Les stratégies de prompt engineering sont essentielles pour obtenir les résultats attendus et maximiser les performances du modèle. Cette page présente les principales stratégies de requête pour interagir avec les modèles d'IA générative, en particulier Gemini.
Pour en savoir plus sur les stratégies de requête, consultez Présentation des stratégies de requête dans la documentation Google Cloud .
Principes de base de la conception des requêtes
Une requête est la principale entrée d'un modèle d'IA générative. Elle lui demande de produire un résultat spécifique. Les requêtes peuvent aller de simples questions à des instructions complexes en plusieurs parties intégrant le contexte, des exemples et des exigences spécifiques concernant le format de sortie.
Voici quelques éléments clés à prendre en compte pour rédiger des requêtes efficaces :
- Donnez des instructions claires et spécifiques : lorsque vous concevez des requêtes, il est essentiel d'être clair et précis sur ce que vous attendez du modèle. Les requêtes ambiguës ou vagues peuvent entraîner des résultats inattendus et potentiellement non pertinents. Par exemple, au lieu de demander "Écris un poème", une requête plus spécifique serait "Écris un court poème sur la beauté de la nature dans le style de Robert Frost". De plus, fournir du contexte aide le modèle à comprendre la tâche attendue et à générer des réponses pertinentes.
- Décomposez les tâches complexes : pour les tâches complexes, il est souvent utile de décomposer la requête en sous-tâches plus petites et plus faciles à gérer. Cette stratégie permet au modèle de se concentrer sur un aspect à la fois, ce qui peut conduire à des résultats plus précis et cohérents. Par exemple, si vous souhaitez que le modèle écrive une histoire, vous pouvez la décomposer en requêtes distinctes pour générer les personnages, le décor, l'intrigue et les dialogues séparément.
- Tester et itérer avec les résultats : la conception de requêtes est souvent un processus itératif. Vous pouvez tester différentes approches, formulations et paramètres pour trouver le meilleur résultat en fonction de vos besoins. Ce processus consiste à essayer différentes longueurs de requêtes, à reformuler les instructions ou à ajuster le paramètre de température du modèle, qui contrôle le caractère aléatoire de la sortie. Des valeurs de température élevées produisent des résultats plus créatifs et imprévisibles, tandis que des températures plus basses entraînent des réponses plus déterministes et ciblées.
Techniques de base pour rédiger des requêtes
Vous pouvez utiliser plusieurs techniques pour optimiser les requêtes et obtenir le comportement attendu des modèles d'IA générative.
Le tableau suivant présente les méthodes d'incitation essentielles pour les modèles d'IA générative :
| Méthode de prompting | Description | Exemple de requête |
|---|---|---|
| Prompt zero-shot | Interrogez directement le modèle sans fournir d'exemples spécifiques, en vous appuyant sur ses connaissances pré-entraînées et sa capacité de généralisation. Efficace avec des données d'entraînement diversifiées et complètes. | Translate "Hello, how are you?" into French. |
| Requête few-shot | Fournissez quelques exemples dans la requête pour guider la sortie du modèle, en montrant le format ou le modèle attendu pour une meilleure précision. | Translate the following sentences into Spanish: "My name is Alice." = "Me llamo Alice." / "I like to read." = "Me gusta leer." / "Where is the library?" = |
| Prompts de rôle | Attribuez un rôle spécifique au modèle (par exemple, "assistant utile" ou "éditeur professionnel") pour influencer le ton, le style et le contenu, en alignant le résultat sur ce persona. | You are a seasoned journalist. Write a brief news report on the latest advancements in renewable energy. |
| Requêtes avec instructions | Indiquez clairement et explicitement la tâche ou l'action attendue en utilisant un langage concis et non ambigu, en précisant les exigences de sortie, les contraintes et les besoins de mise en forme. | Summarize the following text into a three-sentence paragraph, focusing on the key arguments and conclusions: ... |
Stratégies de requête avancées
En plus des techniques de base, utilisez des stratégies plus avancées pour affiner davantage les résultats :
- Utiliser des prompts en chaîne de pensée : encouragez le modèle à réfléchir étape par étape en fournissant une série d'étapes de raisonnement intermédiaires dans le prompt. Cette stratégie peut être utile pour les tâches qui nécessitent un raisonnement logique ou une résolution de problèmes. Par exemple, si vous demandez au modèle de résoudre un problème mathématique, incluez une série de requêtes qui le guident à travers les étapes de résolution du problème.
- Ancrage : fournir au modèle des informations ou des connaissances externes pour améliorer sa compréhension et sa capacité à générer des réponses. Ce processus permet au modèle d'accéder aux documents, bases de données ou API pertinents. En ancrant le modèle, vous pouvez améliorer sa précision, sa factualité et sa capacité à générer des réponses plus éclairées. Par exemple, si vous souhaitez que le modèle réponde à des questions sur un sujet spécifique, fournissez un article ou un document de recherche pertinent comme ancrage.
- Génération augmentée par récupération (RAG) : utilisez le modèle pour récupérer des informations pertinentes à partir d'une base de connaissances ou d'une source externe. Ensuite, intégrez ces informations récupérées dans la requête pour guider la génération de la réponse. La RAG peut être pratique pour les tâches qui nécessitent d'accéder à une grande quantité d'informations ou de connaissances, comme répondre à des questions ou résumer des documents.
Remarques importantes
Lorsque vous concevez une requête bien structurée, tenez compte des éléments suivants :
- Efforcez-vous d'être clair et concis. Bien que les requêtes détaillées puissent être utiles, les requêtes excessivement longues ou complexes peuvent dérouter le modèle.
- Comprendre les caractéristiques spécifiques du modèle que vous utilisez pour créer des requêtes efficaces.
- Évitez de compter sur les modèles pour générer des informations factuelles.
- Utilisez-les avec soin pour résoudre les problèmes mathématiques et logiques.