การเขียนพรอมป์แบบ Zero-Shot และ Few-Shot
ค้นพบวิธีกระตุ้นให้เกิดคำตอบโดยไม่ให้ตัวอย่าง หรือโดยให้ตัวอย่างประกอบจำนวนเล็กน้อย
การเขียนพรอมป์แบบ Zero-Shot และ Few-Shot เป็นบทเรียน AI Prompt Engineering ฟรีบน CoddyKit นี่คือบทเรียนที่ 2 จากทั้งหมด 3 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน AI Prompt Engineering และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส AI Prompt Engineering มีบทเรียนทั้งหมด 3 บทเรียน
บทนำสู่การเขียนพรอมต์แบบไม่มีตัวอย่างและแบบมีตัวอย่างไม่กี่รายการ
ยินดีต้อนรับสู่บทเรียนเกี่ยวกับการเขียนพรอมต์แบบไม่มีตัวอย่างและแบบมีตัวอย่างไม่กี่รายการ เทคนิคเหล่านี้เป็นพื้นฐานสำหรับการชี้นำโมเดลภาษาขนาดใหญ่ (LLM) ให้ทำงานต่าง ๆ
การทำความเข้าใจเทคนิคเหล่านี้จะช่วยให้คุณได้รับผลลัพธ์จากปัญญาประดิษฐ์ที่ดียิ่งขึ้นและแม่นยำมากขึ้น
ทำความเข้าใจการเขียนพรอมต์แบบไม่มีตัวอย่าง
การเขียนพรอมต์แบบไม่มีตัวอย่าง หมายถึงการมอบหมายงานให้ LLM โดยไม่ให้ตัวอย่างวิธีดำเนินการใด ๆ
- คุณอาศัยเฉพาะความรู้ที่ LLM ได้รับการฝึกไว้ล่วงหน้า
- พรอมต์จะมีเพียงคำสั่งและข้อมูลขาเข้า
- วิธีนี้มีประสิทธิภาพสำหรับงานง่าย ๆ และเป็นงานทั่วไปที่ LLM น่าจะเคยพบระหว่างการฝึก
การเขียนพรอมต์แบบไม่มีตัวอย่างในทางปฏิบัติ: การจำแนกประเภท
นี่คือตัวอย่างการเขียนพรอมต์แบบไม่มีตัวอย่าง เรากำลังขอให้ LLM จำแนกความรู้สึกของข้อความ โดยไม่แสดงตัวอย่างการจำแนกความรู้สึกก่อนหน้านี้ให้ LLM
ลองเรียกใช้ตัวอย่างนี้:
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)}")การเขียนพรอมต์แบบไม่มีตัวอย่าง: การดึงข้อมูล
การเขียนพรอมต์แบบไม่มีตัวอย่างยังเหมาะอย่างยิ่งสำหรับการดึงข้อมูลเฉพาะส่วนจากข้อความ
เราเพียงบอก LLM ว่าต้องค้นหาอะไร แล้ว LLM จะใช้ความรู้ทั่วไปเพื่อค้นหาข้อมูลนั้น
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)}")ข้อจำกัดของการเขียนพรอมต์แบบไม่มีตัวอย่าง
แม้จะมีพลังสูง แต่การเขียนพรอมต์แบบไม่มีตัวอย่างก็มีข้อจำกัด:
- ความกำกวม: งานที่เปิดกว้างต่อการตีความอาจให้ผลลัพธ์ไม่สอดคล้องกัน
- ความใหม่: หากงานหรือแนวคิดนั้นใหม่มากหรือเป็นเรื่องเฉพาะกลุ่ม LLM อาจมีปัญหาเมื่อไม่มีตัวอย่าง
- ความซับซ้อน: สำหรับการให้เหตุผลหลายขั้นตอนหรือการจัดรูปแบบที่เฉพาะเจาะจงมาก การมีเพียงคำสั่งอาจไม่เพียงพอ
ทำความรู้จักการเขียนพรอมต์แบบมีตัวอย่างไม่กี่รายการ
การเขียนพรอมต์แบบมีตัวอย่างไม่กี่รายการ แก้ข้อจำกัดของการเขียนพรอมต์แบบไม่มีตัวอย่างด้วยการใส่ตัวอย่างข้อมูลขาเข้าและผลลัพธ์จำนวนเล็กน้อยลงในพรอมต์โดยตรง
- ตัวอย่างเหล่านี้ชี้นำ LLM เกี่ยวกับงาน รูปแบบ หรือโครงสร้างที่ต้องการ
- เปรียบเสมือนการแสดงโจทย์ที่แก้แล้วสองสามข้อให้นักเรียนดูก่อนขอให้นักเรียนแก้โจทย์ข้อใหม่
- เทคนิคนี้ช่วยเพิ่มประสิทธิภาพอย่างมากสำหรับงานที่ซับซ้อนหรือกำกวม
การเขียนพรอมต์แบบมีตัวอย่างไม่กี่รายการในทางปฏิบัติ: การเขียนใหม่
ในตัวอย่างนี้ เราแสดงวิธีเปลี่ยนประโยคให้อยู่ในรูปประธานเป็นผู้กระทำ วิธีนี้ช่วยให้ LLM เข้าใจการเปลี่ยนรูปแบบเฉพาะที่เราต้องการ
โปรดสังเกตว่าตัวอย่างช่วยทำให้งานชัดเจนขึ้นอย่างไร:
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)}")การเขียนพรอมต์แบบมีตัวอย่างไม่กี่รายการ: การสร้างโค้ด
