Prompt Teknikker

Basic Prompting

Few-shot prompting indebærer at give modellen nogle få eksempler på opgaven, før du beder om det faktiske output. Dette hjælper modellen med at forstå formatet og stilen.

Basic Prompting

Instruction Following handler om at formulere klare, præcise instruktioner som AI-modellen kan følge nøjagtigt. Teknikken fokuserer på at bruge imperative kommandoer og veldefinerede regler.

Basic Prompting

Role prompting får modellen til at antage en specifik rolle eller persona, hvilket kan forbedre output kvalitet og relevans markant.

Basic Prompting

Zero-shot prompting er den simpleste form for prompting, hvor du giver modellen en opgave uden eksempler. Modellen bruger kun sin træning til at forstå og udføre opgaven.

Advanced Reasoning

Chain-of-Thought prompting får modellen til at vise sin tænkningsproces trin-for-trin. Dette forbedrer reasoning dramatisk, især for komplekse matematiske og logiske problemer.

Intermediate Prompting

Directional Stimulus bruger hints eller ledende spørgsmål til at guide modellen i en bestemt retning. I stedet for at give det fulde svar, giver du stimuli der får modellen til at tænke på den rigtige måde.

Advanced Reasoning

Generated Knowledge prompting beder først modellen om at generere relevant baggrundsviden om et emne, og bruger derefter denne viden til at besvare det faktiske spørgsmål. Dette forbedrer reasoning ved at aktivere relevant kontekst.

Advanced Prompting

Prompt chaining opdeler komplekse opgaver i mindre steps, hvor output fra én prompt bruges som input til den næste. Dette forbedrer accuracy og gør processen mere håndterbar.

Basic Prompting

System prompts er permanente instruktioner der definerer AI'ens rolle, adfærd og begrænsninger gennem hele samtalen. De sættes én gang og påvirker alle efterfølgende interaktioner.

Intermediate Prompting

Temperature er en parameter (0-2) der styrer hvor kreativ vs. deterministisk modellen er. Lav temperature (0-0.3) giver præcise, konsistente svar. Høj temperature (0.7-1.5) giver kreative, varierede svar.

Intermediate Prompting

Top-P (nucleus sampling) er en alternativ metode til temperature for at kontrollere variation. I stedet for at justere randomness, vælger modellen fra de top P% mest sandsynlige tokens (f.eks. top-p=0.9 = top 90%).

Advanced Reasoning

Active Prompting identificerer automatisk de mest usikre eller vanskelige eksempler i et dataset og beder mennesker om at annotere disse. Modellen bruger derefter disse high-value eksempler i few-shot prompts.

Advanced Reasoning

APE bruger AI til at automatisk generere, teste og optimere prompts. Modellen foreslår variationer af prompts og evaluerer hvilke der giver bedst resultater på test cases.

Advanced Reasoning

Complexity-Based prompting genererer multiple reasoning chains og vælger den længste/mest komplekse som ofte er mest præcis. Baseret på observationen at bedre reasoning typisk involverer flere trin.

Advanced Reasoning

Constitutional AI bruger et sæt principper eller 'en forfatning' som guider AI'ens adfærd. Modellen evaluerer og reviderer sine egne output baseret på disse etiske retningslinjer.

Advanced Reasoning

Kombination af Few-Shot og Chain-of-Thought hvor du giver eksempler der viser trin-for-trin reasoning. Dette er en af de mest kraftfulde prompting teknikker til komplekse opgaver.

Advanced Reasoning

Least-to-Most prompting opdeler komplekse problemer i mindre, simplere sub-problemer der løses sekventielt. Hvert sub-problem bygger på løsningen fra det forrige.

Advanced Reasoning

Maieutic prompting (opkaldt efter Sokrates' metode) beder modellen om at forklare og retfærdiggøre sine svar, identificere selvmodsigelser og revidere gennem self-questioning. Det er en form for Socratic dialog.

Advanced Reasoning

Meta-prompting er teknikken hvor du prompter modellen om hvordan den skal prompte sig selv eller andre modeller. Det er 'prompts om prompting' - et meta-niveau af instruktion.

Advanced Reasoning

PAL får modellen til at generere kode (typisk Python) for at løse problemer i stedet for at regne i natural language. Koden eksekveres derefter for at få det præcise svar.

Advanced Reasoning

ReAct (Reasoning and Acting) kombinerer reasoning og action-taking i én prompt. Modellen tænker højt, beslutter actions og observerer resultater iterativt.

Advanced Reasoning

RAG kombinerer information retrieval med generering. Modellen henter relevant information fra en ekstern kilde (f.eks. database eller dokumenter) og bruger denne til at generere mere præcise, faktuelle svar.

Advanced Reasoning

Self-consistency genererer multiple reasoning paths for samme problem og vælger det mest konsistente svar. Dette forbedrer accuracy markant ved komplekse opgaver.

Advanced Reasoning

Tree-of-Thought udvider Chain-of-Thought ved at udforske multiple reasoning paths samtidigt, ligesom et søgetræ. Modellen evaluerer forskellige tilgange og vælger den bedste.