चेन-ऑफ़-थॉट प्रॉम्प्टिंग: LLMs के साथ चरण-दर-चरण तर्क

लार्ज लैंग्वेज मॉडल्स (LLMs) टेक्स्ट जनरेट करने के लिए ऑटोरेग्रेशन नामक तकनीक का उपयोग करते हैं, जिसमें पिछले शब्दों के आधार पर अनुक्रम में अगला सबसे संभावित शब्द भविष्यवाणी किया जाता है। ChatGPT जैसे LLM-संचालित एजेंटों को उपयोगकर्ता के इरादे का पालन करने के लिए भी फाइन-ट्यून किया गया है। इसलिए, वे न केवल इनपुट अनुक्रम को पूरा करते हैं, बल्कि इनपुट पर उपयोगकर्ता के इरादे को समझकर उसके अनुसार प्रतिक्रिया उत्पन्न करते हैं।

यदि आपने कुछ समय के लिए ChatGPT आज़माया है, तो मुझे यक़ीन है कि आपने महसूस किया होगा कि किसी उत्तर की गुणवत्ता उपयोगकर्ता इनपुट की गुणवत्ता पर भी निर्भर करती है, जैसे कि एजेंट कुछ प्रश्नों पर अन्य की तुलना में “बेहतर” प्रतिक्रियाएँ देता है।

सबसे उत्तम उत्तर पाने का राज़ यह समझना है कि LLMs आउटपुट कैसे जनरेट करते हैं और उसी के अनुसार इनपुट प्रॉम्प्ट को गढ़ना। उपयोगकर्ता इनपुट पर लागू उन तकनीकों के सेट को, जो मॉडल की पूरी क्षमता का लाभ उठाती हैं, प्रॉम्प्ट इंजीनियरिंग कहा जाता है।

इस लेख में, हम सबसे शक्तिशाली प्रॉम्प्ट इंजीनियरिंग तकनीकों में से एक—चेन-ऑफ़-थॉट (CoT) प्रॉम्प्टिंग—का पता लगाएंगे। यह तकनीक प्रॉम्प्ट को इस तरह संरचित करने पर आधारित है कि मॉडल के लिए तर्क या समस्या-समाधान की आवश्यकता वाले जटिल कार्यों को पूरा करना आसान हो जाए। यह दिखाया गया है कि CoT के बिना, वही मॉडल सही उत्तर देने में विफल रहता है।

मॉडल की डिफ़ॉल्ट क्षमताएँ

यद्यपि LLMs अपनी जनरलाइज़ करने की क्षमता के लिए जाने जाते हैं, मॉडल की क्षमताएँ कार्य पर निर्भर करती हैं। LLMs का उपयोग करते समय, यह ध्यान में रखना महत्वपूर्ण है कि प्रत्येक मॉडल को बहुत बड़े लेकिन सीमित डेटाबेस पर प्रशिक्षित किया गया है और इसे कुछ कार्यों के लिए अनुकूलित किया गया है। इसलिए, जहाँ एक मॉडल कुछ क्षेत्रों में अत्यधिक प्रदर्शन कर सकता है, वहीं वह अन्य में विफल भी हो सकता है।

मॉडल की क्षमताएँ समय-निर्भर भी होती हैं। मनुष्यों की तरह, यदि आप मुझे 5 अंकों का जोड़ देंगे, तो सही उत्तर देने में मुझे भी थोड़ा समय लगेगा। यदि आप इसे जल्दबाज़ी में कराएँगे, तो गलती की संभावना बढ़ जाएगी। 

इसी तरह, यदि हम भाषा मॉडल को ऐसा कार्य दें जो उसके अगले टोकन की गणना में लगने वाले समय के भीतर करने के लिए बहुत जटिल हो, तो वह सही उत्तर देने में विफल हो सकता है।

फिर भी, मनुष्यों की तरह, इसका अर्थ यह नहीं कि मॉडल उस कार्य में सक्षम नहीं है। थोड़ा समय या तर्क के लिए मार्गदर्शन मिलने पर, मॉडल विश्वसनीय रूप से उत्तर देने में सक्षम हो सकता है।

मॉडल की प्रतिक्रिया और उसे जनरेट करने में लगने वाला समय कई कारकों से प्रभावित हो सकता है, जैसे कि प्रश्न की विशिष्ट शब्दावली:

