Vinster:
- Kan med exempel förklara hur sammanhanget bestämmer utmatningens noggrannhet
- Kan välja och konfigurera vilken sammanhangsinformation som behövs för en uppgift
- Känner igen och undviker risker för redundant, motsägelsefullt eller dolt sammanhang
Även om du ger samma uppgift till två personer, om en av dem arbetar med att känna till situationen och den andra inte vet något om det, kommer mycket olika resultat att uppstå. Situationen är exakt densamma för artificiell intelligens. Kontext är information som talar om för modellen "i vilken bakgrund den gör detta arbete": för vem, i vilket syfte, med vilken historia, under vilka begränsningar. I den här enheten kommer vi att lära oss hur sammanhanget bestämmer resultatet, vilket sammanhang vi ska välja för en uppgift och hur för mycket eller fel sammanhang orsakar skada.
Varför är sammanhanget så avgörande?
Modellen känner inte till din situation utöver den text du tillhandahåller. Han känner inte till namnet på ditt företag, din kunds historia, målet med ditt projekt eller vad det pratades om förra veckan. Om du inte tillhandahåller denna information kommer modellen att skriva med ett "genomsnittligt" antagande, och genomsnittet kommer sällan att passa din unika situation. Att ge sammanhang flyttar modellen från "genomsnittlig" till "bara för dig."
Till exempel, när du säger "skriv ett rabatterbjudande till kunden", producerar modellen en allmän text. Men om du ger sammanhanget "den här kunden har varit hos oss i 3 år, han omsatte 400 tusen TL förra året, han sa att han fick ett billigare erbjudande från det konkurrerande företaget och vi vill behålla hans lojalitet", kommer tonen, motiveringen och rabattlogiken i erbjudandet att vara helt passande.
Vilket sammanhang behöver en uppgift?
Det är inte nödvändigt att skriva allt för varje uppgift; ditt jobb är att välja det nödvändiga och tillräckliga sammanhanget för den uppgiften. Dessa fyra frågor gör ditt jobb enklare:
- För vem? Vem köparen är, hans kunskapsnivå, hans relation till dig.
- Varifrån? Syftet med denna utdata är; Övertalning, information eller beslut?
- Med vilket förflutet? Vad pratades det om innan, vad hände, vilka beslut togs?
- Med vilka gränser? Budget, varaktighet, varumärkesregler, rättslig ram.
Ställa in sammanhang steg för steg
- Skriv uppgiften i en mening.
- Svara på de fyra frågorna ovan; Lägg till svaren i punkter.
- Eliminera onödiga eller motsägelsefulla klausuler (för mycket sammanhang är också skadligt).
- Om det finns konfidentiella/personliga uppgifter, maskera dem (vi återkommer till detta ämne i enhet 11).
- Separera sammanhanget visuellt från uppgiften (titel, rad eller "Context:"-tagg).
Lite sammanhang / Tillräckligt sammanhang / mycket sammanhang
Status
Slutsats
lite sammanhang
Det visade sig vara allmänt, felaktigt, "lämpligt för alla men inte för vem som helst"
Tillräckligt sammanhang
Situationsspecifik, rakt på sak, direkt användbar utgång
Överdrivet/motsägelsefullt sammanhang
Modellen blandar ihop det viktiga med det oviktiga, och skymmer huvudkravet
Tvärtemot vad många tror är för mycket sammanhang inte bra. Om du skriver tio stycken bakgrund och säger vad du vill i en vag mening, kommer modellen att drunkna i detaljhögen och missa huvuduppgiften. Bra sammanhang är att välja det som är relevant; Att inte spilla allt.
Fyra kopieringsbara mallar
1) Kontextblockskelett:
Sammanhang:- För vem: [mottagare, nivå, relation]- Syfte: [vad vill vi uppnå]- Historik: [relevanta tidigare händelser/beslut]- Gränser: [budget, varaktighet, regel]Uppgift: [enkelt tydligt verb + utdata]
2) Kundkommunikation:
Sammanhang:- Kund: 2 år företag, spenderar ~30 tusen TL per månad.- Problem: Senaste leveransen var 5 dagar försenad, kunden anklagade.- Syfte: Upprätthålla relationen, förnya förtroendet. Uppgift: Skriv ett kort kompensationsmail (max 100 ord). Begränsning: Acceptera ansvar; skyll inte på någon annan.
3) Intern rapport / sammanfattning:
Sammanhang:- Läsare: General manager, inte intresserad av tekniska detaljer, resultatorienterad.- Syfte: Övertalning för budgetgodkännande.- Bakgrund: Projektet försenat med 2 månader men omfattningen ökat.Uppgift: Skriv 1 stycke sammanfattning + åtgärdslista i 3 punkter.
