إلى نتائج غير متسقة.
- الحداثة: إذا كانت المهمة أو الفكرة جديدة جدًا أو متخصصة، فقد تواجه LLM صعوبة في تنفيذها من دون أمثلة.
- التعقيد: قد لا تكفي التعليمات وحدها في الاستدلال متعدد الخطوات أو التنسيق شديد التحديد.
مقدمة إلى التلقين بأمثلة قليلة
التلقين بأمثلة قليلة يعالج قيود التلقين دون أمثلة من خلال تضمين بضعة أمثلة للمدخلات والمخرجات مباشرةً في التعليمات.
- توجّه هذه الأمثلة LLM بشأن المهمة أو الأسلوب أو التنسيق المطلوب.
- ويشبه ذلك عرض بعض المسائل المحلولة على طالب قبل مطالبته بحل مسألة جديدة.
- يحسّن هذا الأسلوب الأداء بدرجة كبيرة في المهام المعقدة أو الغامضة.
تطبيق Few-Shot: إعادة الصياغة
نقدم هنا مثالًا على إعادة صياغة جملة بصيغة المبني للمعلوم. ويساعد ذلك LLM على فهم التحويل المحدد الذي نريده.
لاحظوا كيف يوضح المثال المهمة:
def call_llm_api(prompt):
if "active voice" in prompt.lower() and "ball was thrown" in prompt.lower():
return "Output: The boy threw the ball."
return "LLM Response: Could not rephrase."
# Our few-shot prompt with one example
few_shot_prompt = """Rephrase into active voice:
Input: The mouse was chased by the cat.
Output: The cat chased the mouse.
Rephrase into active voice:
Input: The ball was thrown by the boy."""
print(f"Prompt: {few_shot_prompt}")
print(f"LLM Output: {call_llm_api(few_shot_prompt)}")Few-Shot: توليد التعليمات البرمجية
يفيد التلقين بأمثلة قليلة بدرجة كبيرة في توليد التعليمات البرمجية أو الالتزام بتنسيقات مخرجات محددة.
من خلال عرض مثال على التعليمات البرمجية المطلوبة، مثل توقيع دالة وجسمها، تستطيع LLM محاكاة هذه البنية بشكل أفضل.
def call_llm_api(prompt):
if "function to add" in prompt.lower():
return "def add(a, b):\n return a + b"
return "LLM Response: Code not generated."
# Few-shot prompt for code generation
few_shot_prompt = """Generate a Python function:
Example 1:
Input: Function to multiply two numbers.
Output:
def multiply(a, b):
return a * b
Example 2:
Input: Function to add two numbers."""
print(f"Prompt: {few_shot_prompt}")
print(f"LLM Output:\n{call_llm_api(few_shot_prompt)}")اختيار الأسلوب المناسب
كيف تقررون بين التلقين دون أمثلة والتلقين بأمثلة قليلة؟
- التلقين دون أمثلة: الأفضل للمهام البسيطة والمفهومة جيدًا، حيث تكفي المعرفة العامة لـ LLM. وهو موجز ويوفر مساحة للرموز.
- التلقين بأمثلة قليلة: مثالي للمهام المعقدة أو الدقيقة أو المخصصة التي تتطلب تنسيقات أو أساليب محددة. فهو يوفر إرشادًا مهمًا يحسّن الدقة، لكنه يستخدم عددًا أكبر من الرموز.
اختبار Zero وFew-Shot
أي أسلوب للتلقين يكون أفضل عمومًا للمهام البسيطة والمحددة جيدًا التي لا تتطلب أمثلة معينة؟
مراجعة: قوة التلقين
لقد تعلمتم أسلوبين أساسيين للتلقين:
- التلقين دون أمثلة يستخدم التعليمات فقط، ويستفيد من المعرفة الواسعة لـ LLM في المهام البسيطة.
- التلقين بأمثلة قليلة يضيف أمثلة إلى التعليمات، مما يوفر إرشادًا مهمًا للمخرجات الأكثر تعقيدًا أو دقة أو تخصيصًا.
يتيح لكم إتقان هذين الأسلوبين التفاعل مع LLMs بفاعلية أكبر وتحقيق النتائج المطلوبة!
الأسئلة الشائعة
هل درس «الأوامر من دون أمثلة وبأمثلة قليلة» مجاني؟
نعم — نص درس «الأوامر من دون أمثلة وبأمثلة قليلة» كامل متاح مجاناً هنا على الويب. لتمرينه بشكل تفاعلي (محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7) وفتح باقي دورة AI Prompt Engineering، انتقل إلى CoddyKit PRO. تتضمن دورة AI Prompt Engineering 3 دروس في المجموع.
ماذا ستتعلم في «الأوامر من دون أمثلة وبأمثلة قليلة»؟
اكتشف كيفية استثارة استجابات من دون أمثلة (zero-shot)، أو عبر تقديم أمثلة توضيحية قليلة (few-shot). تتمرن على AI Prompt Engineering مع أكواد عملية تشغلها مباشرة في المتصفح، ومدرس ذكاء اصطناعي متاح 24/7 يجيب على أسئلتك أثناء عملك.
هل أحتاج إلى خبرة سابقة لأبدأ AI Prompt Engineering؟
لا تُشترط خبرة سابقة. AI Prompt Engineering على CoddyKit منظم للمبتدئين حتى المتقدمين، لذا يمكنك البدء من هنا أو من البداية والتقدم بسرعتك الخاصة. هذا هو الدرس 2 من أصل 3.
كم من الوقت يستغرق درس «الأوامر من دون أمثلة وبأمثلة قليلة»؟
معظم دروس CoddyKit تستغرق حوالي 5–10 دقائق. كل منها موجز وتفاعلي، لذا تحرز تقدماً مستمراً وتستأنف من حيث توقفت عبر الويب والتطبيق.
هل يمكنني كتابة وتشغيل أكواد في درس AI Prompt Engineering هذا؟
نعم. كل درس في AI Prompt Engineering يتضمن محرر أكواد مدمج، لذا تكتب وتشغل أكواداً حقيقية مباشرة في متصفحك وتحصل على تعليقات فورية من الذكاء الاصطناعي — بدون إعداد محلي.
جميع الدروس في هذه الدورة
- فهم إمكانات LLMs
- الأوامر من دون أمثلة وبأمثلة قليلة
- أوامر تقمّص الأدوار والشخصيات