• यदि प्रॉम्प्ट छोटा और सरल है, तो अगले टोकन को जनरेट करने में मॉडल को अधिक समय नहीं लगेगा।
• यदि प्रॉम्प्ट लंबा और जटिल है, तो अगले टोकन को जनरेट करने से पहले मॉडल को अधिक जानकारी संसाधित करनी पड़ सकती है, जिसमें अधिक समय लग सकता है।

चेन-ऑफ़-थॉट प्रॉम्प्टिंग, प्रॉम्प्ट की संरचना चुनकर और मॉडल को सही उत्तर तक पहुँचने के लिए आवश्यक समय या चरण देकर, जटिल कार्यों को हल करने में LLMs को सफल होने हेतु मार्गदर्शन करती है।

चेन-ऑफ़-थॉट प्रॉम्प्टिंग क्या है?

चेन-ऑफ़-थॉट प्रॉम्प्टिंग एक तकनीक है जो भाषा मॉडलों के प्रदर्शन में सुधार करती है, मॉडल को अंतिम उत्तर पर पहुँचने से पहले चरण-दर-चरण व्याख्या या तर्क प्रक्रिया जनरेट करने के लिए स्पष्ट रूप से प्रेरित करके। यह तरीका मॉडल को समस्या को टुकड़ों में तोड़ने में मदद करता है ताकि किसी भी मध्यवर्ती कार्य को न छोड़ा जाए और तर्क संबंधी विफलताओं से बचा जा सके।

CoT प्रभावी इसलिए है क्योंकि यह LLM के अटेंशन मैकेनिज़्म को केंद्रित करने में मदद करता है। तर्क प्रक्रिया का विघटन मॉडल का ध्यान एक समय में समस्या के एक भाग पर केंद्रित करता है, जिससे एक साथ बहुत अधिक जानकारी संभालने से उत्पन्न होने वाली त्रुटियों का जोखिम कम हो जाता है। 

CoT की उत्पत्ति

Google के शोधकर्ताओं ने 2022 में “Chain of Thought Prompting Elicits Reasoning in Large Language Models” शीर्षक वाले पेपर में चेन-ऑफ़-थॉट प्रॉम्प्टिंग प्रस्तुत किया। इस शोध ने दिखाया कि मॉडल को मध्यवर्ती तर्क चरणों की एक शृंखला के माध्यम से मार्गदर्शन करने से गणितीय समस्या-समाधान, तार्किक तर्क, और मल्टी-हॉप प्रश्नोत्तर जैसे कार्यों पर उसके प्रदर्शन में उल्लेखनीय सुधार हुआ।

चलिए प्रस्तावित उदाहरणों में से एक देखते हैं:

मानक प्रॉम्प्टिंग और CoT प्रॉम्प्टिंग के बीच तुलना। बाईं ओर, मॉडल को सीधे अंतिम उत्तर देने का निर्देश दिया गया है (मानक प्रॉम्प्टिंग)। दाईं ओर, मॉडल को अंतिम उत्तर तक पहुँचने के लिए अपनी तर्क प्रक्रिया दिखाने का निर्देश दिया गया है (CoT प्रॉम्प्टिंग)।

जैसा कि हम देखते हैं, सोच की कड़ी—मध्यवर्ती तर्क चरणों की शृंखला—जनरेट करना मॉडल को सही उत्तर देने में मदद करता है।

मूल लेखकों ने सोच की इस कड़ी को अंतिम आउटपुट तक ले जाने वाले मध्यवर्ती प्राकृतिक भाषा तर्क चरणों की शृंखला के रूप में संदर्भित किया, और इस पद्धति को चेन-ऑफ़-थॉट प्रॉम्प्टिंग कहा।

चेन-ऑफ़-थॉट प्रॉम्प्टिंग कैसे काम करती है?

प्रक्रिया ऐसे प्रॉम्प्ट तैयार करने से शुरू होती है जो मॉडल को समस्या पर चरण-दर-चरण तरीके से सोचने के लिए प्रोत्साहित करते हैं, ताकि वह सीधे अंतिम उत्तर पर छलांग लगाने के बजाय मध्यवर्ती चरण जनरेट करे। यह अलग-अलग रणनीतियों से किया जा सकता है:

#1. स्पष्ट निर्देश

स्पष्ट निर्देश देना मतलब उपयोगकर्ता प्रॉम्प्ट में ही समस्या का विघटन करना। उदाहरण के लिए, “सबसे पहले, हमें विचार करना होगा…” जैसी पंक्तियों का उपयोग करके मॉडल को अपनी सोच की प्रक्रिया का विवरण देने के लिए प्रेरित करना।

आइए इसे क्रिया में देखते हैं!

