General Tips for Designing Prompts

Summary

في هذا الفيديو، يقدم المتحدث نصائح حول كيفية تصميم واختبار التعليمات (المطالبات) المستخدمة مع النماذج اللغوية الكبيرة. يوضح أهمية البدء بمطالبات بسيطة وتجنب الغموض أو التفاصيل المفرطة التي قد تربك النموذج. ينصح بالتركيز على إعطاء تعليمات واضحة ومحددة للنموذج للحصول على نتائج دقيقة وفعالة. كما يشرح أهمية استخدام لغة إيجابية عند توجيه النموذج لأداء مهام معينة، وتجنب استخدام عبارات سلبية مثل 'لا تفعل'. الهدف هو مساعدة المطورين على بناء حالات استخدام فعالة باستخدام هذه النماذج.

Takeaways

• 💡 تصميم المطالبات يتطلب نهجاً تكرارياً يبدأ ببساطة.
• ❌ تجنب التعقيد الزائد في المطالبات، وابدأ بمهمة بسيطة لتحسين النتائج.
• 🔍 تقسيم المهام المعقدة إلى مهام فرعية لزيادة قدرة النموذج على التنفيذ.
• ✍️ التعليمات الواضحة والمحددة ضرورية للحصول على نتائج دقيقة.
• 📢 استخدم أفعال وكلمات دقيقة لتعريف المهمة التي يجب على النموذج تنفيذها.
• ✅ كلما كانت الكلمات أبسط وأكثر تحديداً، كانت النتائج أفضل.
• 📝 تجنب اللغة الغامضة أو الكلمات غير المعروفة للنموذج لتحسين الأداء.
• 🔧 تقديم أمثلة متعددة وإجراء اختبارات على النماذج لتحسين فهم وتحديد النتائج.
• 🎯 كن دقيقاً في المطالبات وتجنب عدم الوضوح في التعليمات المقدمة للنموذج.
• 🛑 تجنب استخدام لغة مثل "لا تفعل" أو "لا تطلب" مع النماذج، وبدلاً من ذلك قدم تعليمات إيجابية ومباشرة.

Q & A

ما هو الخطأ الشائع الذي يرتكبه العديد من المطورين عند تصميم النماذج اللغوية؟

الخطأ الشائع هو محاولة جعل النموذج يقوم بالعديد من المهام في وقت واحد. عندما لا يحصل المستخدمون على النتائج المطلوبة، يشعرون بالإحباط. من الأفضل البدء بمهام بسيطة وتطويرها بشكل تدريجي.

ما هي الخطوة الأولى عند تصميم نموذج لغوي؟

الخطوة الأولى هي البدء بمهمة بسيطة، والتركيز على جعل النموذج ينفذ تلك المهمة بشكل جيد قبل الانتقال إلى مهام أكثر تعقيدًا.

لماذا يجب تجنب اللغة الغامضة عند إعطاء تعليمات للنموذج؟

تجنب اللغة الغامضة مهم لأن النموذج قد لا يفهم التعليمات بشكل صحيح، مما يؤدي إلى نتائج غير مرضية. كلما كانت التعليمات واضحة ومحددة، كانت النتائج أفضل.

كيف يمكن تحسين دقة النماذج اللغوية في أداء المهام المعقدة؟

يمكن تحسين الدقة عن طريق تقسيم المهام المعقدة إلى مهام فرعية أصغر وتقديم تعليمات واضحة لكل مهمة على حدة.

ما هو الدور الذي تلعبه الأفعال والعبارات المحددة في تعليمات النماذج اللغوية؟

الأفعال والعبارات المحددة تساعد في توجيه النموذج بشكل دقيق نحو المهمة المطلوبة، مما يحسن من دقة النتائج.

لماذا يجب أن تكون التعليمات واضحة ومباشرة عند تصميم النماذج؟

التعليمات الواضحة والمباشرة تقلل من احتمال سوء الفهم وتزيد من فرصة الحصول على النتائج المطلوبة من النموذج.

ما هي بعض النصائح العامة لتحسين تصميم التعليمات للنماذج اللغوية؟

بعض النصائح تشمل البدء بمهمة بسيطة، استخدام لغة محددة وواضحة، تقسيم المهام المعقدة إلى مهام أصغر، وتجنب استخدام عبارات غامضة أو غير دقيقة.

كيف يمكن تجنب إعطاء تعليمات خاطئة أو غامضة للنماذج اللغوية؟

يمكن تجنب التعليمات الخاطئة أو الغامضة من خلال استخدام لغة دقيقة وواضحة، وتجنب إعطاء توجيهات مزدوجة أو غير واضحة.

