Instrução: Detalhe para quais casos é melhor empregar cada técnica de engenharia de prompt, com a tradução de seu nome para o português Exemplos de técnicas a serem avaliadas: zero-shot, one-shot, few-shot, zero-shot chain-of-trought, few-shot chain-of-trought, least-to-most, chain-of-verification ou self-consistency. Caso existam outras incluir. Resposta: Aqui estão as técnicas de engenharia de prompts e os cenários ideais para aplicar cada uma delas:
- Zero-Shot (Sem Exemplos) Descrição: O modelo recebe uma instrução sem exemplos ou contextos adicionais, e deve gerar uma resposta com base em seu conhecimento geral. Caso de Uso: Ideal para tarefas simples e diretas, onde o problema é amplamente conhecido e o modelo pode resolver sem informações ou exemplos prévios. Exemplo: "Resuma o texto a seguir."
- One-Shot (Com um Exemplo) Descrição: O modelo recebe uma instrução junto com um exemplo para orientação. Isso ajuda a refinar a tarefa. Caso de Uso: Útil quando o problema é mais específico ou há nuances na tarefa que o modelo precisa entender a partir de um único exemplo. Exemplo: "Dado este exemplo de resumo, crie um resumo para o texto fornecido."
- Few-Shot (Com Alguns Exemplos) Descrição: O modelo recebe uma instrução com múltiplos exemplos de como a tarefa deve ser resolvida. Caso de Uso: Ideal para tarefas complexas ou quando o modelo precisa aprender um padrão específico. Quanto mais exemplos relevantes, melhor será o desempenho em tarefas especializadas. Exemplo: "Veja estes três exemplos de resumos. Agora, resuma o próximo texto."
- Zero-Shot Chain-of-Thought (Sem Exemplos com Raciocínio) (Raciocínio em Cadeia Sem Exemplos) Descrição: O modelo é solicitado a resolver o problema enquanto "explica" o processo de raciocínio passo a passo, sem exemplos prévios. Caso de Uso: Efetivo em problemas complexos que exigem raciocínio lógico ou etapas intermediárias para serem resolvidos, como matemática, lógica ou planejamento. Exemplo: "Explique passo a passo como você resolveria este problema matemático."
- Few-Shot Chain-of-Thought (Com Exemplos e Raciocínio) (Raciocínio em Cadeia com Exemplos) Descrição: O modelo recebe exemplos e, em cada um, é incluído o processo de raciocínio em etapas, ajudando o modelo a seguir um padrão lógico. Caso de Uso: Melhor para problemas complexos que requerem raciocínio estruturado e exemplos claros de como dividir um problema em partes para chegar à solução. Exemplo: "Aqui estão alguns exemplos de como resolver problemas passo a passo. Agora resolva este problema com o mesmo processo."
- Least-to-Most (Do Mais Simples ao Mais Complexo) (Do Menor ao Maior Desafio) Descrição: O modelo começa resolvendo uma versão simplificada do problema, depois vai progredindo para versões mais complexas. Caso de Uso: Útil para problemas complexos que podem ser divididos em partes menores ou para modelos que enfrentam dificuldades com tarefas muito complexas. A progressão gradual ajuda a construir entendimento. Exemplo: "Resolva uma versão simples deste problema e, em seguida, aplique o mesmo raciocínio a um problema mais difícil."
- Chain-of-Verification (Cadeia de Verificação) (Verificação em Cadeia) Descrição: O modelo gera uma resposta, e depois uma segunda instância do modelo ou um segundo processo revisa essa resposta, verificando sua validade. Caso de Uso: Indicada quando a precisão é crítica. A verificação garante que erros ou equívocos iniciais sejam corrigidos, muito útil para resolver problemas de alta responsabilidade como diagnósticos médicos ou análises jurídicas. Exemplo: "Depois de gerar a solução, revise-a para garantir que os passos e o resultado estejam corretos."
- Self-Consistency (Autoconsistência) (Autoconsistência) Descrição: Em vez de gerar uma única resposta, o modelo gera várias soluções e, em seguida, a resposta final é escolhida com base na resposta mais consistente ou frequente entre as gerações. Caso de Uso: Aplicável em problemas abertos ou com várias possíveis abordagens, onde a consistência entre as respostas pode aumentar a confiança na solução final. Exemplo: "Resolva o problema várias vezes e depois selecione a solução mais comum ou coerente."
Comparação Geral: • Zero-shot: Melhor para tarefas simples e genéricas. • One-shot e Few-shot: Indicados para problemas específicos ou de maior complexidade, onde o modelo pode se beneficiar de exemplos. • Chain-of-Thought: Melhora a precisão em tarefas complexas com raciocínio lógico. • Least-to-Most: Divide tarefas complexas em partes menores para facilitar o entendimento. • Chain-of-Verification: Garantia de acurácia por meio da verificação das respostas. • Self-Consistency: Aumenta a confiabilidade em tarefas ambíguas ou abertas. Essas técnicas podem ser combinadas dependendo da complexidade e do nível de precisão necessário para resolver o problema.
