Een supermarktketen bouwt een chatbot die de live voorraad moet opvragen en de locaties van artikelen in de winkel moet teruggeven. Welk prompt engineering-patroon is het meest geschikt voor het bouwen van deze chatbot?

ReAct (Reasoning and Acting) prompting is het meest geschikt omdat het grote taalmodellen (LLM's) in staat stelt om redeneringen te combineren met acties. Voor een chatbot die live voorraad en winkellocaties moet opvragen, betekent dit dat de chatbot kan redeneren over de gebruikersvraag, vervolgens een actie kan uitvoeren (bijvoorbeeld een API-aanroep naar het voorraadsysteem), en daarna de resultaten kan gebruiken om een passend antwoord te formuleren. Zero-shot prompting zou te beperkt zijn omdat het model geen voorbeelden krijgt om van te leren en de complexe interactie met externe systemen niet aankan. Few-shot prompting biedt wel voorbeelden, maar mist de dynamische redeneer- en actiemogelijkheden die nodig zijn voor live data-integratie. Least-to-most prompting is nuttig voor complexe redeneertaken die in stappen kunnen worden opgedeeld, maar is minder gericht op de interactie met externe tools dan ReAct.