Prompting med eksterne data
Lær teknikker for å innlemme brukeroppgitte eller dynamisk innhentede data direkte i promptene Deres.
Prompting med eksterne data er en gratis leksjon i AI-prompt engineering på CoddyKit. Dette er leksjon 1 av 3. Du kan lese valgfritt 3 leksjoner fra denne læringsstien gratis i sin helhet – deretter låser CoddyKit PRO opp alle leksjoner, samt praktisk øving med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Den er en del av læringsløpet i AI-prompt engineering, og fremdriften din synkroniseres mellom nettet og CoddyKit-appen. Kurset i AI-prompt engineering inneholder totalt 3 leksjoner.
Introduksjon: Eksterne data
Velkommen! I denne leksjonen skal De lære hvordan De kan gjøre LLM-promptene Deres smartere ved å inkludere eksterne data. Det innebærer å tilføre informasjon som ikke inngår i LLM-ens treningsdata, men som er relevant for den spesifikke oppgaven Deres.
Tenk på det som å gi LLM-en «nye øyne» eller «kontekstuelle ledetråder» i en bestemt situasjon.
Derfor er eksterne data viktige
Inkludering av eksterne data gir flere viktige fordeler:
- Nøyaktighet: Gir oppdaterte eller spesifikke fakta som en LLM kanskje ikke kjenner til.
- Personalisering: Tilpasser svar til individuelle brukere eller situasjoner.
- Relevans: Sørger for at LLM-en fokuserer på akkurat den informasjonen De er interessert i.
- Færre hallusinasjoner: Forankrer LLM-en i reelle data, slik at det er mindre sannsynlig at den finner på ting.
Vanlige datakilder
Eksterne data kan komme fra mange steder. Her er noen vanlige eksempler:
- Brukerinndata: Tekst skrevet inn av en bruker, preferanser eller profilopplysninger.
- Databaser/API-er: Produktkataloger, kundeopplysninger, værdata og nyhetsstrømmer.
- Filer: Dokumenter, regneark, logger eller annen lagret informasjon.
- Sensorer: Data i sanntid fra enheter (f.eks. temperatur, posisjon).
Grunnleggende innsetting av data
Den enkleste måten å inkludere eksterne data på er å sette dem direkte inn i promptstrengen. Dette gjøres ofte ved hjelp av strengformatering eller konkatenering.
Merk alltid dataene som settes inn, tydelig, slik at LLM-en lettere forstår hvilken rolle de har.
Prøv å kjøre dette eksemplet:
user_name = "Alice"
product_name = "Smartwatch"
prompt = f"User: {user_name}\n" \
f"Product: {product_name}\n" \
f"Please write a short, friendly product review for the {product_name}."
print(prompt)Strukturering av eksterne data
For mer komplekse data er det avgjørende å presentere dem i et strukturert format. Dette gjør det enklere for LLM-en å analysere og forstå informasjonen på en pålitelig måte.
Vanlige måter å strukturere data på omfatter:
- Avgrensere: Bruk av spesialtegn (f.eks.
---,###) for å skille seksjoner. - Nøkkel-verdi-par: Eksplisitt navngivning av datafelter (f.eks.
"Name": "Alice"). - JSON/XML: Bruk av standardiserte datautvekslingsformater for komplekse objekter.
Nøkkelen er konsistens og tydelighet.
Personalisering med data
Her skal vi se hvordan vi kan personalisere en melding ved hjelp av strukturerte brukerdata. Vi bruker et enkelt nøkkel-verdi-format i prompten.
Legg merke til hvordan LLM-en får eksplisitte «User Profile»-data å arbeide med.
Prøv å kjøre dette eksemplet:
user_profile = {
"name": "Bob",
"membership_level": "Gold",
"last_purchase_date": "2023-10-26"
}
prompt = f"User Profile:\n" \
f"Name: {user_profile['name']}\n" \
f"Membership: {user_profile['membership_level']}\n" \
f"Last Purchase: {user_profile['last_purchase_date']}\n\n" \
f"Write a personalized welcome back message for Bob, " \
f"mentioning his Gold status and recent activity."
print(prompt)Dynamiske data og kontekst
Eksterne data kan også gi dynamisk, «levende» kontekst. Tenk Dem at De henter inn gjeldende aksjekurser eller værdata og tilfører dem direkte i prompten Deres.
Dette gjør svarene fra LLM-en langt mer relevante og aktuelle.
