Így irányítsd az algoritmust a kontextus tervezés 3 szintjén

A kontextus tervezés a kulcs a pontos válaszokhoz. Nem mindegy ugyanis a megadott információk mennyisége és minősége. A modell csak abból tud dolgozni amit elé teszel. Most bemutatjuk ezt a folyamatot három nehézségi szinten keresztül. A példák segítenek a gyakorlati megértésben.

1. szint: A szerepek meghatározása kezdőknek

A legegyszerűbb módszer a szerepek kiosztása. Ha nem adsz keretet a feladatnak az eredmény túl általános lesz. A modell ilyenkor átlagos válaszokat ad. Ezt elkerülheted egy jó karakterleírással.

Gondolj úgy erre mint egy utasításra egy színésznek. Meg kell mondanod neki kinek a bőrébe bújjon. Ez a keretezés azonnal megváltoztatja a stílust és a szóhasználatot. Íme egy példa a rossz és a jó utasításra.

Helytelen megközelítés:

Írj egy emailt az ügyfélnek, hogy késik a projekt.

Helyes megközelítés kontextussal:

Szerep: Te egy empatikus és profi projektmenedzser vagy.
Helyzet: A fejlesztés két hetet csúszik váratlan technikai hiba miatt.
Cél: Megnyugtatni az ügyfelet és új ütemtervet javasolni.
Stílus: Formális, de közvetlen.

Feladat: Írd meg a fenti elvek alapján az emailt.

A második esetben a rendszer pontosan tudja mi a dolga. A válasz sokkal használhatóbb lesz.

2. szint: A példák ereje haladóknak

A leírás néha kevés a sikerhez. Sokkal gyorsabb és pontosabb eredményt kapsz konkrét példákkal. A szakzsargonban ezt few-shot technikának hívják. A rendszer ebből a mintából tanulja meg a szabályokat.

Ez különösen hasznos strukturált adatok kinyerésénél. Ha JSON vagy táblázatos formátumot szeretnél akkor mutass rá mintát. Ne csak leírd a formátumot szavakkal.

Nézd meg ezt a példát kulcsszavak kinyerésére.

Feladat: Vond ki a szövegből a cégneveket és a dátumokat.

Példa 1
Szöveg: A Microsoft tegnap, 2023. május 10-én bejelentette az új verziót.
Kimenet: {"Cég": "Microsoft", "Dátum": "2023-05-10"}

Példa 2
Szöveg: Az Apple jövő héten tart konferenciát.
Kimenet: {"Cég": "Apple", "Dátum": "Jövő hét"}

Feladat
Szöveg: A Tesla részvényei zuhantak szerdán.
Kimenet:

A modell a minták alapján pontosan tudni fogja a dolgát. Csak behelyettesíti az új adatot a megtanult szerkezetbe.

3. szint: Dinamikus tudásbázis profiknak

A legmagasabb szint már programozást igényel. Itt nem írhatsz be mindent kézzel a parancssorba. A releváns adatokat kóddal kell kikeresned egy adatbázisból. Ezt hívják RAG vagyis Retrieval Augmented Generation módszernek.

A lényeg a következő. A felhasználó kérdése alapján a kód megkeresi a kapcsolódó dokumentumokat. Ezeket beszúrja a parancs elé háttéranyagként. A modell így olyan dolgokról is tud válaszolni amit alapból nem ismerne.

Íme egy egyszerűsített Python példa a logika bemutatására.

# 1. Tudásbázis (ez lehetne egy PDF vagy adatbázis is)
tudasbazis = {
    "hiba_101": "Indítsa újra a routert és várjon 2 percet.",
    "hiba_202": "Ellenőrizze a kábelek csatlakozását.",
    "szerviz": "Hívja a +36-1-123-4567 számot hétköznap."
}

def valasz_generalas(felhasznalo_kerdese):
    # 2. Releváns infó keresése (Dinamikus kontextus)
    talalat = ""
    for kulcs, info in tudasbazis.items():
        if kulcs in felhasznalo_kerdese:
            talalat = info
            break
    
    # 3. A végső prompt összeállítása
    prompt = f"""
    Szerep: Technikai ügyfélszolgálatos vagy.
    Háttérinformáció: {talalat}
    
    Kérdés: {felhasznalo_kerdese}
    Válasz:
    """
    
    # Itt küldenénk el a promptot a modellnek
    return prompt

# Tesztelés
print(valasz_generalas("Mit tegyek hiba_101 esetén?"))

A fenti kód dinamikusan építi fel a környezetet. Ha a felhasználó más hibáról kérdez a háttérinformáció változik. Ez a modern rendszerek alapja.

Szintek áttekintése

A táblázat segít elhelyezni a tudásodat.

Szint	Módszer neve	Mikor használd	Nehézség
1. Szint	Szerepjáték	Egyszerű szövegírásnál	Alacsony
2. Szint	Few-shot	Adatkinyerésnél, formázásnál	Közepes
3. Szint	Dinamikus RAG	Egyedi tudásbázis használatakor	Magas