मान लीजिए मेरी स्पैनिश माँ ने मुझे कोल्ड ब्रू बनाने की पारिवारिक रेसिपी भेजी है:

input_text = """
¡Preparar café Cold Brew es un proceso sencillo y refrescante!
Todo lo que necesitas son granos de café molido grueso y agua fría.
Comienza añadiendo el café molido a un recipiente o jarra grande.
Luego, vierte agua fría, asegurándote de que todos los granos de café
estén completamente sumergidos.
Remueve la mezcla suavemente para garantizar una saturación uniforme.
Cubre el recipiente y déjalo en remojo en el refrigerador durante al
menos 12 a 24 horas, dependiendo de la fuerza deseada.
"""संचालित द्वारा

मान लें कि हम कॉफी से संबंधित सभी शब्दों का अंग्रेज़ी में अनुवाद करने में रुचि रखते हैं, और इस कार्य के लिए ChatGPT का उपयोग करना चाहते हैं:

prompt = f"""
Give me a numbered list of all coffee-related words in English from the text below:
Text: <{input_text}>
"""
response = chatgpt_call(prompt)
print(response)संचालित द्वारा

यह रहा इस प्रॉम्प्ट का उत्तर:

यदि हम मॉडल से यह कार्य सीधे करने को कहें, तो दिखता है कि वह इसे गलत करता है। वह न केवल असंबंधित शब्द देता है, बल्कि उन्हें स्पैनिश में देता है, अंग्रेज़ी में नहीं।

हम मान सकते हैं कि यह कार्य जटिल है क्योंकि इसमें दो चरण हैं:

1. टेक्स्ट का स्पैनिश से अंग्रेज़ी में अनुवाद।
2. कॉफी से संबंधित शब्दों की पहचान।

इसके बजाय, मॉडल सीधे अंतिम कार्य—कॉफी से संबंधित शब्दों की पहचान—पर कूद जाता है और अनुवाद चरण छोड़ देता है। अनुवाद को एक मध्यवर्ती कार्य के रूप में निर्दिष्ट करके या कार्य को मुख्य दो चरणों में तोड़कर, हम मॉडल को सही आउटपुट की ओर निर्देशित कर सकते हैं:

prompt = f"""
Give me a numbered list of all coffee-related words in English from the text below:
The task requires the following actions:
1 - Translate the given text into English.
2 - List each coffee-related word from the English text.
Text: <{input_text}>
"""
response = chatgpt_call(prompt)
print(response)संचालित द्वारा

ऊपर दी गई चेन-ऑफ़-थॉट शामिल करने से सही उत्तर मिलता है:

यदि आप इस लेख की तरह ChatGPT या OpenAI API के अलावा अन्य LLMs के साथ यह तकनीक आज़माने में रुचि रखते हैं, तो “Developing Large Language Models” पाठ्यक्रम आपके लिए है!

#2. अप्रत्यक्ष निर्देश

कभी-कभी, प्रॉम्प्ट में समस्या को स्वयं तोड़ने की आवश्यकता नहीं होती। टोक्यो विश्वविद्यालय ने Google Research के साथ मिलकर LLM प्रतिक्रियाओं को सुधारने की एक सरल विधि प्रस्तावित की—मूल प्रॉम्प्ट के अंत में बस “Let’s think step by step" जोड़ना।

यह साधारण वाक्य मॉडल को ऊँची आवाज़ में तर्क करने और कार्य पूरा करने के लिए आवश्यक सभी चरणों से गुज़रने के लिए प्रेरित करता है।

आइए मूल पेपर “Large Language Models are Zero-Shot Reasoners” में लेखकों द्वारा दिए गए उदाहरणों में से एक का विश्लेषण करें:

मानक प्रॉम्प्टिंग और अप्रत्यक्ष CoT निर्देशों के उपयोग के बीच तुलना। बाईं ओर, मॉडल सीधे समस्या का अंतिम उत्तर देता है (ज़ीरो-शॉट प्रॉम्प्टिंग) और विफल होता है। दाईं ओर, मॉडल को एक अप्रत्यक्ष CoT निर्देश (CoT प्रॉम्प्टिंग) दिया गया है और वह सही उत्तर तक पहुँचता है।

[a] पहले उदाहरण में, लेखक मॉडल से एक अंकगणितीय समस्या हल करने को कहते हैं, लेकिन वह इसमें विफल रहता है।

[b] फिर, मूल प्रश्न के अंत में “Let’s think step by step” जोड़ने पर, मॉडल ऊँची आवाज़ में तर्क करता है और सफल होता है।

इस सरल तरकीब को MultiArith गणित डेटासेट पर लागू करने पर, लेखकों ने पाया कि इस अप्रत्यक्ष निर्देश ने सटीकता को 18% से 79% तक चार गुना बढ़ा दिया!

