Firma stworzyła asystenta AI Amazon Bedrock do sugerowania produktów, ale jego odpowiedzi są często ogólne lub nieistotne. Która technika prompt engineeringu najprawdopodobniej poprawi trafność odpowiedzi asystenta?

Użycie few-shot prompting jest najskuteczniejsze, ponieważ dostarcza modelowi konkretne przykłady pożądanych odpowiedzi, kontekst specyficzny dla domeny oraz jasne instrukcje. Dzięki temu model uczy się, jak generować trafne i szczegółowe sugestie produktów, zamiast ogólnych. Chain-of-thought prompting z ukrytymi krokami rozumowania jest mniej efektywne, ponieważ model nie otrzymuje jawnych przykładów oczekiwanych wyników. Zmiana stylu konwersacji na bardziej formalny nie rozwiązuje problemu trafności. Zero-shot prompting, choć przydatne w innych scenariuszach, nie dostarcza modelowi wystarczającego kontekstu ani przykładów, aby poprawić trafność w tym przypadku.