As estratégias de engenharia de comando são essenciais para obter os resultados esperados e maximizar a performance do modelo. Nesta página, você encontra uma visão geral das principais estratégias de comandos para interagir com modelos de IA generativa, principalmente o Gemini.
Para mais informações sobre estratégias de solicitação, consulte Visão geral das estratégias de solicitação na documentação do Google Cloud .
Fundamentos do design de comandos
Um comando é a principal entrada para um modelo de IA generativa, instruindo-o a produzir uma saída específica. As solicitações podem variar de consultas simples a instruções complexas e multipartes que incorporam contexto, exemplos e requisitos específicos de formatação de saída.
Confira a seguir as principais considerações para criar comandos eficazes:
- Dê instruções claras e específicas: ao criar comandos, é fundamental ser claro e específico sobre o que você quer que o modelo faça. Comandos ambíguos ou vagos podem levar a resultados inesperados e potencialmente irrelevantes. Por exemplo, em vez de pedir "Escreva um poema", um comando mais específico seria "Escreva um poema curto sobre a beleza da natureza no estilo de Robert Frost". Além disso, fornecer contexto ajuda o modelo a entender a tarefa esperada e gerar respostas relevantes.
- Divida tarefas complexas: para tarefas complexas, geralmente é útil dividir o comando em subtarefas menores e mais fáceis de gerenciar. Essa estratégia permite que o modelo se concentre em um aspecto por vez e pode levar a resultados mais precisos e coerentes. Por exemplo, se você quiser que o modelo escreva uma história, divida em comandos para gerar os personagens, o cenário, o enredo e o diálogo separadamente.
- Teste e itere com os resultados: o design de comandos geralmente é um processo iterativo. Você pode testar diferentes abordagens, frases e parâmetros para encontrar o melhor resultado para suas necessidades. Esse processo envolve testar diferentes tamanhos de comandos, reformular instruções ou ajustar a configuração de temperatura do modelo, que controla a aleatoriedade da saída. Valores de temperatura mais altos produzem saídas mais criativas e imprevisíveis, enquanto temperaturas mais baixas resultam em respostas mais deterministas e focadas.
Principais técnicas de criação de comandos
Você pode usar várias técnicas para otimizar comandos e extrair o comportamento esperado dos modelos de IA generativa.
A tabela a seguir mostra os métodos essenciais de comandos para modelos de IA generativa:
| Método de comando | Descrição | Exemplo de comando |
|---|---|---|
| Comandos zero-shot | Consultar diretamente o modelo sem exemplos específicos, dependendo do conhecimento pré-treinado e da capacidade de generalização. Eficaz com dados de treinamento diversos e abrangentes. | Translate "Hello, how are you?" into French. |
| Comandos de poucos disparos (few-shot) | Forneça alguns exemplos no comando para orientar a saída do modelo, mostrando o formato ou padrão esperado para melhorar a 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 papel | Atribua uma função específica ao modelo (por exemplo, "assistente útil" ou "editor profissional") para influenciar o tom, o estilo e o conteúdo, alinhando a saída a essa persona. | You are a seasoned journalist. Write a brief news report on the latest advancements in renewable energy. |
| Comandos de instrução | Declare de forma clara e explícita a tarefa ou ação esperada usando uma linguagem concisa e sem ambiguidades, especificando requisitos de saída, restrições e necessidades de formatação. | Summarize the following text into a three-sentence paragraph, focusing on the key arguments and conclusions: ... |
Estratégias avançadas de comandos
Além das técnicas principais, use estratégias mais avançadas para refinar ainda mais as saídas:
- Comandos com linha de raciocínio: incentive o modelo a pensar por etapas fornecendo uma série de etapas intermediárias de raciocínio como parte do comando. Essa estratégia pode ser útil para tarefas que exigem raciocínio lógico ou resolução de problemas. Por exemplo, se você pedir ao modelo um problema matemático, inclua uma série de comandos que o guiem pelas etapas de resolução.
- Embasamento: forneça ao modelo informações ou conhecimentos externos para melhorar a compreensão e os recursos de geração de respostas. Esse processo permite que o modelo acesse documentos, bancos de dados ou APIs relevantes. Ao embasar o modelo, você pode melhorar a acurácia, a veracidade e a capacidade de gerar respostas mais informadas. Por exemplo, se quiser que o modelo responda perguntas sobre um tópico específico, forneça um artigo ou uma pesquisa relevante como embasamento.
- Geração aumentada de recuperação (RAG): use o modelo para recuperar informações relevantes de uma base de conhecimento ou fonte externa. Em seguida, incorpore essas informações ao comando para orientar a geração da resposta. A RAG pode ser conveniente para tarefas que exigem acesso a uma grande quantidade de informações ou conhecimento, como responder perguntas ou resumir documentos.
Principais considerações
Ao criar um comando bem estruturado, considere o seguinte:
- Priorize a clareza e a concisão. Embora as solicitações detalhadas possam ser úteis, as que são muito longas ou complexas confundem o modelo.
- Entenda as características específicas do modelo que você usa para criar comandos eficazes.
- Evite depender de modelos para gerar informações factuais.
- Use com cuidado em problemas matemáticos e lógicos.