यदि आप रुचि रखते हैं, तो इस तकनीक के बारे में और पढ़ें—“Use This Short Prompt to Boost ChatGPT’s Outcome.”

#3. प्रदर्शनात्मक उदाहरण

हमने ऊपर की धारा में कई बार “ज़ीरो-शॉट” शब्द का उपयोग किया है। ज़ीरो-शॉट उस क्षमता को संदर्भित करता है जिसमें एक मॉडल किसी विशिष्ट कार्य के उदाहरणों पर स्पष्ट रूप से प्रशिक्षित हुए बिना भी उसे कर पाता है। 

यह मॉडल की सामान्यीकरण क्षमता पर निर्भर करता है, ताकि वह नए और पहले से न देखे गए कार्यों के लिए उपयुक्त प्रतिक्रियाएँ जनरेट कर सके। इसका मतलब है कि जब हम ChatGPT का इंटरफ़ेस खोलकर सीधे कोई प्रश्न पूछते हैं, तो हम ज़ीरो-शॉट प्रॉम्प्टिंग कर रहे होते हैं।

फिर भी, ऐसे तरीके हैं जिनसे हम मॉडल को उन मिलते-जुलते कार्यों के उदाहरण दिखा सकते हैं जिन्हें हम हल करना चाहते हैं। एक शृंखला में प्रदर्शनात्मक उदाहरण देना—उदाहरणों की संख्या पर निर्भर करते हुए—वन-शॉट और फ्यू-शॉट प्रॉम्प्टिंग कहलाता है।

वन-शॉट प्रॉम्प्टिंग

वन-शॉट प्रॉम्प्टिंग में लक्ष्य कार्य से मिलता-जुलता एक उदाहरण मॉडल को दिखाकर मार्गदर्शन करना शामिल है।

उदाहरण के लिए, यदि हम लेख की पहली फ़िगर पर लौटें, तो देख सकते हैं कि मॉडल, प्रॉम्प्ट में दिए गए प्रदर्शनात्मक उदाहरण के कारण, चेन-ऑफ़-थॉट जनरेट करता है।

फ्यू-शॉट प्रॉम्प्टिंग

फ्यू-शॉट लर्निंग वन-शॉट जैसा ही काम करती है, लेकिन दिए गए उदाहरणों की संख्या अधिक होती है, आम तौर पर लगभग सौ। मॉडल का प्रदर्शन उदाहरणों की संख्या के साथ रैखिक रूप से बढ़ता है।

फ्यू-शॉट प्रॉम्प्टिंग का अध्ययन Google के Jason Wei और Denny Zhou व सहयोगियों ने किया। यह तरीका विशेष रूप से उन कार्यों के लिए उपयोगी है जिनमें अधिक विशिष्ट या डोमेन-विशिष्ट ज्ञान की आवश्यकता होती है, जहाँ मॉडल के पास ज़ीरो-शॉट या वन-शॉट प्रॉम्प्टिंग से कार्य करने हेतु पर्याप्त पृष्ठभूमि नहीं होती। कभी-कभी फ्यू-शॉट प्रॉम्प्टिंग को नए या विशेष डेटा के संग्रह पर मॉडल की छोटी-सी फाइन-ट्यूनिंग के रूप में देखा जाता है।

वन-शॉट और फ्यू-शॉट प्रॉम्प्टिंग के और उदाहरण देखें—“Improve ChatGPT Performance with Prompt Engineering.”

