ChatGPT: работа с запросами и введение в Prompt Engineering

Эта небольшая заметка о таком, достаточно хайповом, явлении как "промпт инжиниринг" для ChatGPT. Как с его помощью радикально улучшить качество получаемых ответов, а так же свое понимание структуры запросов под те или иные задачи. Давайте, как обычно, разберем на примерах.

Простые запросы

Базовый и наиболее распространенный способ общения с ChatGPT. Стартовые односложные запросы, которые позволяют чату распознать и классифицировать объекты не встречавшиеся ранее в диалоге. Чаще всего используются для получения точных данных, либо как вводная часть для группы запросов.

write introduction to Canva

Мы получаем ответ в вакууме, без привязки к какому либо конкретному контексту. Именно так многие пользователи и общаются с ChatGPT.

Составные запросы

Мы даем ChatGPT пример структуры, которую хотели бы получить в ответе и чат пытается ее "предугадать" опираясь на заданные параметры. Например, обзор все той же Canva, я немного погуглил и набросал типовый запрос с основными характеристиками для сравнения софта:

...а потом попросил сравнить с Adobe Photoshop. Смотрим:

Продолжать подставлять названия другого софта, по аналогии, можно сколько угодно. Это типичный пример как одним запросом первого уровня можно создавать бесконечное количество сравнений товаров либо сервисов.

Причем, дальше нам не нужно копировать полностью первый промп. Чат запоминает структуру и дальше работает именно с ней. Добавим дальше Wepik вместо фотошопа. Просто запрос одной строчкой - "Write introduction to Wepik following above structure:"

Тоесть, подобным образом мы легко можем "обучать" модель в рамках одного диалога, не вставляя огромные куски текстов снова и снова, но завая нужные параметры для сравнения.

Конкуренция с pSEO сайтами

Programmatic SEO (оно же pSEO) это подход создания множества страницы сайта по типовой базе данных с четко заданной структурой. Попробовать можно даже без знаний кодинга, например через https://pagefactory.app. Выглядит это обычно так:

Попробуем сделать базу для подобного подхода с помощью ChatGPT. К слову, сбор и классификация данных обычно занимает больше времени, чем собственно генерация ответов через API.

Итак, пускай будут эти же, вроде оффроад-байки (не очень разбираюсь). Составляем базовую таблицу из 2-3 моделей (нагуглил вот такой сайт https://motorcyclesspecs.com/yamaha-tt-r230/ что бы забрать пару характеристик):

Берем две любые модели, как и ранее, определяем основные поля по которым будем их сравнивать. Я взял Engine, Suitable for и Main Features. И вот прямо так отдаем чату, который увидев что нам нужен listing напишет еще и небольшое описание. Получаем ответ:

Дальше простой командой просим 5, 10, 15...сколько угодно еще:

Т.е. вы понимаете? У нас в руках неограниченное количество баз данных по любой теме с практически моментальной выгрузкой и сортировкой по нужным нам параметрам. Как насчет того что бы выбрать мотоциклы по определенной группе? Например лучшие для детей? Легко, одним запросом.

Просим собрать все в таблицу без лишней информации: make a table for dirt bikes with suitable for and main features column. Получаем:

Бесплатный доступ к тысячам баз данных, по тысячам тем, с практически моментальной обработкой промптов. Как показывает практика - очень крутая экономия времени на повторяющихся и типовых запросах, поскольку получаем всегда прогнозированный результат.

Еще один пример обучения модели

Как-то мне попадался на глаза разбор одного крупного сайта - https://wealthygorilla.com (2.5М по SimilarWeb). Попробуем повторить тоже самое в ChatGPT. Берем вступительное слово, которое типовое практически для всех страниц, копируем пару абзацев для 2-3 известных спортсменов из других карточек. В начало промпта просто добавляем все тоже самое, заменяя места которые нужно подставлять из базы квадратными [кавычками]. Отправляем в чат.

И следующей командой просим написать еще про десяток спортсменов. Что бы получить полностью похожую структуру предложений необходимо еще немного поэкспериментировать с запросами, что бы получать более развернутый ответ. Но я хочу показать саму суть - как можно получать нужный результат, обучая модель на заданную тему в пару запросов. Итог:

Надеюсь было полезно. Так же рекомендую к просмотру видео:

Сообщение ChatGPT: работа с запросами и введение в Prompt Engineering появились сначала на AmazonSales.

Источник

Комментарии (4):

Антон10.03.2023 22:00

Вячеслав, спасибо за очередную полезную статью по чатгпт. У меня есть небольшая просьба повторять текстом то, что на картинках, т.к на мобильном их сорержимого почти не видно. Конечно можно увеличивать, но это очень не удобно. Имхо, конечно.

Вячеслав Озеров10.03.2023 22:25

В ответ на Антон.

Учту, спасибо.

seoonly10.03.2023 22:50

воу воу, а вот это реально полезно

wells11.03.2023 15:25

Спасибо за статью

Войдите или зарегистрируйтесь чтобы оставить комментарий