लाभ:
- वास्तविक उदाहरणों से सबसे आम त्वरित त्रुटियों को पहचानता है
- प्रत्येक त्रुटि के लिए एक व्यावहारिक और दोहराने योग्य समाधान लागू कर सकते हैं
- यह महसूस करता है कि ख़राब आउटपुट अक्सर ख़राब प्रॉम्प्ट के कारण होता है
इस मॉड्यूल में, हमने एक-एक करके अच्छे संकेत लिखने की तकनीकें सीखीं। आइए अब इन्हें एक अलग कोण से सुदृढ़ करें: सबसे सामान्य गलतियों और उनके समाधानों को देखकर। खराब एआई आउटपुट का बड़ा हिस्सा खराब प्रॉम्प्टिंग के कारण होता है, न कि मॉडल की अपर्याप्तता के कारण। यदि आप इस इकाई में त्रुटियों को पहचानते हैं, तो आप अपने स्वयं के संकेतों में समस्याओं का शीघ्र निदान और समाधान कर सकते हैं; "एआई ऐसा नहीं कर सकता" कहने के बजाय आप कह सकते हैं "मुझे अपना प्रॉम्प्ट इस तरह ठीक करने दीजिए"।
त्रुटियों को पहचानना क्यों महत्वपूर्ण है?
जब कोई आउटपुट आपकी अपेक्षाओं को पूरा नहीं करता है, तो आप दो तरीकों से प्रतिक्रिया कर सकते हैं: टूल को दोष दें या प्रॉम्प्ट पर सवाल उठाएं। अनुभवी उपयोगकर्ता बाद वाला कार्य करता है। क्योंकि अधिकांश समय, समस्या का स्रोत स्पष्ट होता है और परिणाम थोड़े से सुधार के साथ बदल जाता है। नीचे हम आठ सबसे आम त्रुटियां, उनके लक्षण और समाधान देखेंगे।
आठ सबसे आम गलतियाँ
त्रुटि
लक्षण
समाधान
अस्पष्टता
सामान्य, "एक आकार सभी के लिए फिट बैठता है" उत्तर
मापने योग्य निर्देश दें
शून्य प्रसंग
आउटपुट जो स्थिति के अनुकूल नहीं है
कौन/क्यों/इतिहास जोड़ें
प्रारूप निर्दिष्ट नहीं किया जा रहा है
गलत प्रारूप में आउटपुट
बल स्वरूप
बाधाओं का अभाव
अत्यधिक, पथभ्रष्ट सामग्री
एक "नहीं करें" सूची जोड़ें
अधिभार
मॉडल कुछ अनुरोध छोड़ देता है
काम बांटें, प्राथमिकताएं तय करें
गैर-पुष्टि
फर्जी जानकारी का उपयोग करना
स्रोत के साथ तथ्यों की जाँच करें
एक बार की उम्मीद
पहले निकास पर हार मत मानो
पुनरावृति
विरोधाभासी निर्देश
असंगत आउटपुट
बाधाओं को संरेखित करें
चरण दर चरण निदान विधि
जब कोई दूषित आउटपुट आता है, तो इस आदेश का पालन करें:
- क्या मिशन स्पष्ट है? क्या क्रिया ठोस है, क्या इसका अर्थ केवल वही है जो आप चाहते हैं?
- क्या संदर्भ पर्याप्त है? क्या मॉडल को स्थिति पता है?
- क्या प्रारूप का उल्लेख किया गया है? क्या प्रारूप वैसा है जैसा आप चाहते हैं?
- क्या कोई प्रतिबंध हैं? क्या यह वही लिखा है जो नहीं चाहिए?
- क्या मैंने बहुत ज़्यादा लोड कर लिया? क्या मैंने एक ही संकेत में 5 अलग-अलग नौकरियाँ माँगी थीं?
- क्या मैंने सत्यापित किया? क्या नंबर, नाम, दिनांक जांच लिया गया है?