फ्यू-शॉट CoT प्रॉम्प्टिंग

वन-शॉट और फ्यू-शॉट प्रॉम्प्टिंग स्वयं CoT नहीं हैं। लेकिन शोधकर्ताओं ने जाँचा है कि फ्यू-शॉट लर्निंग को CoT प्रॉम्प्टिंग के साथ कैसे जोड़ा जा सकता है, जिसे “फ्यू-शॉट CoT प्रॉम्प्टिंग” कहा जाता है। फ्यू-शॉट CoT में, मॉडल को कुछ समस्याएँ और उनके चरण-दर-चरण समाधान उदाहरण के रूप में दिए जाते हैं ताकि उसकी तर्क प्रक्रिया का मार्गदर्शन हो।

फ्यू-शॉट CoT प्रॉम्प्टिंग को अन्य तकनीकों—जैसे रिट्रीवल-अग्मेंटेड जेनरेशन या इंटरेक्टिव क्वेरीइंग—के साथ मिलाने से मॉडल के प्रदर्शन और विश्वसनीयता में और वृद्धि हो सकती है। बाहरी नॉलेज बेस, डेटाबेस, या सूचना पुनर्प्राप्ति प्रणालियों का एकीकरण मॉडल को तथ्यात्मक और अद्यतन जानकारी के साथ अपने तर्क को सुदृढ़ करने देता है।

व्यवहार में चेन-ऑफ़-थॉट प्रॉम्प्टिंग लागू करना

गणितीय समस्याओं की भूलभुलैया, यह दर्शाने के लिए कि CoT कैसे मॉडलों को नॉलेज स्पेस में नेविगेट करने और जटिल कार्यों को हल करने में मदद करता है। ChatGPT 4o इमेज जेनरेशन से स्व-उत्पन्न छवि, निम्न प्रॉम्प्ट के साथ: “Imagine a Language Model agent through a maze of mathematical problems”.

हम अपने प्रॉम्प्ट्स में CoT शामिल करने के कई तरीके हैं:

• संरचित टेम्पलेट्स: ऐसे टेम्पलेट्स का उपयोग जो स्पष्ट रूप से वे चरण रेखांकित करते हैं जिन्हें मॉडल को अपनाना चाहिए, जैसा कि हमने कॉफी वाले उदाहरण में देखा। प्रॉम्प्ट टेम्पलेट्स और कंडीशनल प्रॉम्प्टिंग के और उदाहरणों के लिए Prompting Guidelines लेख देखें।
• इंटरएक्टिव प्रॉम्प्ट्स: मॉडल को संवाद में शामिल करना, जहाँ उससे हर चरण समझाने को कहा जाए, या हर चरण पर फीडबैक/सुधार देकर तर्क प्रक्रिया को मार्गदर्शित करना। इसे Human-in-the-Loop दृष्टिकोण भी कहते हैं।
• फ़ीडबैक लूप्स: ऐसे तंत्र शामिल करना जहाँ मॉडल के मध्यवर्ती चरणों का मूल्यांकन करके आवश्यकतानुसार परिष्कृत किया जाए। इसे Multi-Stage प्रॉम्प्टिंग भी कहा जाता है।

कई फ़्रेमवर्क CoT और अन्य प्रॉम्प्ट इंजीनियरिंग तकनीकों को लागू करने में आपकी मदद कर सकते हैं, लेकिन LangChain मेरा पसंदीदा है। यदि आप अपने LLM-संचालित प्रोजेक्ट्स में LangChain का उपयोग करना चाहते हैं, तो “Developing LLM Applications with LangChain” पाठ्यक्रम एक आदर्श आरंभिक बिंदु है।

चेन-ऑफ़-थॉट प्रॉम्प्टिंग के लाभ

चेन-ऑफ़-थॉट प्रॉम्प्टिंग कई लाभ प्रदान करती है, विशेषकर जटिल कार्यों में भाषा मॉडलों के प्रदर्शन और विश्वसनीयता को बढ़ाने में।

#1. बेहतर सटीकता

समस्या को छोटे, प्रबंधनीय चरणों में तोड़कर, मॉडल जटिल कार्यों को अधिक सटीकता से संभाल सकता है। मध्यवर्ती चरण चेकपॉइंट्स का काम करते हैं, जहाँ संभावित त्रुटियाँ पकड़ी और सुधारी जा सकती हैं, जिससे अंतिम उत्तर अधिक सटीक होते हैं।

गणितीय समस्याएँ, तार्किक पहेलियाँ, या मल्टी-हॉप प्रश्नोत्तर जैसे कार्य इस दृष्टिकोण से इसलिए लाभान्वित होते हैं क्योंकि वे स्वाभाविक रूप से कई तर्क-चरणों की मांग करते हैं।

#2. उन्नत व्याख्यात्मकता

चरण-दर-चरण तर्क प्रक्रिया पारदर्शी होती है, जिससे उपयोगकर्ता समझ सकते हैं कि मॉडल अपने निष्कर्ष तक कैसे पहुँचा। यह पारदर्शिता मॉडल के आउटपुट पर भरोसा बढ़ाती है।

