TLDR:
Prompt mühendisliği, LLM’lere ve diğer üretken yapay zeka sistemlerine doğru, yararlı ve tutarlı çıktılar elde etmek üzere girdi tasarlama pratiğidir. Model davranışıyla deneysel deneme, yapılandırılmış girdi tasarımı ve giderek artan biçimde otomatik optimizasyonu birleştirir.
Temel Teknikler
Temel teknikler şunlardır: sıfır atış (zero-shot) prompt’lama (modelden örnek olmadan görev yapmasını isteme), birkaç atış (few-shot) prompt’lama (2-5 işlenmiş örnek sağlama), düşünce zinciri (chain-of-thought) prompt’lama (modelden akıl yürütmesini göstermesini isteme), rol tabanlı prompt’lama (“Sen kıdemli bir kurumsal avukatsın…”), yapılandırılmış çıktı (JSON veya şemaya uygun yanıtlar isteme) ve sistem prompt’ları (modelin rolü hakkında kalıcı bağlam sağlama). Bu teknikleri birleştirmek tipik olarak basit sorgulardan önemli ölçüde daha iyi çıktılar üretir.
Gelişmiş Kalıplar
Üretim yapay zeka sistemleri gelişmiş kalıplar kullanır: çok turlu iyileştirme (geri bildirimle yinelemeli prompt’lama), öz tutarlılık (birden çok çıktı örnekleme ve en yaygını seçme), düşünce ağacı (birden çok akıl yürütme yolunu keşfetme) ve anayasal yapay zeka (modelin kendi çıktılarını ilkelere karşı eleştirmesi ve iyileştirmesi). DSPy gibi çerçeveler, prompt’ları derlenebilir ve test edilebilir yazılım eserleri olarak ele alan programatik prompt optimizasyonunu mümkün kılar.
Bir Disiplin Olarak Prompt Mühendisliği
Prompt mühendisliği, UX tasarımı, yazılım mühendisliği ve ML öğelerini birleştiren ayrı bir disiplin olarak ortaya çıkmıştır. Üretim ekipleri giderek artan biçimde sürüm kontrolü ile prompt kütüphaneleri sürdürür, prompt’ları kalite metriklerine karşı A/B test eder, modeller güncellendikçe prompt gerilemesi için izler ve prompt’ları ürün spesifikasyonunun parçası olarak belgeler.