การเขียนพรอมต์แบบมีตัวอย่างไม่กี่รายการมีประโยชน์อย่างยิ่งสำหรับการสร้างโค้ดหรือการปฏิบัติตามรูปแบบผลลัพธ์ที่เฉพาะเจาะจง
เมื่อแสดงตัวอย่างโค้ดที่ต้องการ เช่น โครงสร้างส่วนประกาศและเนื้อหาของฟังก์ชัน LLM จะสามารถสร้างโครงสร้างในลักษณะเดียวกันได้ดีขึ้น
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)}")เลือกเทคนิคที่เหมาะสม
คุณจะตัดสินใจเลือกระหว่างการเขียนพรอมต์แบบไม่มีตัวอย่างกับแบบมีตัวอย่างไม่กี่รายการได้อย่างไร
- แบบไม่มีตัวอย่าง: เหมาะที่สุดสำหรับงานง่าย ๆ ที่เข้าใจได้ชัดเจน และความรู้ทั่วไปของ LLM เพียงพอ วิธีนี้กระชับและช่วยประหยัดพื้นที่โทเคน
- แบบมีตัวอย่างไม่กี่รายการ: เหมาะสำหรับงานที่ซับซ้อน ละเอียดอ่อน หรือกำหนดขึ้นเอง ซึ่งต้องการรูปแบบหรือน้ำเสียงเฉพาะ ตัวอย่างจะให้คำชี้นำที่สำคัญ ช่วยเพิ่มความแม่นยำ แต่ใช้โทเคนมากขึ้น
ตรวจสอบการเขียนพรอมต์แบบไม่มีตัวอย่างและแบบมีตัวอย่าง
เทคนิคการเขียนพรอมต์ใดโดยทั่วไปเหมาะกว่าสำหรับงานง่าย ๆ ที่กำหนดไว้อย่างชัดเจนและไม่จำเป็นต้องใช้ตัวอย่างเฉพาะ
ทบทวน: พลังของการเขียนพรอมต์
คุณได้เรียนรู้เทคนิคการเขียนพรอมต์พื้นฐานสองแบบ:
- การเขียนพรอมต์แบบไม่มีตัวอย่าง ใช้เพียงคำสั่ง โดยอาศัยความรู้กว้างของ LLM สำหรับงานง่าย ๆ
- การเขียนพรอมต์แบบมีตัวอย่างไม่กี่รายการ เพิ่มตัวอย่างลงในพรอมต์เพื่อให้คำชี้นำที่สำคัญสำหรับผลลัพธ์ที่ซับซ้อน ละเอียดอ่อน หรือกำหนดขึ้นเอง
การเชี่ยวชาญเทคนิคเหล่านี้ช่วยให้คุณโต้ตอบกับ LLM ได้อย่างมีประสิทธิภาพมากขึ้นและได้ผลลัพธ์ตามต้องการ
คำถามที่พบบ่อย
บทเรียน “การเขียนพรอมป์แบบ Zero-Shot และ Few-Shot” ฟรีหรือไม่
ใช่ — ข้อความเต็มของ “การเขียนพรอมป์แบบ Zero-Shot และ Few-Shot” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส AI Prompt Engineering ให้อัปเกรดเป็น CoddyKit PRO คอร์ส AI Prompt Engineering มีบทเรียนทั้งหมด 3 บทเรียน
คุณจะเรียนรู้อะไรในบทเรียน “การเขียนพรอมป์แบบ Zero-Shot และ Few-Shot”
ค้นพบวิธีกระตุ้นให้เกิดคำตอบโดยไม่ให้ตัวอย่าง หรือโดยให้ตัวอย่างประกอบจำนวนเล็กน้อย คุณปฏิบัติ AI Prompt Engineering ด้วยโค้ดที่ใช้งานได้จริงที่คุณเรียกใช้โดยตรงในเบราว์เซอร์ และติวเตอร์ AI ตลอด 24/7 ตอบคำถามของคุณขณะที่คุณไปผ่านบทเรียน
คุณต้องมีประสบการณ์ก่อนที่จะเริ่มเรียน AI Prompt Engineering หรือไม่
ไม่จำเป็นต้องมีประสบการณ์มาก่อน AI Prompt Engineering บน CoddyKit ออกแบบมาสำหรับผู้เริ่มต้นไปจนถึงผู้เรียนขั้นสูง คุณสามารถเริ่มต้นที่นี่หรือเริ่มจากตัวแรกและเรียนด้วยความเร็วของคุณเอง นี่คือบทเรียนที่ 2 จากทั้งหมด 3 บทเรียน
บทเรียน “การเขียนพรอมป์แบบ Zero-Shot และ Few-Shot” ใช้เวลานานแค่ไหน
บทเรียน CoddyKit ส่วนใหญ่ใช้เวลาประมาณ 5–10 นาที แต่ละบทเรียนจึงสั้นและเป็นแบบโต้ตอบ คุณสามารถก้าวหน้าอย่างต่อเนื่องและกลับมาเรียนต่อจากตรงที่เพิ่งหยุดบนเว็บและแอปได้เลย
ฉันเขียนและรันโค้ดในบทเรียน AI Prompt Engineering นี้ได้ไหม
ได้ บทเรียน AI Prompt Engineering ทุกบทมีตัวแก้ไขโค้ดในตัว คุณจึงเขียนและรันโค้ดจริงได้เลยในเบราว์เซอร์ และได้รับข้อเสนอแนะจาก AI ในทันที — ไม่ต้องติดตั้งในเครื่องของคุณ
บทเรียนทั้งหมดในหลักสูตรนี้
- ทำความเข้าใจความสามารถของ LLM
- การเขียนพรอมป์แบบ Zero-Shot และ Few-Shot
- พรอมป์แบบสวมบทบาทและบุคลิก