Mga nadagdag:
- Kinikilala ang pinakakaraniwang mga error sa prompt mula sa mga tunay na halimbawa
- Maaaring maglapat ng praktikal at paulit-ulit na pag-aayos para sa bawat error
- Napagtanto na ang masamang output ay kadalasang sanhi ng isang masamang prompt
Sa modyul na ito, natutunan namin ang mga pamamaraan ng pagsulat ng magagandang senyas nang paisa-isa. Ngayon, palakasin natin ang mga ito mula sa ibang anggulo: sa pamamagitan ng pagtingin sa mga pinakakaraniwang pagkakamali at mga solusyon sa mga ito. Ang karamihan sa masamang output ng AI ay dahil sa hindi magandang pag-udyok, hindi kakulangan ng modelo. Kung makikilala mo ang mga error sa unit na ito, maaari mong mabilis na masuri at ayusin ang mga problema sa sarili mong mga prompt; Sa halip na sabihing "Hindi ito magagawa ng AI" maaari mong sabihing "hayaan kong ayusin ang aking prompt nang ganito".
Bakit Mahalagang Kilalanin ang mga Error?
Kapag hindi naabot ng isang output ang iyong mga inaasahan, maaari kang tumugon sa dalawang paraan: sisihin ang tool o tanungin ang prompt. Ginagawa ng makaranasang gumagamit ang huli. Dahil kadalasan, ang pinagmulan ng problema ay halata at ang resulta ay nagbabago sa isang maliit na pagwawasto. Sa ibaba makikita natin ang walong pinakakaraniwang error, ang kanilang mga sintomas at solusyon.
Ang Walong Pinakamadalas na Pagkakamali
Error
sintomas
Solusyon
kalabuan
Generic, "isang sukat ay angkop sa lahat" na sagot
Magbigay ng masusukat na tagubilin
Zero na konteksto
Output na hindi akma sa sitwasyon
Idagdag kung sino/bakit/kasaysayan
Hindi tumutukoy sa format
Output sa maling format
Force format
kawalan ng mga hadlang
Sobra, lihis na nilalaman
Magdagdag ng listahang "huwag".
labis na karga
Nilaktawan ng modelo ang ilang kahilingan
Hatiin ang trabaho, unahin
hindi kumpirmasyon
Paggamit ng pekeng impormasyon
Suriin ang mga katotohanan sa pinagmulan
One shot expectation
Huwag sumuko sa unang paglabas
Ulitin
salungat na pagtuturo
hindi pantay na output
Ihanay ang mga hadlang
Hakbang sa Hakbang na Paraan ng Diagnostic
Kapag dumating ang isang sira na output, sundin ang pagkakasunud-sunod na ito:
- Malinaw ba ang misyon? Ang pandiwa ba ay konkreto, ibig sabihin ba ang tanging bagay na gusto mo?
- Sapat ba ang konteksto? Alam ba ng modelo ang sitwasyon?
- Nabanggit na ba ang format? Ang format ba ay ang gusto mo?
- Mayroon bang anumang mga paghihigpit? Nasusulat ba ang hindi gusto?
- Nagload ba ako ng sobra? Humingi ba ako ng 5 magkakaibang trabaho sa isang prompt?
- Na-verify ko ba? Nasuri na ba ang numero, pangalan, petsa?
Ang anim na tanong na ito ay nakakakuha ng halos lahat ng mga pagkakamali.
Apat na Kopyahang Template ng Pag-proofread
1) Pag-alis ng kalabuan:
Gawing masusukat ang tagubiling ito: [malabong pagtuturo]Isalin ang bawat hindi malinaw na punto sa isang kongkretong numero, dami, o pamantayan.
2) Paghahati sa labis na karga:
Huwag gawin ang gawaing ito nang sabay-sabay. Magpatuloy sa ganitong pagkakasunud-sunod at huminto kapag natapos mo ang bawat hakbang, hintayin ang aking kumpirmasyon:1) [subtask 1]2) [subtask 2]3) [subtask 3]
3) Nililimitahan ang angkop:
Umasa lamang sa impormasyong ibinigay ko sa ibaba. Kung walang impormasyon, isulat ang "walang data"; huwag hulaan o idagdag. Ipahiwatig kung saang linya nanggagaling ang bawat mahalagang claim na iyong ginagamit. Pinagmulan: [teksto]
4) Paglutas ng kontradiksyon:
Suriin kung mayroong anumang mga kontradiksyon sa mga tagubilin na ibinigay ko sa iyo. Kung gayon, ilista ang mga magkasalungat na punto at itanong sa akin kung alin ang uunahin; pagkatapos ay gumawa ng naaayon.
