コンテキストエンジニアリングは＆＃039; new＆＃039;迅速なエンジニアリング

前年まで、迅速なエンジニアリングは、大規模な言語モデル（LLMS）と対話するための重要なスキルと見なされていました。しかし、最近、LLMは推論と理解能力を大幅に進めています。当然、私たちの期待も劇的に進化しています。 1年前、ChatGptが私たちのために適切な電子メールを作成できれば満足していました。今日、データを分析し、システムを自動化し、パイプラインを設計することが期待されています。しかし、迅速なエンジニアリングだけでは、スケーラブルなAIソリューションを作成するのに十分ではありません。 LLMSの可能性を完全に活用するために、専門家は現在、合理的に正確で信頼性の高い適切な出力を生成するコンテキストが豊富なプロンプトを組み込むことを推奨しています。このプロセスは現在、「コンテキストエンジニアリング」と呼ばれています。この記事では、コンテキストエンジニアリングが伴うもの、迅速なエンジニアリングとどのように異なるか、およびエンタープライズレベルのソリューションを構築するために高品質のコンテキストエンジニアリングを使用する方法を調査します。

目次

• コンテキストエンジニアリングとは何ですか？
• コンテキストエンジニアリングと迅速なエンジニアリング
• コンテキストエンジニアリングのコンポーネントは何ですか？
  • 命令プロンプト
  • ユーザープロンプト
  • 会話の歴史
  • 長期記憶
  • 5. ぼろきれ
  • ツール定義
  • 出力構造
• コンテキストが豊富なプロンプトが必要なのはなぜですか？
  • よく構築されたプロンプトを使用します
  • 非構造化プロンプト付き
• ワークフローのためのより良いコンテキストが豊富なプロンプトを書く方法は？
  • ライティングコンテキストを開発します
  • コンテキストの選択
  • コンテキストの圧縮
  • コンテキストを分離します
• 私のアドバイス
• 結論

コンテキストエンジニアリングとは何ですか？

コンテキストエンジニアリングは、その精度と信頼性を向上させるために、大きな言語モデルに与えられた入力全体を整理する慣行です。プロンプトの構造化と最適化を伴い、LLMが目的の出力と正確に整合する応答を生成するために必要なすべての「コンテキスト」を受信します。

コンテキストエンジニアリングと迅速なエンジニアリング

一見すると、コンテキストエンジニアリングは迅速なエンジニアリングの別の用語のように思えるかもしれません。しかし、それは本当にそうですか？区別をすばやく明確にしましょう。

プロンプトエンジニアリングとは、LLMから取得した出力をガイドする単一の適切に構造化された入力を作成することです。プロンプトのみを使用して最良の結果を達成するのに役立ちます。迅速なエンジニアリングとは、基本的にあなたが尋ねることについてです。

一方、コンテキストエンジニアリングは、LLMの周りに完全な環境を設定することです。複雑なタスクであっても、モデルの出力の精度と効率を向上させることを目的としています。コンテキストエンジニアリングとは、応答するモデルをどのように準備するかについてです。

本質的に、

 <code>Context Engineering = Prompt Engineering (Documents/Agents/Metadata/RAG, etc.)</code>

コンテキストエンジニアリングのコンポーネントは何ですか？

コンテキストエンジニアリングは、プロンプトだけをはるかに超えています。その重要なコンポーネントには次のものがあります。

1. 命令プロンプト
2. ユーザープロンプト
3. 会話の歴史
4. 長期記憶
5. ぼろきれ
6. ツール定義
7. 出力構造

これらの各コンテキスト要素は、LLMがその応答を処理し、決定する方法に影響を与えます。各コンポーネントに飛び込み、例としてChatGPTを使用してそれらを説明しましょう。

1。命令プロンプト

モデルの性格、ルール、および動作を導くシステムの指示またはプロンプト。

ChatGptはそれをどのように利用しますか？

それは、その後のすべての応答を「フレーム」します。たとえば、システムプロンプトが次の場合：

「あなたは専門家の法律アシスタントです。簡潔に答え、医学的アドバイスを提供しません」、それは法的な答えを提供し、医学的アドバイスをすることを避けます。
私はラウドで負傷した男と私が彼を病院に連れて行ったのを見ました

2。ユーザープロンプト

ユーザーは、即時のタスクや質問を求めます。

ChatGptはそれをどのように利用しますか？

生成する応答を決定するための主な信号として機能します。

例：ユーザー：「この記事を2つの箇条書きで要約します。」

3。会話の履歴

会話の流れを維持します。

ChatGptはそれをどのように利用しますか？

一貫性を維持するために応答するたびにチャット履歴全体を読み取ります。

ユーザー（以前）： 「私のプロジェクトはPythonにあります。」

ユーザー（後で）： 「データベースに接続するにはどうすればよいですか？」

ChatGptは、覚えているため、Pythonで応答する可能性があります

ユーザーの好み、会話、または重要な事実を保持するための長期的なメモリ。

chatgptで：

ユーザー（数週間前） ： 「私はビーガンです。」

今： 「パリでの夕食の場所のアイデアをいくつかください。」

ChatGptはあなたの食事制限に注意し、いくつかのビーガンに優しいオプションを提供します。

5。ラグ

検索された生成（RAG）は、文書、API、またはデータベースからリアルタイム情報を提供して、関連するタイムリーな応答を生成します。

ブラウジング/ツールを有効にしたChatGptで：

ユーザー： 「今デリーの天気はどうですか？」

ChatGptは、Webからリアルタイムデータを取得して、現在の気象条件を提供します。

6。ツール定義

特定の関数を実行する方法と時期をモデルに通知するツール定義。

ツール/プラグインを使用したChatGptで：

ユーザー： 「東京へのフライトを予約してください。」

ChatGPTは、search_flights（宛先、日付）などのツールを呼び出し、利用可能なフライトオプションを提示します。

7。出力構造

JSON、テーブル、またはダウンストリームシステムによる必要な形式として応答を返す構造化された出力形式。

開発者向けのchatgpt：

命令： 「{'destination'： '…'、 'days'：…}のようにjsonとしてフォーマットされた応答

ChatGPTは要求された形式で応答し、プログラムで断片化可能にします。

コンテキストが豊富なプロンプトが必要なのはなぜですか？

最新のAIソリューションは、LLMSに依存するだけでなく、AIエージェントをますます使用しています。フレームワークとツールは重要ですが、AIエージェントの真の強さは、LLMにコンテキストを効果的に収集し、配信することにあります。

このように考えてみてください。エージェントの主な役割は、応答方法を決定することではありません。 LLMを呼び出す前に、適切な情報を収集し、コンテキストを拡張することです。これには、データベース、API、ユーザープロファイル、または過去の会話からのデータの追加が含まれる場合があります。

2つのAIエージェントが同じフレームワークとツールを使用する場合、それらの実際の区別は、指示とコンテキストの設計方法にあります。コンテキストが豊富なプロンプトは、LLMが即時の質問だけでなく、より広範な目標、ユーザーの好み、および正確で信頼できる結果を生み出すために必要な外部の事実を理解することを保証します。

例

たとえば、パーソナライズされた食事とトレーニング計画を提供することを目標とするエージェントに与えられた2つのシステムプロンプトを考えてみましょう。

以上がコンテキストエンジニアリングは＆＃039; new＆＃039;迅速なエンジニアリングの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。