ما هو التأثير المحتمل لاستخدام اللغة السلبية في تعليمات النماذج؟

استخدام اللغة السلبية مثل 'لا تفعل' قد يؤدي إلى نتائج غير مرغوبة من النموذج. من الأفضل تقديم التعليمات بطريقة إيجابية ومباشرة.

كيف يمكن تحسين أداء النموذج في استخراج المعلومات المطلوبة؟

يمكن تحسين الأداء من خلال تقديم تعليمات واضحة ومحددة حول المعلومات المطلوبة، والتأكد من أن النموذج يفهم بالضبط ما هو مطلوب منه.

Outlines

00:00

💡 Tips for Effective Prompt Design

In this paragraph, the speaker discusses general tips for designing prompts, emphasizing the importance of starting simple. They mention the common mistake of overcomplicating prompts, which can lead to poor results and frustration. The speaker advises breaking down complex tasks into smaller subtasks, as language models may struggle to handle multiple instructions simultaneously. The key takeaway is to keep prompts straightforward and focus on optimizing the model's performance on basic tasks before scaling up.

05:02

🎯 Crafting Clear Instructions

This section focuses on the importance of providing clear and specific instructions when designing prompts. The speaker explains that the choice of words and the clarity of the task description directly impact the model's performance. They illustrate this with examples, such as translating text to Spanish, where clear instructions like 'translate' lead to better outcomes. The speaker also emphasizes avoiding ambiguous language, as it can confuse the model and result in suboptimal outputs.

10:02

📋 Importance of Precision in Prompts

The speaker elaborates on the significance of precision in prompt design. They explain how being too vague or imprecise can lead to poor results, as the model may misinterpret the instructions. The speaker provides examples of imprecise prompts and contrasts them with improved versions that specify the desired output more clearly. They stress that precise prompts help guide the model more effectively, leading to better performance and more accurate results.

Keywords

💡تصميم المطالبات

تصميم المطالبات يشير إلى عملية إنشاء وتعديل التعليمات التي يتم تقديمها لنماذج اللغة الكبيرة لتنفيذ مهام محددة. يتعلق هذا المفهوم بكيفية صياغة التعليمات بشكل صحيح للحصول على أفضل النتائج من النماذج. في الفيديو، يتم التأكيد على ضرورة البدء بتصميم بسيط ثم التحسين التدريجي للوصول إلى المطالبات المثلى.

💡مهام فرعية

المهام الفرعية هي عملية تقسيم المهمة المعقدة إلى أجزاء أصغر وأسهل للتنفيذ. يوضح الفيديو أهمية تقسيم المهام الكبيرة عند العمل مع نماذج اللغة لضمان فهم النموذج للمهمة وتقديم النتائج المرجوة بشكل أكثر فعالية.

💡تعليمات واضحة ومحددة

تقديم تعليمات واضحة ومحددة للنموذج يعني تحديد المطلوب من النموذج بشكل دقيق وباستخدام كلمات سهلة ومباشرة. الفيديو يوضح أن استخدام لغة غير واضحة أو غامضة يؤدي إلى نتائج غير مرضية، وبالتالي يجب استخدام تعليمات بسيطة وواضحة للحصول على الأداء الأمثل.

💡اللغة الغامضة

اللغة الغامضة تشير إلى استخدام مصطلحات أو عبارات قد تكون غير واضحة أو متعددة التفسيرات، مما يمكن أن يؤدي إلى إرباك نموذج اللغة. في الفيديو، يُنصح بتجنب مثل هذه اللغة لضمان فهم النموذج للمهمة المطلوبة وتنفيذها بشكل صحيح.

💡نماذج اللغة الكبيرة

نماذج اللغة الكبيرة هي أنظمة ذكاء اصطناعي تم تدريبها على كميات هائلة من البيانات النصية لتكون قادرة على فهم وإنتاج النصوص. في الفيديو، يتم التركيز على كيفية تقديم تعليمات لهذه النماذج بطريقة تزيد من دقتها وفعاليتها في أداء المهام المختلفة.

💡التحسين التدريجي

التحسين التدريجي يعني البدء بمطالبات بسيطة والعمل على تحسينها بمرور الوقت من خلال تعديلات صغيرة لتحقيق أفضل النتائج. يُعتبر هذا النهج أساسياً عند تصميم المطالبات لنماذج اللغة لضمان استجابة دقيقة وفعالة.