ये छह प्रश्न लगभग सभी त्रुटियाँ पकड़ लेते हैं।
चार प्रतिलिपि योग्य प्रूफरीडिंग टेम्पलेट
1) अस्पष्टता दूर करना:
इस निर्देश को मापने योग्य बनाएं: [अस्पष्ट निर्देश] प्रत्येक अस्पष्ट बिंदु को एक ठोस संख्या, मात्रा या मानदंड में अनुवाद करें।
2) अधिभार को विभाजित करना:
यह कार्य एक साथ न करें. इस क्रम में आगे बढ़ें और प्रत्येक चरण पूरा होने पर रुकें, मेरी पुष्टि की प्रतीक्षा करें:1) [उपकार्य 1]2) [उपकार्य 2]3) [उपकार्य 3]
3) सीमित फिटिंग:
बस मेरे द्वारा नीचे दी गई जानकारी पर भरोसा करें। यदि कोई जानकारी नहीं है, तो "कोई डेटा नहीं" लिखें; अनुमान मत लगाओ या जोड़ो मत। बताएं कि आपके द्वारा उपयोग किया जाने वाला प्रत्येक महत्वपूर्ण दावा किस पंक्ति से आता है। स्रोत: [पाठ]
4)विरोधाभास का समाधान:
जांचें कि मेरे द्वारा आपको दिए गए निर्देशों में कोई विरोधाभास तो नहीं है। यदि हां, तो परस्पर विरोधी बिंदुओं को सूचीबद्ध करें और मुझसे पूछें कि किसे प्राथमिकता देनी है; फिर तदनुसार उत्पादन करें।
कमजोर संकेत/मजबूत संकेत
कमज़ोर (कई त्रुटियाँ संयुक्त):
हमारी कंपनी के लिए मार्केटिंग, बजट और भर्ती के बारे में एक व्यापक योजना लिखें और आप तैयार हैं।
शक्तिशाली (बग ठीक किये गये):
भूमिका: आप एसएमई को सलाह देने वाले एक व्यवसाय विकास विशेषज्ञ हैं। संदर्भ: 12 लोगों वाली एक सॉफ्टवेयर कंपनी; इस तिमाही में 20 नए ग्राहकों का लक्ष्य है। कार्य: केवल मार्केटिंग योजना लिखें (बजट और नियुक्ति शामिल न करें)। प्रारूप: 5-बिंदु कार्य सूची; प्रत्येक आइटम: कार्रवाई + जिम्मेदार + मानदंड। बाधा: भुगतान किया गया विज्ञापन बजट 0; केवल जैविक चैनलों की अनुशंसा करें. नकली मेट्रिक्स न दें; सुझाव को उचित ठहराइये।
शक्तिशाली संस्करण अधिभार को विभाजित करता है (तीन विषयों को एक संकेत में समेटता है), अस्पष्टता ("सौभाग्य") को मानदंड से बदल देता है, और स्वरूपण और बाधा जोड़ता है।
तीन मिनी मामले
केस 1- ओवरलोड। एक प्रबंधक ने एक ही संकेत में रिपोर्ट सारांश, प्रस्तुति योजना और ई-मेल का अनुरोध किया; मॉडल ने तीनों को आधा-आधा बनाया। कार्य को तीन अलग-अलग संकेतों में विभाजित करके, प्रत्येक आउटपुट पूर्ण और प्रयोग योग्य था। कुल समय एक जटिल संकेत से जूझने से भी कम था।
केस 2 - पुष्टि न होना। एक सामग्री टीम ने मॉडल द्वारा दिए गए "उद्योग आँकड़े" को सत्यापित किए बिना प्रकाशित किया; नंबर गलत निकला और उन्हें सुधार जारी करना पड़ा। बाद में, उन्होंने "प्रत्येक नंबर को उसके स्रोत के साथ बताएं, मैं स्रोत की जांच करूंगा" का नियम अपनाया और इस जोखिम को समाप्त कर दिया।
केस 3 - परस्पर विरोधी निर्देश। जब एक विपणक ने कहा "यह बहुत छोटा है लेकिन सभी विशेषताएं बताएं", तो मॉडल ने कुछ सुविधाएं छोड़ दीं। जब मैंने निर्देश को "60 शब्दों में 3 सबसे महत्वपूर्ण विशेषताओं का वर्णन करें" के रूप में गैर-विरोधाभासी बनाया, तो आउटपुट संक्षिप्त और पूर्ण दोनों था।
युक्ति: लाइव होने से पहले "छह नैदानिक प्रश्नों" के माध्यम से अपना संकेत दें। यह 30-सेकंड की जाँच शुरू से ही पुनरावृत्ति के अधिकांश दौरों को अनावश्यक बना देती है।
सावधानी: सबसे खतरनाक गलती "गैर-सत्यापन" है क्योंकि इसे नजरअंदाज कर दिया जाता है क्योंकि आउटपुट सहज और ठोस दिखता है। मॉडल किसी संख्या, नाम या स्रोत का बड़े आत्मविश्वास से मिलान कर सकता है। निर्णय के आधार के रूप में प्रकाशित या उपयोग किए जाने वाले किसी भी तथ्य को स्वतंत्र रूप से सत्यापित करें। हम अगली इकाई में इस विषय पर विस्तार से चर्चा करेंगे।
अदृश्य त्रुटि: "लगभग सही" आउटपुट
