As estratégias de engenharia de comandos são essenciais para obter resultados esperados e maximizar o desempenho do modelo. Esta página oferece uma vista geral das principais estratégias de comandos para interagir com modelos de IA generativa, particularmente o Gemini.
Para mais informações sobre estratégias de comandos, consulte o artigo Vista geral das estratégias de comandos na Google Cloud documentação.
Princípios básicos do design de comandos
Um comando é a entrada principal para um modelo de IA generativa, que lhe dá instruções para produzir um resultado específico. Os comandos podem variar desde consultas simples a instruções complexas de várias partes que incorporam contexto, exemplos e requisitos de formatação de saída específicos.
Seguem-se as principais considerações para a criação de comandos eficazes:
- Dê instruções claras e específicas: ao criar comandos, é fundamental ser claro e específico sobre o que quer que o modelo faça. Os comandos ambíguos ou vagos podem levar a resultados inesperados e potencialmente irrelevantes. Por exemplo, em vez de pedir "Escreve um poema", um comando mais específico seria "Escreve um poema curto sobre a beleza da natureza no estilo de Robert Frost". Além disso, o contexto ajuda o modelo a compreender a tarefa esperada e a gerar respostas relevantes.
- Divida tarefas complexas: para tarefas complexas, é frequentemente útil dividir o comando em subtarefas mais pequenas e mais fáceis de gerir. Esta estratégia permite que o modelo se concentre num aspeto de cada vez e pode gerar resultados mais precisos e coerentes. Por exemplo, se quiser que o modelo escreva uma história, pode dividi-la em comandos para gerar os personagens, o cenário, o enredo e o diálogo separadamente.
- Experimente e itere com os resultados: o design de comandos é frequentemente um processo iterativo. Pode experimentar diferentes abordagens, expressões e parâmetros para encontrar o melhor resultado para as suas necessidades. Este processo envolve experimentar diferentes comprimentos de comandos, reformular instruções ou ajustar a definição de temperatura do modelo, que controla a aleatoriedade do resultado. Os valores de temperatura mais elevados produzem resultados mais criativos e imprevisíveis, enquanto as temperaturas mais baixas resultam em respostas mais determinísticas e focadas.
Técnicas de pedidos principais
Pode usar várias técnicas para otimizar os comandos e obter o comportamento esperado dos modelos de IA generativa.
A tabela seguinte mostra os métodos de pedidos essenciais para os modelos de IA generativa:
| Método de comando | Descrição | Exemplo de comando |
|---|---|---|
| Comandos zero-shot | Consultar diretamente o modelo sem exemplos específicos, com base no respetivo conhecimento pré-preparado e capacidade de generalização. Eficaz com dados de preparação diversificados e abrangentes. | Translate "Hello, how are you?" into French. |
| Comandos few-shot | Forneça alguns exemplos no comando para orientar o resultado do modelo, mostrando o formato ou o padrão esperado para uma maior precisão. | Translate the following sentences into Spanish: "My name is Alice." = "Me llamo Alice." / "I like to read." = "Me gusta leer." / "Where is the library?" = |
| Comandos de funções | Atribua uma função específica ao modelo (por exemplo, "assistente útil" ou "editor profissional") para influenciar o tom, o estilo e o conteúdo, alinhando o resultado com essa personagem. | You are a seasoned journalist. Write a brief news report on the latest advancements in renewable energy. |
| Comandos de instruções | Indique de forma clara e explícita a tarefa ou a ação esperada com uma linguagem concisa e inequívoca, especificando os requisitos de saída, as restrições e as necessidades de formatação. | Summarize the following text into a three-sentence paragraph, focusing on the key arguments and conclusions: ... |
Estratégias de comandos avançadas
Além das técnicas básicas, use estratégias mais avançadas para refinar ainda mais os resultados:
- Comandos de cadeia de raciocínio: incentive o modelo a pensar passo a passo, fornecendo uma série de passos de raciocínio intermédios como parte do comando. Esta estratégia pode ser benéfica para tarefas que exigem raciocínio lógico ou resolução de problemas. Por exemplo, se fizer uma pergunta ao modelo sobre um problema de matemática, inclua uma série de comandos que o orientem pelos passos de resolução do problema.
- Fundamentação: fornecer ao modelo informações ou conhecimentos externos para melhorar as respetivas capacidades de compreensão e geração de respostas. Este processo permite que o modelo aceda a documentos, bases de dados ou APIs relevantes. Ao fundamentar o modelo, pode melhorar a sua precisão, factualidade e capacidade de gerar respostas mais informadas. Por exemplo, se quiser que o modelo responda a perguntas sobre um tópico específico, forneça um artigo ou um documento de investigação relevante como base.
- Geração aumentada de recuperação (RAG): use o modelo para obter informações relevantes de uma base de conhecimentos ou de uma fonte externa. Em seguida, incorpore estas informações obtidas no comando para orientar a geração de respostas. A RAG pode ser conveniente para tarefas que requerem acesso a uma grande quantidade de informações ou conhecimentos, como responder a perguntas ou resumir documentos.
Principais considerações
Ao criar um comando bem estruturado, tenha em conta as seguintes considerações:
- Procure a clareza e a concisão. Embora as instruções detalhadas possam ser benéficas, as instruções excessivamente longas ou complexas confundem o modelo.
- Compreenda as caraterísticas específicas do modelo que usa para criar comandos eficazes.
- Evite confiar em modelos para gerar informações factuais.
- Use com cuidado em problemas de matemática e lógica.