LLMలు ఎలా పని చేస్తాయో మీరు నేర్చుకున్నారు. ఇప్పుడు అత్యంత ముఖ్యమైన నైపుణ్యం: ప్రాంప్ట్ ఇంజనీరింగ్ — సరైన ఫలితాలు ఇచ్చే సూచనలు రూపొందించడం.
❌ చెడు: "వాతావరణం గురించి చెప్పు"
→ అస్పష్టమైన 2,000 పదాల వ్యాసం
✅ మంచి: "వాతావరణ మార్పుకు మూడు ప్రధాన కారణాలు చెప్పు
బులెట్ పాయింట్లలో, 14 ఏళ్ల పిల్లలకు అనుకూలంగా.
100 పదాలలోపు."
→ కేంద్రీకృతమైన, ఉపయోగకరమైన సమాధానం
LLM సూచనలను చాలా అక్షరాలా తీసుకునే ఒక ప్రతిభావంతుడైన నిపుణుడు లాంటిది. మీరు ఎంత నిర్దిష్టంగా ఉంటే, ఫలితం అంత మెరుగ్గా ఉంటుంది.
మోడల్కు ఉదాహరణలు లేకుండా పని ఇవ్వండి. సరళమైన పనులకు బాగా పని చేస్తుంది.
మీ అభ్యర్థనకు ముందు కొన్ని ఉదాహరణలు ఇవ్వండి:
"ఈ సమీక్షలను వర్గీకరించండి:
సమీక్ష: 'చాలా బాగుంది!' → సానుకూలం
సమీక్ష: 'రెండు రోజుల్లో పగిలింది.' → ప్రతికూలం
సమీక్ష: 'ఓకే, పని చేస్తుంది.' → తటస్థం
సమీక్ష: 'డిజైన్ బాగుంది కానీ సాఫ్ట్వేర్ క్రాష్ అవుతుంది.'
భావన: "
సమాధానం: "ప్రతికూలం"
మోడల్ని అడుగు అడుగునా ఆలోచించమని అడగండి:
"ఒక రైలు 2 గంటల్లో 120 km ప్రయాణిస్తుంది, తర్వాత 50% వేగం పెరుగుతుంది.
తదుపరి 3 గంటల్లో ఎంత దూరం ప్రయాణిస్తుంది?
అడుగు అడుగునా ఆలోచిద్దాం."
→ దశ 1: వేగం = 60 km/h
→ దశ 2: 50% పెరుగుదల = 90 km/h
→ దశ 3: దూరం = 90 × 3 = 270 km ✓
సిస్టమ్ ప్రాంప్ట్ మోడల్ ప్రవర్తన మరియు పరిమితులను సెట్ చేస్తుంది:
messages = [
{
"role": "system",
"content": """మీరు సీనియర్ Python కోడ్ రివ్యూయర్.
నియమాలు:
- బగ్లు, భద్రత మరియు పనితీరుపై మాత్రమే వ్యాఖ్యానించండి
- స్టైల్ మరియు ఫార్మాటింగ్ విస్మరించండి
- తీవ్రత రేట్ చేయండి: తక్కువ / మధ్యస్థ / ఎక్కువ / క్లిష్ట"""
},
{
"role": "user",
"content": "ఈ కోడ్ని రివ్యూ చేయండి:\n\ndef login(user, pwd):\n query = f'SELECT * FROM users WHERE name=\"{user}\"'\n return db.execute(query)"
}
]
సమర్థవంతమైన నిర్మాణం: పాత్ర → పని → పరిమితులు → ఫార్మాట్ → ఉదాహరణలు
సిస్టమ్ ప్రాంప్ట్లు స్థిరమైన AI ప్రవర్తనకు మీ అత్యంత శక్తివంతమైన సాధనం. మంచి సిస్టమ్ ప్రాంప్ట్ సాధారణ మోడల్ను నిపుణుడిగా మార్చగలదు.
RAG మోడల్కు మీ డేటాకు ప్రాప్యత ఇస్తుంది: ఇండెక్స్ → రిట్రీవ్ → ఆగ్మెంట్ → జనరేట్.
def answer_with_rag(question, document_store):
relevant_chunks = document_store.search(question, top_k=3)
context = "\n\n".join(chunk.text for chunk in relevant_chunks)
prompt = f"""అందించిన సందర్భం ఆధారంగా మాత్రమే సమాధానం ఇవ్వండి.
సందర్భం:
{context}
ప్రశ్న: {question}
సమాధానం:"""
return llm.generate(prompt)
RAG ఓపెన్-బుక్ పరీక్ష లాంటిది. విద్యార్థి (LLM) ఇంకా తర్కిస్తారు, కానీ వాస్తవాలను చూడగలరు — సమాధానాలను మరింత నమ్మదగినవిగా చేస్తుంది.
response = client.chat.completions.create(
model="gpt-4o",
response_format={"type": "json_object"},
messages=[
{"role": "system", "content": "ఉత్పత్తి సమాచారం JSONలో ఇవ్వండి: పేరు, ధర, వర్గం"},
{"role": "user", "content": "Sony WH-1000XM5 హెడ్ఫోన్లు ₹28,990 ఎలక్ట్రానిక్స్లో అందుబాటులో."}
]
)
అధునాతనం: సెల్ఫ్-కన్సిస్టెన్సీ (బహుళ సమాధానాల మధ్య ఓటింగ్) మరియు ట్రీ ఆఫ్ థాట్ (బహుళ తర్క శాఖలు అన్వేషించడం) ఖచ్చితత్వాన్ని మరింత పెంచుతాయి.
PROMPT_LIBRARY = {
"సారాంశం": """కింది వచనాన్ని {length} పాయింట్లలో సంక్షిప్తం చేయండి.
వచనం: {text}""",
"వివరించు": """{concept}ను {audience}కు వివరించండి.
రోజువారీ ఉపమానాలు ఉపయోగించండి.
{word_limit} పదాలలోపు.""",
"సేకరించు": """వచనం నుండి ఈ ఫీల్డ్లను JSONగా సేకరించండి:
ఫీల్డ్లు: {fields}
వచనం: {text}""",
}
def build_prompt(template_name, **kwargs):
return PROMPT_LIBRARY[template_name].format(**kwargs)
prompt = build_prompt(
"వివరించు",
concept="క్వాంటమ్ కంప్యూటింగ్",
audience="ఆసక్తిగల 15 ఏళ్ల టీనేజర్",
word_limit=150
)
ప్రాంప్ట్ లైబ్రరీ జీవించే డాక్యుమెంట్ — ఫలితాల ఆధారంగా మీ టెంప్లేట్లను మెరుగుపరచండి. వాటిని కోడ్ లాగా వెర్షన్-కంట్రోల్ చేయండి.
మీరు ఇప్పుడు మూడు స్తంభాలు నేర్చుకున్నారు: డీప్ ఆర్కిటెక్చర్లు, లాంగ్వేజ్ మోడల్లు మరియు ప్రాంప్ట్ ఇంజనీరింగ్. తర్వాత: AI సిస్టమ్ డిజైన్. 🏕️