💡التعليمات المحددة

التعليمات المحددة هي تعليمات تفصيلية توضح بشكل دقيق ما هو مطلوب من نموذج اللغة القيام به. في الفيديو، يتم التركيز على أهمية استخدام التعليمات المحددة للحصول على نتائج أفضل، مثل تحديد عدد الجمل المطلوبة في الشرح أو توضيح النبرة المطلوبة.

💡عدم استخدام لغة النهي

عدم استخدام لغة النهي يشير إلى تجنب استخدام تعليمات سلبية مثل 'لا تفعل' مع نماذج اللغة. الفيديو يوضح أن هذا النوع من التعليمات قد يربك النموذج ويفضل بدلاً من ذلك تقديم تعليمات إيجابية ومحددة.

💡تنسيق المخرجات

تنسيق المخرجات يشير إلى كيفية تنظيم وتنسيق المعلومات التي ينتجها نموذج اللغة استجابة للمطالبات. في الفيديو، يُنصح بتحديد الشكل المطلوب للمخرجات بوضوح للحصول على النتائج في الشكل المرغوب.

💡أمثلة تطبيقية

الأمثلة التطبيقية هي استخدام حالات عملية ومحددة لتوضيح كيفية تطبيق مفهوم أو تقنية معينة. في الفيديو، يتم استخدام عدة أمثلة مثل ترجمة النصوص أو استخراج أسماء الأماكن لتوضيح كيفية تصميم المطالبات بشكل فعال.

Highlights

General tips for designing prompts for language models are discussed.

The process of designing prompts is iterative in nature.

Starting simple is crucial when designing prompts for language models.

Breaking down complex tasks into subtasks can improve model performance.

Keeping instructions simple is key to optimizing language model tasks.

Specifying clear instructions is vital for the model to understand the task.

Using the right verbs and words to describe the task improves results.

Avoiding ambiguous language helps in getting better results from language models.

Being specific about the desired format and tone is important for model output.

An example of a translation system prompt is provided.

Using input indicators helps the model understand the task better.

Modern interfaces allow for simple task description without complex instructions.

Avoiding imprecise language prevents confusion for the language model.

An example of an improved explanation prompt is given.

Models are trained to perform tasks, not avoid them, so instructions should be positive and direct.

A link to OpenAI's official documentation for further tips is provided.

The video aims to help efficiently and effectively build use cases with large language models.

