Generated Knowledge Prompting
IntermediateAdvanced 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.
Eksempel
Prompt:
Spørgsmål: Er det sundt at drikke kaffe hver dag? Først, generer relevant viden: 1. Hvad indeholder kaffe? 2. Hvad er sundhedseffekter af koffein? 3. Er der forskel på folk? Genereret viden: 1. Kaffe indeholder koffein (80-100mg/kop), antioxidanter og mineraler 2. Koffein øger fokus, men kan påvirke søvn og øge cortisol 3. Effekter varierer: genetik, tolerance, tidspunkt, mængde Nu svar baseret på denne viden: 'Moderat kaffeforbrug (2-4 kopper dagligt) er generelt sundt for de fleste voksne. Antioxidanterne kan reducere risiko for type 2-diabetes og Parkinsons. Dog bør gravide, folk med angst eller søvnproblemer begrænse indtag. Drik det før kl. 14 for bedre søvn.'
Output:
Svar baseret på genereret kontekst...
Hvornår skal du bruge denne teknik?
- →Ved spørgsmål der kræver baggrundsviden
- →Når modellen skal reasoning om komplekse emner
- →For at reducere hallucinations
- →Til uddannelsesmæssigt indhold
- →Når kontekst hjælper med at forstå spørgsmålet
Fordele
- ✓Mere funderede svar
- ✓Reducerer hallucinations
- ✓Aktiverer relevant træningsdata
- ✓God til åbne spørgsmål
- ✓Forklarer hvorfor svaret er som det er
Ulemper
- !Bruger ekstra tokens
- !Genereret viden kan være forkert
- !Langsommere responstid
- !Ikke altid nødvendigt for simple spørgsmål
- !Kan introducere bias
Tips & Best Practices
- 💡Bed først om fakta, derefter om konklusion
- 💡Vær specifik om hvilken viden der er relevant
- 💡Kombiner med retrieval for faktuel korrekthed
- 💡Bed modellen om at citere den genererede viden
- 💡Test om det faktisk forbedrer svar kvalitet
- 💡Overvej RAG som alternativ for kritiske facts