कुछ त्रुटियों को पकड़ना आसान है: आउटपुट गलत प्रारूप में आता है, विषय से हट जाता है, या खाली आता है। लेकिन सबसे घातक गलती यह है कि आउटपुट लगभग सही है। पाठ धाराप्रवाह है, संरचना चिकनी है, स्वर सटीक है; बस एक गलत संख्या है, एक अनदेखी बाधा है, या एक छोटी तार्किक त्रुटि है। इस प्रकार के आउटपुट खतरनाक होते हैं क्योंकि वे निरीक्षण से बच जाते हैं क्योंकि वे "अच्छे दिखते हैं।"
दो आदतें इससे बचाती हैं. सबसे पहले, आउटपुट को पढ़े बिना उसका उपयोग न करें: चाहे आप कितनी भी जल्दी में हों, भेजने से पहले इसे पढ़ लें। दूसरा, मॉडल के आउटपुट की जांच करना: "जांचें कि क्या आपने मेरे द्वारा दी गई सभी बाधाओं का पालन किया है" या "इस पाठ में सभी संख्याओं को सूचीबद्ध करें" छिपी हुई त्रुटियों को सतह पर लाएगा। इन दो चरणों में कुछ सेकंड लगते हैं, लेकिन "लगभग सही" आउटपुट के कारण होने वाले गलत निर्णयों की लागत बहुत अधिक होती है।
गलतियों से बचना: नियंत्रण पर डिज़ाइन
आउटपुट में त्रुटियों की तलाश करने के बजाय, अनुभवी उपयोगकर्ता प्रॉम्प्ट पर शुरुआत से ही उन्हें रोकने की कोशिश करता है। ये मानसिकता का फर्क है. प्रत्येक आवर्ती त्रुटि को "स्थायी नियम" में बदलें: यदि मॉडल सारांश कार्य में टिप्पणियाँ जोड़ता रहता है, तो अब प्रत्येक सारांश संकेत पर "टिप्पणियाँ न जोड़ें" बाधा सेट करें। यदि मॉडल हमेशा सूची कार्य में बहुत अधिक आइटम उत्पन्न करता है, तो अपने टेम्पलेट में "बिल्कुल X आइटम" बाधा रखें। इस तरह, आप एक ही त्रुटि को बार-बार पकड़ने के बजाय, उसे पहली बार में ही घटित होने से रोकते हैं। एक अच्छी तरह से डिज़ाइन किया गया प्रॉम्प्ट बाद के दर्जनों सुधारों को प्रतिस्थापित करता है; यह त्रुटि निदान को बोझ से सीखने और सुधार उपकरण में बदल देता है।
सामान्य गलतियाँ
- बिचौलिए पर आरोप लगा रहे हैं. प्रॉम्प्ट में समस्या ढूंढने के बजाय "एआई यह नहीं कर सकता" कहना।
- एक ही प्रॉम्प्ट में बहुत अधिक काम डालना। पांच अलग-अलग कार्यों को एक निर्देश में संपीड़ित करना और उन्हें आधा-अधूरा करना।
- सत्यापन छोड़ा जा रहा है. यह मानते हुए कि धाराप्रवाह आउटपुट सही है।
- विरोधाभासी बाधा देना. आत्म-परस्पर विरोधी मांगें, जैसे "संक्षिप्त लेकिन व्यापक।"
- बिना निदान किये पुनः प्रयास करना। क्या टूटा है इसका पता लगाए बिना वही गलती दोहराना।
संक्षेप में
- अधिकांश ख़राब आउटपुट प्रॉम्प्ट की समस्या है, मॉडल की नहीं; निदान और सुधार किया जा सकता है।
- सबसे आम त्रुटियाँ: अस्पष्टता, शून्य संदर्भ, प्रारूप की कमी, बाधाओं की कमी, अधिभार, सत्यापन की कमी, एक-शॉट अपेक्षा और विरोधाभास।
- छह नैदानिक प्रश्न (कार्य, संदर्भ, प्रारूप, बाधा, भार, सत्यापन) अधिकांश त्रुटियाँ पकड़ते हैं।
- जटिल कार्यों को विभाजित करने से उन्हें एक संकेत पर लोड करने की तुलना में तेज़ और उच्च गुणवत्ता वाले परिणाम मिलते हैं।
- सबसे घातक त्रुटि सत्यापन न करना है; स्मूथ आउटपुट का मतलब सटीक नहीं है।
आवेदन कार्य
एक पुराना प्रिंटआउट ढूंढें जो आपको पसंद नहीं है और "छह नैदानिक प्रश्नों" के माध्यम से उसका संकेत चलाएं। चिह्नित करें कि कौन सी त्रुटियाँ होती हैं, प्रत्येक के लिए इस इकाई में सुधार लागू करें, और प्रॉम्प्ट को फिर से चलाएँ। ध्यान दें कि किस एकल सुधार से सबसे बड़ा सुधार हुआ, न कि कितने राउंड में।
चेकलिस्ट
- [ ] खराब आउटपुट के मामले में, मैं पहले प्रॉम्प्ट को क्वेरी करता हूं, एजेंट को नहीं।
- [ ] मैं छह नैदानिक प्रश्न कर सकता हूं।
- [ ] मैं जटिल कार्यों को कई संकेतों में विभाजित करता हूं।
- [ ] मैं विरोधाभासी और अस्पष्ट निर्देश देखता हूं और उन्हें ठीक करता हूं।
- [ ] मैं तथ्यात्मक आउटपुट को प्रकाशित करने से पहले सत्यापित करता हूं।