GPTsのInstructionを書くための重要なガイドライン
ポイント
以下のようなプロンプトを意識する。
Knowledgeに関するプロンプトのノウハウ
Actionsに関するプロンプトのノウハウ
感じたこと
OpenAIが初めて、
小さく管理しやすい大きさのプロンプトにせよ
可能な限り細かくステップを分解せよ
と明示している
やはり、GPTsを多機能にしすぎないが大事
いきなり複雑なプロンプトを書くのではなく、インクリメンタルプロンプティング(Agentic Workflow)のイメージを持つことが重要と裏付けられた。
経験的に、「非常に重要、Important」などをつけると効果的と言われていたが、この主張が裏付けられた。
どうしてもさせたい処理とか、Injection対策とかでこれらは活きていくる。
概要
カスタムGPTsへの移行に伴い、Instruction内で効果的なプロンプトエンジニアリングの実践を行うことが、GPTが信頼性と正確性を持って機能するために重要です。以下は、カスタムGPTでスムーズに進むための簡潔なガイドです。
Instructionの強化
1. 複雑な指示の簡素化
複数ステップの指示をよりシンプルで管理しやすいステップに分解し、モデルが正確に従うようにします。
「トリガー/指示のペア」を使用し、デリミタで区切ることで、ステップを結合したり飛ばしたりせずに信頼性を向上させます。
>トリガー：ユーザーが情報を提出する
> 指示：情報をテーマごとに分析する
>トリガー：テーマが分析される
>指示：分析されたテーマを活用し、推奨事項を箇条書きでまとめて提供する
2. 明確性のための構造
第2レベルの指示を別々のステップに分解し、実行の精度を向上させます。
デリミタを使用して、指示セットと少数例の呼び出しを明確にします。
>💡これは、以前から言われてたこと
>
3. 注意力の促進
「時間をかけて」、「深呼吸して」、「作業を確認して」といった技法を組み込み、モデルが徹底的に行うように促します。
>💡これも、OpenAIのベストプラクティスと同じ。
>
> Take a Deep Breatheが(本来の使われ方じゃないけど)面白いね
「強化言語」を使用して、指示の重要な部分を強調し、見落とされないようにします。
>💡 これは、「Important」 とか、「非常に重要」を使うという意味ね。
4. 否定的な指示の回避
指示を肯定的にフレーミングして、順守を改善し、混乱を避けます。
> 💡 これも、OpenAIのAPI版のプロンプトベストプラクティスに乗っていた内容
>
5. 細かいステップ
特に単一ステップ内で複数のアクションが必要な場合、可能な限り細かくステップを分解します。
>💡 単一責任の原則、やGPTsを多機能にしすぎないに通じている
6. 一貫性と明確性
評価の一貫性を高めるために、Few-Shotプロンプト（例えば、許容できる変更と許容できない変更）を使って、期待する用語や定義を明確に定義します。
出力の変動を減らすために、関連する分類をFew-Shotのプロンプトで明確にします。
>💡出力例(good or bad)をFew-shotで与えることで、より一貫性のある期待した成果物に近づけることができる。
>
> インクリメンタルプロンプティングにもあるとおり、自分の以前の成果物を出力例として与えるだけで、これは実現でき quick winの体験ができる。
>
ツールとアクションに対する特別な注意
1. ナレッジファイルの活用
ナレッジファイルの使用に関する明確な指示を提供し、ファイル名を指定します。
モデルに対して、全ファイルを分析し、包括的に活用するよう指示します。
2. ナレッジ抽出のプロンプトの具体性
特に重要な情報（例えば日付や財務情報）を抽出する際には、プロンプトに具体性を加えます。「少数例のプロンプト」を通じて具体例を示します。
>💡 Knowledgeファイルに対しても、抽出にFew-Shotを使うといいのか
ファイルから特定のデータを取得する際には、モデルが徹底的に確認し、時間をかけるように促します。
>💡例えばこのような指示を書けばいいか。
> - 非常に重要: ファイルから情報を抽出する際には、時間をかけて慎重に作業を行ってください。
3. 良い出力の例
GPTsのKnowledge機能とGPTsのActions機能に関する良い出力の例を提供します。
4. アクションの参照
アクションをより明確にするために、常に名前とドメインで参照する。
正しいアクションが呼び出されるように、必要に応じてAPIコールを使った「数発のプロンプト」例を提供する。
正しいアクションが呼び出されるように、異なるアクションステップに区切り記号を使用する。
5. ツール使用の明確な指示
これらのガイドラインに従うことで、カスタムGPTのパフォーマンスを最適化し、信頼性と正確性のある出力を保証できます。