Prøv å kjøre dette eksemplet:
current_stock_price = "$150.25"
company_name = "TechCo"
market_status = "Up 1.5% today"
prompt = f"Current Market Data:\n" \
f"Company: {company_name}\n" \
f"Price: {current_stock_price}\n" \
f"Status: {market_status}\n\n" \
f"Summarize TechCo's current market performance for an investor."
print(prompt)Validering og sikkerhet for data
Når De inkluderer eksterne data, særlig fra brukerinndata, er det avgjørende å ta hensyn til validering og datasikkerhet.
- Rens inndata: Fjern eller escape potensielt skadelige tegn for å forhindre prompt injection-angrep.
- Valider datatyper: Sørg for at tall er tall, datoer er datoer osv.
- Begrens størrelsen: Hindre at overdrevent lange inndata bruker for mange tokens eller forårsaker feil.
- Personvern: Vær oppmerksom på sensitiv informasjon, og unngå å sende den til LLM-en hvis det ikke er nødvendig.
Rask sjekk: Eksterne data
De bygger en prompt for å generere en produktbeskrivelse. De har en ordbok med produktdetaljer: {'name': 'Eco-Friendly Water Bottle', 'material': 'Recycled Plastic', 'capacity_ml': 750}.
Hvilken fremgangsmåte inkluderer disse dataene best i en prompt, slik at LLM-en forstår dem tydelig?
Oppsummering og neste steg
Godt jobbet! De har lært hvordan De kan integrere eksterne data i promptene Deres for å forbedre svarene fra LLM-en.
- Eksterne data gir nøyaktighet, personalisering og relevans.
- De kan komme fra brukerinndata, databaser, API-er og mer.
- En tydelig struktur (for eksempel nøkkel-verdi-par eller JSON) er avgjørende for komplekse data.
- Ta alltid hensyn til datavalidering og sikkerhet når De bruker eksterne kilder.
Deretter skal vi fordype oss i Retrieval Augmented Generation (RAG), som bygger videre på disse konseptene for å hente og bruke enda mer omfattende ekstern kunnskap!
Lær deg AI-prompt engineering med en AI-veileder – gratis
Skriv og kjør ekte kode i nettleseren, få umiddelbar hjelp fra en AI-veileder som er tilgjengelig døgnet rundt, og fortsett der du slapp – på nettet eller i appen.
- Kurs
- 53
- Leksjoner
- 199
Ofte stilte spørsmål
Er leksjonen «Prompting med eksterne data» gratis?
Ja – du kan lese valgfritt 3 av leksjonene i læringsstien AI-prompt engineering, inkludert «Prompting med eksterne data», gratis i sin helhet her på nettet. Deretter låser CoddyKit PRO opp alle leksjoner, samt interaktiv øving med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Kurset i AI-prompt engineering inneholder totalt 3 leksjoner.
Hva lærer jeg i «Prompting med eksterne data»?
Lær teknikker for å innlemme brukeroppgitte eller dynamisk innhentede data direkte i promptene Deres. Du øver på AI-prompt engineering med praktisk kode som du kjører direkte i nettleseren, mens en AI-veileder som er tilgjengelig døgnet rundt, svarer på spørsmålene dine mens du jobber deg gjennom leksjonen.
Trenger jeg erfaring for å begynne med AI-prompt engineering?
Ingen tidligere erfaring er nødvendig. AI-prompt engineering på CoddyKit er lagt opp for både nybegynnere og viderekomne, så De kan begynne her eller helt fra start og lære i Deres eget tempo. Dette er leksjon 1 av 3.
Hvor lang tid tar leksjonen «Prompting med eksterne data»?
De fleste CoddyKit-leksjoner tar omtrent 5–10 minutter. Hver leksjon er kort og interaktiv, slik at De gjør jevne fremskritt og kan fortsette akkurat der De slapp – både på nettet og i appen.
Kan jeg skrive og kjøre kode i denne AI-prompt engineering-leksjonen?
Ja. Alle AI-prompt engineering-leksjoner har en innebygd kodeeditor, slik at De kan skrive og kjøre ekte kode direkte i nettleseren og få umiddelbar tilbakemelding fra AI – uten lokal konfigurering.
Alle leksjonene i dette kurset
- Prompting med eksterne data
- Retrieval Augmented Generation (RAG)
- Vektordatabaser for prompting