Promptowanie z użyciem danych zewnętrznych
Poznaj techniki bezpośredniego uwzględniania w promptach danych podanych przez użytkownika lub pobranych dynamicznie.
Promptowanie z użyciem danych zewnętrznych to bezpłatna lekcja AI Prompt Engineering na CoddyKit. To lekcja 1 z 3. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej AI Prompt Engineering, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs AI Prompt Engineering zawiera 3 lekcji w sumie.
Wprowadzenie: dane zewnętrzne
Witamy! W tej lekcji dowiedzą się Państwo, jak sprawić, by prompty LLM były bardziej inteligentne, uwzględniając dane zewnętrzne. Oznacza to dostarczanie informacji, które nie wchodzą w skład danych treningowych LLM-a, ale są istotne dla konkretnego zadania.
Można to porównać do zapewnienia LLM-owi „świeżego spojrzenia” lub „wskazówek kontekstowych” w konkretnej sytuacji.
Dlaczego dane zewnętrzne mają znaczenie
Uwzględnienie danych zewnętrznych zapewnia kilka kluczowych korzyści:
- Dokładność: Dostarcza aktualnych lub szczegółowych faktów, których LLM może nie znać.
- Personalizacja: Dostosowuje odpowiedzi do poszczególnych użytkowników lub sytuacji.
- Trafność: Zapewnia, że LLM koncentruje się na dokładnie tych informacjach, które Państwa interesują.
- Ograniczenie halucynacji: Opiera LLM na rzeczywistych danych, zmniejszając prawdopodobieństwo zmyślania informacji.
Typowe źródła danych
Dane zewnętrzne mogą pochodzić z wielu miejsc. Oto kilka typowych przykładów:
- Dane wejściowe użytkownika: Tekst wpisany przez użytkownika, preferencje lub dane profilu.
- Bazy danych/API: Katalogi produktów, dane klientów, dane pogodowe, źródła wiadomości.
- Pliki: Dokumenty, arkusze kalkulacyjne, dzienniki lub inne przechowywane informacje.
- Czujniki: Dane z urządzeń w czasie rzeczywistym (np. temperatura, lokalizacja).
Podstawowe wstrzykiwanie danych
Najprostszy sposób uwzględnienia danych zewnętrznych polega na bezpośrednim wstawieniu ich do ciągu promptu. Zwykle robi się to za pomocą formatowania ciągów znaków lub konkatenacji.
Zawsze należy wyraźnie oznaczyć wstrzykiwane dane, aby pomóc LLM-owi zrozumieć ich rolę.
Proszę uruchomić ten przykład:
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)Strukturyzowanie danych zewnętrznych
W przypadku bardziej złożonych danych niezwykle ważne jest przedstawienie ich w ustrukturyzowanym formacie. Dzięki temu LLM może je bardziej niezawodnie analizować i rozumieć.
Typowe sposoby strukturyzowania danych to:
- Separatory: Używanie specjalnych znaków (np.
---,###) do oddzielania sekcji. - Pary klucz-wartość: Jawne nazywanie pól danych (np.
"Name": "Alice"). - JSON/XML: Korzystanie ze standardowych formatów wymiany danych w przypadku złożonych obiektów.
Kluczowe znaczenie mają konsekwencja i przejrzystość.
Personalizacja za pomocą danych
Przyjrzyjmy się, jak można spersonalizować wiadomość za pomocą ustrukturyzowanych danych użytkownika. W prompcie użyjemy prostego formatu klucz-wartość.
Zwróćmy uwagę, że LLM otrzymuje jawnie oznaczone dane „Profil użytkownika”, z którymi ma pracować.
Proszę uruchomić ten przykład:
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)Dane dynamiczne i kontekst
Dane zewnętrzne mogą również dostarczać dynamicznego, „bieżącego” kontekstu. Wyobraźmy sobie pobieranie aktualnych cen akcji lub danych pogodowych i przekazywanie ich bezpośrednio do promptu.
Dzięki temu odpowiedzi LLM-a są znacznie bardziej trafne i aktualne.
Proszę uruchomić ten przykład:
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)Walidacja danych i bezpieczeństwo
Podczas uwzględniania danych zewnętrznych, zwłaszcza pochodzących od użytkownika, należy koniecznie uwzględnić walidację danych i bezpieczeństwo.
- Oczyść dane wejściowe: Usuń lub oznacz jako specjalne potencjalnie szkodliwe znaki, aby zapobiec atakom typu prompt injection.
- Sprawdź typy danych: Upewnij się, że liczby są liczbami, daty datami itd.
- Ogranicz rozmiar: Nie dopuszczaj do przekazywania zbyt długich danych wejściowych, które zużywałyby zbyt wiele tokenów lub powodowały błędy.
- Prywatność: Należy uważać na poufne informacje i unikać wysyłania ich do LLM-a, jeśli nie jest to konieczne.
Szybki test: dane zewnętrzne
Tworzą Państwo prompt do wygenerowania opisu produktu. Mają Państwo słownik ze szczegółami produktu: {'name': 'Eco-Friendly Water Bottle', 'material': 'Recycled Plastic', 'capacity_ml': 750}.
Jakie podejście najlepiej uwzględnia te dane w prompcie, aby LLM jednoznacznie zrozumiał zawarte w nich informacje?
Podsumowanie i kolejne kroki
Świetnie! Nauczyli się Państwo, jak integrować dane zewnętrzne z promptami, aby poprawiać odpowiedzi LLM.
- Dane zewnętrzne zapewniają dokładność, personalizację i trafność.
- Mogą pochodzić z danych wejściowych użytkownika, baz danych, API i wielu innych źródeł.
- Przejrzysta struktura, na przykład pary klucz-wartość lub JSON, ma kluczowe znaczenie w przypadku złożonych danych.
- Podczas korzystania ze źródeł zewnętrznych należy zawsze uwzględniać walidację danych i bezpieczeństwo.
Następnie przyjrzymy się generowaniu wspomaganemu wyszukiwaniem (RAG), które rozwija te koncepcje, aby pobierać i wykorzystywać jeszcze obszerniejszą wiedzę zewnętrzną!
Często zadawane pytania
Czy lekcja „Promptowanie z użyciem danych zewnętrznych” jest bezpłatna?
Tak — pełny tekst „Promptowanie z użyciem danych zewnętrznych” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu AI Prompt Engineering, przejdź na CoddyKit PRO. Kurs AI Prompt Engineering zawiera 3 lekcji w sumie.
Co nauczysz się w „Promptowanie z użyciem danych zewnętrznych”?
Poznaj techniki bezpośredniego uwzględniania w promptach danych podanych przez użytkownika lub pobranych dynamicznie. Ćwiczysz AI Prompt Engineering z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć AI Prompt Engineering?
Nie wymagamy żadnego doświadczenia. AI Prompt Engineering w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 1 z 3.
Ile czasu zajmuje lekcja „Promptowanie z użyciem danych zewnętrznych”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji AI Prompt Engineering?
Tak. Każda lekcja AI Prompt Engineering zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Promptowanie z użyciem danych zewnętrznych
- Generowanie wspomagane wyszukiwaniem (RAG)
- Bazy wektorowe na potrzeby promptowania