Mahina Prompt / Malakas na Prompt
Mahina (maraming error ang pinagsama):
Sumulat ng komprehensibong plano para sa aming kumpanya tungkol sa marketing, badyet, at recruiting, at handa ka nang umalis.
Napakahusay (naayos ang mga bug):
Tungkulin: Isa kang espesyalista sa pagpapaunlad ng negosyo na nagpapayo sa mga SME. Konteksto: Isang kumpanya ng software na may 12 tao; ang layunin ay 20 bagong customer ngayong quarter.Gawain: Sumulat ng plano sa marketing LAMANG (huwag isama ang badyet at pagkuha).Format: 5-puntong listahan ng aksyon; bawat item: aksyon + responsable + pamantayan. Paghihigpit: Bayad na badyet sa advertising 0; Magrekomenda lamang ng mga organic na channel. Huwag magbigay ng mga pekeng sukatan; Pangatwiranan ang mungkahi.
Hinahati ng malakas na bersyon ang labis na karga (pag-cram ng tatlong paksa sa isang prompt), pinapalitan ang kalabuan ("good luck") ng pamantayan, at nagdaragdag ng pag-format at pagpilit.
Tatlong Mini Case
Kaso 1 — Sobra ang karga. Humiling ang isang manager ng buod ng ulat, plano ng pagtatanghal at e-mail sa isang prompt; Ginawa ng modelo ang lahat ng tatlo sa kalahati. Sa pamamagitan ng paghahati ng trabaho sa tatlong magkakahiwalay na senyas, ang bawat output ay kumpleto at magagamit. Ang kabuuang oras ay mas mababa kaysa sa struggling sa isang kumplikadong prompt.
Kaso 2 — Hindi pagkumpirma. Isang content team ang nag-publish ng "industriya statistic" na ibinigay ng modelo nang hindi ito bini-verify; Mali pala ang numero at kailangan nilang maglabas ng correction. Pagkatapos, pinagtibay nila ang panuntunan ng "ibigay ang bawat numero kasama ang pinagmulan nito, susuriin ko ang pinagmulan" at inalis ang panganib na ito.
Kaso 3 — Magkasalungat na pagtuturo. Nang sabihin ng isang nagmemerkado na "napakaikli ngunit sabihin ang lahat ng mga tampok", nilaktawan ng modelo ang ilang mga tampok. Nang ginawa kong hindi magkasalungat ang pagtuturo bilang "ilarawan ang 3 pinakamahalagang tampok sa 60 salita", ang output ay parehong maikli at kumpleto.
Tip: Patakbuhin ang iyong prompt sa pamamagitan ng "anim na diagnostic na tanong" bago mag-live. Ang 30-segundong pagsusuri na ito ay ginagawang hindi kailangan ang karamihan sa mga pag-ikot ng pag-ulit mula sa simula.
Pag-iingat: Ang pinaka-delikadong pagkakamali ay ang "non-validation" dahil ito ay hindi napapansin dahil ang output ay mukhang maayos at nakakumbinsi. Ang modelo ay maaaring tumugma sa isang numero, pangalan o pinagmulan nang may malaking kumpiyansa. Independiyenteng i-verify ang anumang katotohanan na ilalathala o gagamitin bilang batayan para sa pagpapasya. Palalimin natin ang paksang ito sa susunod na yunit.
Invisible Error: "Halos Tamang" Output
Ang ilang mga error ay madaling makuha: ang output ay nasa maling format, lumalabas sa paksa, o lumalabas na blangko. Ngunit ang pinaka mapanlinlang na pagkakamali ay ang output ay halos tama. Ang teksto ay matatas, ang istraktura ay makinis, ang tono ay nasa punto; Mayroon lamang isang maling numero, isang hindi napapansing hadlang, o isang maliit na lohikal na error. Mapanganib ang mga uri ng output na ito dahil nakakatakas sila sa inspeksyon dahil "maganda ang hitsura."
