Prompting com dados externos
Aprenda técnicas para incorporar diretamente aos prompts dados fornecidos pelo usuário ou obtidos dinamicamente.
Prompting com dados externos é uma aula grátis de AI Prompt Engineering no CoddyKit. Esta é a aula 1 de 3. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de AI Prompt Engineering, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de AI Prompt Engineering inclui 3 aulas no total.
Introdução: dados externos
Boas-vindas! Nesta lição, aprenderemos como tornar nossas instruções para LLM mais inteligentes incluindo dados externos. Isso significa fornecer informações que não fazem parte do treinamento do LLM, mas são relevantes para sua tarefa específica.
É como dar ao LLM "um olhar renovado" ou "pistas contextuais" para uma situação específica.
Por que os dados externos são importantes
A incorporação de dados externos oferece vários benefícios importantes:
- Precisão: Fornece fatos atualizados ou específicos que um LLM talvez não conheça.
- Personalização: Adapta as respostas a usuários ou situações individuais.
- Relevância: Garante que o LLM se concentre exatamente nas informações importantes para você.
- Redução de alucinações: Fundamenta o LLM em dados reais, diminuindo a probabilidade de que ele invente informações.
Fontes comuns de dados
Os dados externos podem vir de muitos lugares. Veja alguns exemplos comuns:
- Entrada do usuário: Texto digitado por um usuário, preferências ou detalhes do perfil.
- Bancos de dados e interfaces de programação de aplicações: Catálogos de produtos, registros de clientes, dados meteorológicos, fluxos de notícias.
- Arquivos: Documentos, planilhas, registros ou outras informações armazenadas.
- Sensores: Dados em tempo real provenientes de dispositivos (por exemplo, temperatura, localização).
Injeção básica de dados
A maneira mais simples de incluir dados externos é inseri-los diretamente na cadeia de caracteres da sua instrução. Isso geralmente é feito usando formatação ou concatenação de cadeias de caracteres.
Sempre rotule claramente os dados que está inserindo para ajudar o LLM a entender sua função.
Tente executar este exemplo:
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)Estruturando dados externos
Para dados mais complexos, é essencial fornecê-los em um formato estruturado. Isso ajuda o LLM a interpretar e compreender as informações com mais confiabilidade.
As formas comuns de estruturar dados incluem:
- Delimitadores: Uso de caracteres especiais (por exemplo,
---,###) para separar seções. - Pares de chave e valor: Nomeação explícita dos campos de dados (por exemplo,
"Name": "Alice"). - JSON/XML: Uso de formatos padrão de intercâmbio de dados para objetos complexos.
A chave é a consistência e a clareza.
Personalização com dados
Vamos ver como personalizar uma mensagem usando dados estruturados do usuário. Usaremos um formato simples de chave e valor dentro da instrução.
Observe como o LLM recebe dados explícitos de 'Perfil do usuário' para utilizar.
Tente executar este exemplo:
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)Dados dinâmicos e contexto
Os dados externos também podem fornecer um contexto dinâmico, "em tempo real". Imagine buscar preços atuais de ações ou dados meteorológicos e inseri-los diretamente na sua instrução.
Isso torna as respostas do LLM muito mais relevantes e oportunas.
Tente executar este exemplo:
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)Validação e segurança dos dados
Ao incorporar dados externos, especialmente provenientes da entrada do usuário, é essencial considerar a validação e a segurança dos dados.
- Higienize a entrada: Remova ou faça o escape de caracteres potencialmente nocivos para evitar ataques de injeção de instruções.
- Valide os tipos de dados: Garanta que números sejam números, datas sejam datas e assim por diante.
- Limite o tamanho: Evite que entradas excessivamente longas consumam muitas unidades de texto ou causem erros.
- Privacidade: Tenha cuidado com informações sensíveis e evite enviá-las ao LLM se isso não for necessário.
Verificação rápida: dados externos
Você está criando uma instrução para gerar uma descrição de produto. Tem um dicionário com detalhes do produto: {'name': 'Eco-Friendly Water Bottle', 'material': 'Recycled Plastic', 'capacity_ml': 750}.
Qual abordagem incorpora melhor esses dados a uma instrução para que o LLM os compreenda claramente?
Recapitulação e próximos passos
Excelente trabalho! Você aprendeu a integrar dados externos às suas instruções para aprimorar as respostas do LLM.
- Os dados externos oferecem precisão, personalização e relevância.
- Eles podem vir da entrada do usuário, de bancos de dados, de interfaces de programação de aplicações e de outras fontes.
- Uma estrutura clara, como pares de chave e valor ou JSON, é essencial para dados complexos.
- Sempre considere a validação e a segurança dos dados ao usar fontes externas.
Em seguida, exploraremos a Geração Aumentada por Recuperação (RAG), que se baseia nesses conceitos para buscar e utilizar uma quantidade ainda maior de conhecimento externo!
Perguntas Frequentes
A aula “Prompting com dados externos” é grátis?
Sim — o texto completo de “Prompting com dados externos” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de AI Prompt Engineering, atualize para CoddyKit PRO. O curso de AI Prompt Engineering inclui 3 aulas no total.
O que vou aprender em “Prompting com dados externos”?
Aprenda técnicas para incorporar diretamente aos prompts dados fornecidos pelo usuário ou obtidos dinamicamente. Você pratica AI Prompt Engineering com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.
Preciso ter experiência prévia para começar AI Prompt Engineering?
Nenhuma experiência prévia é necessária. AI Prompt Engineering no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 1 de 3.
Quanto tempo leva a aula “Prompting com dados externos”?
A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.
Posso escrever e executar código nesta aula de AI Prompt Engineering?
Sim. Cada aula de AI Prompt Engineering inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.
Todas as aulas deste curso
- Prompting com dados externos
- Geração aumentada por recuperação (RAG)
- Bancos de dados vetoriais para prompting