Transcripts

hi everyone in this video I want to talk

a little bit about some general tips for

Designing prompts so I've been designing

and optimizing some prompts for uh

various use cases for a variety of

clients from different domains ranging

from uh Health Providers all the way to

uh companies building HR Solutions and

what I want to share here is a few tips

and things to keep in mind as you design

your prompt we know that the process of

Designing prompts is very iterative in

nature so when you're designing a prompt

for a language model you need to start

very simple one error and mistake that I

see a lot of developers and users make

is they get pretty clever and they want

to ask the mod to do a variety of things

and they prompt the model they don't get

the results they give up they get

discouraged based on what the language

models are producing and the reason for

that is that that's not the right uh

framework or the right strategy to

design good prompts the right way to do

this is really to start simple right

start with a very basic task also if you

have a very complex task it might help

to break down the task into separate

subtasks because it could be the case

that the model you know it's not capable

enough to handle all the instructions

that you're giving the model to perform

so that's why it's really important to

always start really simple right to get

the mod to do something really well and

optimize the mod to perform that task

and it's important to keep the

instructions keep the prompt really

simple The Next Step here is really the

instruction so we spoke about the prompt

elements and one thing we mentioned

there is that we need to specify

instruction right what do we want the

model to perform what is the task the

model needs to perform whether it's a

classification task summarization

translation so it's important to think

about what exactly this model is going

to achieve and to use the right verbs or

the right words to describe that task

right so it's important to identify that

when you're working on your use cases so

let's say we were to create some type of

ation system um here is an example here

at the bottom let's say we wanted to

build some kind of translation system

that converts uh text into Spanish right

so English text to Spanish to do that

it's you know you just instruct them mod

translate the text below to Spanish and

then you pass in the text we're using

text as the input indicator and the

input is going to be hello and once we

pass it to the model the model is going

to understand okay this is a translation

task because I'm using the keyword here

is translate the more clear and the more

specific you know the wording for that

instruction is the better results you're

going to get right so try to avoid

ambiguous language try to avoid you know

using words that the model might not

know of right so the simpler the words

are the more specific are the better the

results are going to be okay and we we

can try this actually um so for this

prompt we don't really need instruction

you can add the instruction part but you

will see here that with modern

interfaces like the one provided by the

open ey

playground we can basically just write

the task that we want to perform and

then we can take for instance we can

take this uh in fact I'll just leave it

as is and then I'll show you another

version that uses the user

role so you can see that we got Alla

right so we we got the right translation

here now I can also do something like

this and this is something I showed in a

previous tutorial so I can take this

remove this and then I can use the user

role to provide my input that I want to

translate to Spanish and then I can

submit

this right and we got Ola here so so we

got the right translation that's how you

would you would you would think about

the instruction right try to make the

instruction as as clear and concise as

possible now there's also a lot of

recommendations you know if you go

online lot of conversations about how to

design prompts and one of the main tips

that come up is specificity really be

very specific about what you want right

so for some use cases you want for

instance you want a specific format you

want a specific tone it's important to

think about what exactly do you want

from this mod right the M cannot really

guess it the model has an understanding

of what it was trained on but in order

for you to get the per to get the

performance or get the results that you

want or a specific output that you want

you need to be as specific as possible

so I have an example here actually what

I'll do is I'll just take this Ser again

here and I'll show you how uh you can

play around with this in the playground

so I have here extract the name of

places in the following text now the

desired format I need to change this a

bit I could keep it the way it was but I

just want to make it more clear um and

then we have a place right and I say

here I want the comma separate the list

of places that are provided in input I'm

using input here as input indicator but

you know I could also take this and put

it right here um as part of a as part of

user but I'll just keep it like this and

then you can try the other version that

I was

testing so you can see here that the

place was and it actually kept the

indicator which is good you know you

could tell the model further that maybe

you don't want this indicator as part of

the output that's something you can be

more specific about and can instruct

them all to Output whoever you want the

the the output and so we can see we can

confirm that this is the right

information that we were expecting from

this particular uh Place extractor

system the other tip here is to avoid

impr precises and this has to do its

specificity as well and the reason for

that is because you want to again as I

mentioned earlier you want to avoid

ambiguous language right because you're

you're all you're doing is you are

confusing the models so the the the

message has to be clear the message has

to be direct whatever instruction you're

passing to the model has to be as direct

and that's how you're going to get the

best results from a system so I have

some example here explain the concept

from engineering keep the explanation

short only a few sentences don't be too

descriptive um we're telling the mo to

do a lot of things here and we're not

being too precise right this is about

being imprecise because you're you're

not telling it how much sentences you

want you say short but what do you mean

by short you say don't be too

descriptive what do we even mean by that

so we want to make it a lot simpler for

the multile forment task to get the

desired results right so we want some

level of customization in the output

that we're getting and so we need to be

as precise as possible so here is a

better example uh compared to the one

above use two to three sentences to exp

to explain the concept of promp

engineering to a high school student now

I think this is a bit more clear because

it the target would be high school

students right and I'm using things like

two to three sentences to explain the

concept right I could even go a little

bit more detailed but I think this is

good enough as a first iteration that

improves the preciseness of the prompt

itself right the instruction here is a

lot more

precise

so here this tip here is is actually

interesting these models are trained to

do right they're trained to do and to

perform tasks to perform instructions

that users are giving it so when you use

language like do not ask for interest or

anything like that it's like you're

communicating to human but in reality

these molds might not be trained

effectively to perform tasks where

they're told not to do specific things

so you want to avoid language like that

what what would work instead is

to better guide the model or better

steer the model be more precise and just

follow the above tips that I shared so

something like this can be converted to

something like like this instead um

where you're being a little bit more

specific right you're telling them all

what exactly you want to behavior to be

and you kind of explain the logic

without using language I do not right

just do not use that do not um a

language with the models because they

tend to fail or they tend to the mods

tend to kind of derail and give you

really bad output that you may not

desire and the models are getting a lot

better right so so some Modern models

might be able to deal with these

particular instructions a lot better but

I would say this is unnecessary right

you don't really need to tell them all

do not ask for personal information as

shown in this example I think it's

better if you tell them all specifically

what you want in the behavior right

instead of telling it what to avoid so

the more specific you are about what the

model should perform or the task should

it should perform because it was trained

to perform task it makes sense to be

more positive in and and be more direct

and precise in what you want from the

model okay so those are kind of some

best practices uh there's also a link

here that you can click on and it will

take you to uh the openi official

documentation where they have a little

bit more on on on some further tips

there are you know other tips that I

might be missing here but we continue to

update the guide and provide better tips

for all our developers and people that

are using these large language Ms so

that will be it for this video hopefully

it was useful and hopefully you can work

on those examples and you can consider

this when you're designing your prompts

so that they can help you efficiently

and effectively build your use cases

with large language molds so I'll catch

you in the next one by