Dalawang gawi ang nagpoprotekta laban dito. Una, huwag gamitin ang output nang hindi binabasa ito: gaano man ka nagmamadali, basahin ito bago ipadala. Pangalawa, ang pagkakaroon ng modelo na suriin ang output nito: "suriin kung sinunod mo ang lahat ng mga hadlang na ibinigay ko sa iyo" o "ilista ang lahat ng mga numero sa tekstong ito" ay magdadala ng mga nakatagong error sa ibabaw. Ang dalawang hakbang na ito ay tumatagal ng ilang segundo, ngunit ang halaga ng mga maling desisyon na dulot ng "halos tama" na output ay mas mataas.
Pag-iwas sa mga pagkakamali: disenyo ng higit sa kontrol
Sa halip na maghanap ng mga error sa output, sinusubukan ng may karanasan na user na pigilan ang mga ito mula sa simula sa prompt. Ito ay isang pagkakaiba sa mentalidad. Gawing "permanenteng panuntunan" ang bawat umuulit na error: kung patuloy na nagdaragdag ang modelo ng mga komento sa isang buod na trabaho, itakda na ngayon ang hadlang na "huwag magdagdag ng mga komento" sa bawat prompt ng buod. Kung ang modelo ay palaging gumagawa ng masyadong maraming mga item sa isang listahan ng trabaho, ilagay ang "eksaktong X item" na hadlang sa iyong template. Sa ganitong paraan, sa halip na mahuli ang parehong error nang paulit-ulit, pinipigilan mo itong mangyari sa unang lugar. Pinapalitan ng isang mahusay na idinisenyong prompt ang dose-dosenang mga kasunod na pagwawasto; Ginagawa nitong isang tool sa pag-aaral at pagpapabuti ang diagnosis ng error mula sa isang pasanin.
Mga karaniwang pagkakamali
- Sinisisi ang middleman. Sabihin ang "AI can't do it" sa halip na hanapin ang problema sa prompt.
- Paglalagay ng masyadong maraming trabaho sa iisang prompt. Pag-compress ng limang magkakahiwalay na gawain sa isang pagtuturo at ginagawa ang mga ito nang kalahating tapos.
- Nilaktawan ang pag-verify. Ipagpalagay na tama ang matatas na output.
- Pagbibigay ng kontradiksyon na pagpilit. Mga kahilingang sumasalungat sa sarili, gaya ng "maikli ngunit komprehensibo."
- Sinusubukang muli nang hindi nag-diagnose. Inuulit ang parehong pagkakamali nang hindi alam kung ano ang nasira.
Sa buod
- Karamihan sa masamang output ay isang problema sa prompt, hindi ang modelo; maaaring masuri at maitama.
- Ang pinakakaraniwang mga error: kalabuan, zero na konteksto, kakulangan ng format, kakulangan ng mga hadlang, labis na karga, kakulangan ng pag-verify, one-shot na inaasahan, at kontradiksyon.
- Anim na diagnostic na tanong (gawain, konteksto, format, hadlang, pag-load, pag-verify) ang nakakakuha ng karamihan sa mga error.
- Ang paghahati sa mga kumplikadong trabaho ay nagbibigay ng mas mabilis at mas mataas na kalidad na mga resulta kaysa sa paglo-load ng mga ito sa isang prompt.
- Ang pinaka mapanlinlang na error ay hindi pag-verify; Ang makinis na output ay hindi nangangahulugang tumpak.
Gawain ng aplikasyon
Maghanap ng lumang printout na hindi mo gusto at patakbuhin ang prompt nito sa pamamagitan ng "anim na diagnostic na tanong." Markahan kung aling mga error ang nangyari, ilapat ang pag-aayos sa unit na ito para sa bawat isa, at patakbuhin muli ang prompt. Tandaan kung aling solong pagwawasto ang gumawa ng pinakamalaking pagpapabuti, hindi kung gaano karaming mga round.
checklist
- [ ] Sa kaso ng masamang output, itatanong ko muna ang prompt, hindi ang ahente.
- [ ] Maaari akong magsagawa ng anim na diagnostic na katanungan.
- [ ] Hinahati ko ang mga kumplikadong gawain sa maraming senyas.
- [ ] Napansin ko ang magkasalungat at hindi malinaw na mga tagubilin at itinatama ang mga ito.
- [ ] Bine-verify ko ang aktwal na output bago ito i-publish.