यह डिबगिंग में भी मदद कर सकती है, क्योंकि उपयोगकर्ता अधिक आसानी से देख सकते हैं कि मॉडल अपने तर्क में कहाँ चूका।

सीमाएँ और विचार

स्वाभाविक रूप से, किसी भी तकनीक की तरह, कुछ कमियाँ भी हैं जिन पर विचार करना चाहिए:

मॉडल-निर्भरता

यह ध्यान रखना महत्वपूर्ण है कि CoT एक मॉडल-निर्भर तकनीक है। इसलिए, CoT प्रॉम्प्टिंग की प्रभावशीलता काफी हद तक अंतर्निहित भाषा मॉडल की क्षमताओं पर निर्भर करती है।

प्रॉम्प्ट निर्माण

प्रभावी CoT प्रॉम्प्ट तैयार करना चुनौतीपूर्ण हो सकता है। यह सुनिश्चित करने के लिए सावधानीपूर्वक डिज़ाइन की आवश्यकता है कि प्रॉम्प्ट्स मॉडल को तर्क प्रक्रिया के माध्यम से सही ढंग से मार्गदर्शन करें। विभिन्न प्रकार के कार्यों और डोमेनों के लिए प्रॉम्प्ट्स को अपडेट और बनाए रखना समय-साध्य हो सकता है और लगातार परिष्करण की मांग कर सकता है।

प्रदर्शन

जिन कार्यों में स्पष्ट क्रमिक तर्क प्रक्रिया नहीं होती, उनके लिए CoT प्रॉम्प्टिंग उतनी प्रभावी नहीं हो सकती। साथ ही, यह पूरी तरह नए या अप्रत्याशित प्रकार की समस्याओं पर बिना अतिरिक्त प्रशिक्षण या अनुकूलन के अच्छी तरह सामान्यीकृत नहीं हो सकती, इसलिए अद्यतन नॉलेज बेस और उपयुक्त प्रॉम्प्ट्स बनाए रखना महत्वपूर्ण है।

ट्रेड-ऑफ़्स

हालाँकि CoT प्रॉम्प्टिंग चरण-दर-चरण स्पष्टीकरण देकर व्याख्यात्मकता बढ़ाती है, यह आउटपुट को लंबा और अधिक विस्तारपूर्ण भी बना सकती है, जो सभी अनुप्रयोगों के लिए हमेशा वांछनीय नहीं है।

निष्कर्ष

इस लेख में, हमने देखा कि चेन-ऑफ़-थॉट प्रॉम्प्टिंग किस तरह लार्ज लैंग्वेज मॉडल्स की तर्क क्षमताओं को बढ़ाने में महत्वपूर्ण प्रगति का प्रतिनिधित्व करती है, साथ ही इसके कार्यान्वयन के कुछ व्यावहारिक उदाहरण भी देखे। 

चाहे प्रॉम्प्ट टेम्पलेट्स, इंटरएक्टिव प्रॉम्प्टिंग, या फ़ीडबैक लूप्स का उपयोग करें—इन तरीकों के पीछे विचार मॉडल को तर्क प्रक्रिया के माध्यम से मार्गदर्शन करना और उसकी क्षमताओं का दोहन करना है। 

इसके अतिरिक्त, हमने वन-शॉट और फ्यू-शॉट प्रॉम्प्टिंग जैसी शक्तिशाली तकनीकों का भी अन्वेषण किया जो मॉडल के प्रदर्शन को और बढ़ाती हैं और CoT के साथ संयोजित की जा सकती हैं, साथ ही उनके लाभ और कुछ सीमाएँ जिन पर ध्यान देना आवश्यक है।

इस लेख में चर्चा की गई तकनीकों को आज़माएँ ताकि अधिक विश्वसनीय, उच्च-प्रदर्शन वाले प्रॉम्प्ट्स बनाए जा सकें, और याद रखें: प्रॉम्प्ट इंजीनियरिंग आपके आउटपुट पर बड़ा प्रभाव डाल सकती है!

आप DataCamp के पाठ्यक्रमों—Understanding Prompt Engineering और ChatGPT Prompt Engineering for Developers—के माध्यम से प्रॉम्प्ट इंजीनियरिंग के बारे में और सीख सकते हैं। आप प्रॉम्प्ट इंजीनियरिंग सर्टिफ़िकेशन पर अलग गाइड भी देख सकते हैं और अपने लिए सर्वोत्तम सीखने के मार्ग खोज सकते हैं।