Dostawca usług edukacyjnych chce, aby generatywny model AI zmieniał styl i złożoność wyjaśnień w zależności od grupy wiekowej osoby zadającej pytanie. Aplikacja będzie dostarczać informację o grupie wiekowej użytkownika. Które podejście osiągnie to przy najmniejszym wysiłku deweloperskim?

Dołączenie opisu roli w kontekście promptu (tzw. "role-playing" lub "system prompt") jest najmniej pracochłonnym podejściem. Modele generatywne są często szkolone na ogromnych zbiorach danych, które zawierają różnorodne style i poziomy złożoności tekstu. Wystarczy poinstruować model, aby przyjął określoną rolę (np. "Jesteś nauczycielem dla 8-latków") lub dostosował styl do grupy wiekowej (np. "Wyjaśnij to tak, jakbyś mówił do nastolatka"). Model wykorzysta swoją istniejącą wiedzę do wygenerowania odpowiedniej odpowiedzi. Dostosowanie modelu wymagałoby znacznego wysiłku w gromadzeniu i etykietowaniu danych, a następnie ponownego szkolenia. Rozumowanie łańcucha myśli (CoT) jest przydatne do złożonych problemów logicznych, ale niekoniecznie do zmiany stylu. Post-processing jest mniej efektywny, ponieważ wymagałby dodatkowej logiki do analizy i modyfikacji już wygenerowanej treści, zamiast generowania jej poprawnie od razu.