Material didático sobre Prompt Engineering, cobrindo conceitos…
INEMA
Parte 1 – Prompt Engineering: Conceitos e Prática⌗
1) O que é um prompt⌗
- Componentes principais • Persona/papel: define o comportamento (ex.: guia turístico, professor). • Instrução: o que o modelo deve fazer. • Contexto: dados ou informações adicionais.
- Exemplo: Persona: “Você é um guia turístico amigável.” Instrução: “Resuma o texto.” Contexto: artigo sobre uma cidade.
2) Modos de instruir o modelo⌗
- Zero-shot: só pede a tarefa, sem exemplos. Exemplo: “Classifique: ‘O filme foi arrastado’ → Negativo.”
- Chat context: aproveita histórico da conversa. Exemplo: Pergunta 1: “Quem foi Einstein?” → Resposta. Pergunta 2: “Onde nasceu?” (sem repetir nome).
- Variáveis: placeholders dinâmicos (evento, público, tom).
- Priming: dar pistas antes da pergunta. Exemplo: “Sugira destino de férias → Família com crianças, praia em janeiro.”
3) Técnicas aplicadas a tarefas⌗
- Resumo • Extrativo: retira frases do texto. • Abstrativo: reescreve com novas palavras. Exemplo: “Explique para um aluno do ensino médio.”
- Perguntas e respostas • Fechado: só usa texto fornecido. • Aberto: usa conhecimento prévio.
- Classificação Exemplo: “Serviço bom, comida fraca” → Neutro, porque há pontos positivos e negativos.
- Role-play (personas) Exemplo: Cientista explica buracos negros → detalhado e técnico. Exemplo: Comediante explica buracos negros → resposta humorada.
- Código Exemplo: “Escreva Fibonacci em Python, com comentários e tratamento de erros.”
4) Técnicas de raciocínio⌗
- Few-shot: forneça exemplos entrada → saída no prompt. Exemplo: “Pizza ruim → Negativo; Pizza ótima → Positivo. Agora classifique: ‘Pizza estava morna’ → …”
- Chain-of-Thought (CoT): peça raciocínio passo a passo. Exemplo: “10 maçãs – 2 – 2 + 5 – 1 = 10.”
- Tree-of-Thought (ToT): várias opções avaliadas e escolhidas.
- Self-consistency: modelo gera várias respostas → voto majoritário.
- Self-refine: modelo revisa e corrige a própria resposta.
- ReAct: raciocinar + agir (consultar API, BD, rodar código).
5) Parâmetros que moldam a saída⌗
- Comprimento: define tamanho da resposta.
- Repetition penalty: evita repetições.
- Decoding • Greedy → mais exato. • Sampling → mais criativo.
- Temperature • Baixo = precisão. • Alto = criatividade.
- Top-p / Top-k • Controlam diversidade de tokens considerados.
Prompts um Resumo Rapido
1