4) Kontinuerlig kontext (start av lång konversation):
Basera alla dina framtida svar på detta sammanhang: - Vårt företag: [domän, storlek] - Varumärkesröst: [konkreta adjektiv] - Förbjudet: [konkurrentens namn, hype, löfte] Bekräfta detta och följ dessa regler i varje svar.
Svag prompt / Stark prompt
Svag:
Skriv ett svar på detta klagomål vi fick.[klagomålstext]
Stark:
Sammanhang: Klagande kund 4 år gammal, lojal; Produkten är defekt, han vill ha en ersättning. Vår policy tillåter ovillkorligt utbyte inom 14 dagar och kund på den 6:e dagen. Syfte: snabb lösning och förtroende. Uppgift: Skriv ett svar till kunden. Max 90 ord, ge lösningen i första meningen. Begränsning: Ge inte löften utanför politiken; Använder anklagande språk. Klagomål:[klagomålstext]
Den andra uppmaningen ger modellen kundprofil, policy, varaktighet och syfte; så att svaret inte är en "generisk ursäkt" utan en korrekt och fungerande lösning.
Tre minifodral
Fall 1 — Fastighetskonsult. En konsult tog fram annonstexter för att "skriva vackert". När vi lade till informationen "målköparen är en ung familj, områdets närhet till skolor ska lyftas fram, priset ligger 5% under marknadsgenomsnittet", tilltalade annonserna direkt målgruppen och sökfrekvensen per visning ökade under konsultens egen övervakning.
Fall 2 — Projektledare. När en PM gav det veckovisa statusmailet sammanhanget "2 nyckelleveranser missade förra veckan men en risk stängdes tidigt; läsaren högsta ledningen", slog modellen en balanserad ton, varken panik eller gömde sig. Utan sammanhang skulle samma uppgift bli antingen för optimistisk eller för pessimistisk.
Fall 3 — HR. När en HR-proffs skrev ut ett avslagsmejl, lade en HR-professionell till sammanhanget "kandidaten var stark i den sista omgången, en annan position kan öppnas i framtiden." Resultatet blev en text som inte stängde dörren eller kränkte kandidaten; Versionen utan sammanhang var kall och formelrik.
Tips: Använd tydliga etiketter som "Kontext:" och "Uppgift:" för att skilja sammanhang från uppgift. På så sätt blandar modellen inte ihop vilken del som är bakgrunden och vilken del som är begäran.
Varning: Sluta innan du lägger till konfidentiell data (riktigt namn, TR-ID, kontonummer, kontraktsdetaljer) till sammanhanget. För det mesta fungerar det lika bra att säga "3-årig företagskund" som att ge det riktiga namnet. Vi kommer att diskutera integritetsregler i enhet 11.
Vanliga misstag
- Noll sammanhang. Det är bara att skriva uppgiften och vänta på att modellen ska veta situationen.
- För mycket sammanhang. Att samla upp tio irrelevanta stycken och begrava huvudförfrågan.
- Motstridiga sammanhang. Att säga "var formell" och säga "skriv uppriktigt och humoristiskt" på samma ställe.
- Förvirrar sammanhang med uppgift. Förklara bakgrunden och inte säga tydligt vad du vill.
- Lägga till konfidentiell data utan att tänka. Klistra in känslig information utan att anonymisera.
Sammanfattningsvis
- Kontext är bakgrundsinformationen som flyttar modellen från "ett genomsnittligt svar" till "ett svar specifikt för dig."
- Bra sammanhang svarar på fyra frågor: för vem, varför, med vilken historia, med vilka gränser.
- För lite kontext producerar allmän produktion, tillräckligt mycket kontext ger korrekt utdata och för mycket kontext ger spridning.
- Separera sammanhanget från uppgiften med tydliga etiketter; Välj det som är relevant, spill inte allt.
- Anonymisera konfidentiell data innan du lägger till den; För det mesta är den allmänna definitionen tillräcklig.
Applikationsuppgift
Välj en verklig uppgift från ditt arbete (ett e-postmeddelande, en rapport eller ett svar). Kör den sammanhangsfria versionen först. Svara sedan på de fyra frågorna (för vem, varför, vilken historia, vilken gräns), lägg till ett "Kontext:"-block och kör igen. Observera skillnaden i träffar mellan de två utgångarna och kontrollera om det finns överflödigt sammanhang.
checklista
- [ ] Jag kan avgöra vilket sammanhang som behövs för en uppgift med fyra frågor.
- [ ] Jag skiljer sammanhanget från uppgiften med tydliga etiketter.
- [ ] Jag undviker överflödiga och motsägelsefulla sammanhang.
- [ ] Jag anonymiserar konfidentiell data innan jag lägger till den.
- [ ] Jag kan se skillnaden mellan kontextfri och kontextfri utdata.