Strategjitë e shpejta të projektimit

Dizajni i shpejtë është procesi i krijimit të kërkesave, ose kërkesave në gjuhë natyrore, që nxjerrin përgjigje të sakta dhe me cilësi të lartë nga një model gjuhësor.

Kjo faqe prezanton konceptet bazë, strategjitë dhe praktikat më të mira për t'ju ndihmuar të filloni hartimin e udhëzimeve për të përfituar sa më shumë nga modelet Gemini AI.

Udhëzues të shkurtër për temën specifike

Duke kërkuar strategji më specifike për nxitjen e informacionit? Shikoni udhëzuesit tanë të tjerë për nxitjen e informacionit në:

Mund të gjeni shembuj të tjerë të pyetjeve në galerinë e pyetjeve , të cilat synojnë të shfaqin në mënyrë interaktive shumë nga konceptet e ndara në këtë udhëzues.

Udhëzime të qarta dhe specifike

Një mënyrë efektive dhe efikase për të personalizuar sjelljen e modelit është t'i ofrosh atij udhëzime të qarta dhe specifike. Udhëzimet mund të jenë në formën e një pyetjeje, detyrave hap pas hapi ose aq komplekse sa hartëzimi i përvojës dhe mentalitetit të një përdoruesi.

Hyrje

Inputi është teksti i kërkuar në kërkesën për të cilën dëshironi që modeli t'i japë një përgjigje. Inputet mund të jenë një pyetje që modeli i përgjigjet (input pyetjeje), një detyrë që modeli kryen (input detyre), një entitet mbi të cilin modeli vepron (input entiteti) ose input i pjesshëm që modeli e përfundon ose e vazhdon (input përfundimi).

Lloji i hyrjes Nxitje Prodhimi i gjeneruar
Pyetje 

    What's a good name for a flower shop that specializes in selling bouquets of
    dried flowers? Create a list of 5 options with just the names.

    Here are 10 names for a flower shop specializing in dried flowers:

    1. Everlasting Blooms
    2. Dried & Delightful
    3. The Petal Preserve
    4. Whispers of Wildflowers
    5. Forever Blooms
Detyrë 
    Give me a simple list of just the things that I must bring on a camping trip. The list should have 5 items.
    1. **Tent:** Your shelter from the elements.
    2. **Sleeping Bag:** Stay warm and comfortable.
    3. **Sleeping Pad:** Insulation and cushioning for a good night's sleep.
    4. **Headlamp or Flashlight:** Light for nighttime activities.
    5. **First Aid Kit:** Be prepared for minor injuries.
Entitet 

    Classify the following items as [large, small]:
Elephant
Mouse
Snail

Here's the classification:

* **Elephant:** Large
* **Mouse:** Small
* **Snail:** Small

Përfundim i pjesshëm i hyrjes

Modelet gjeneruese të gjuhës funksionojnë si një mjet i avancuar i plotësimit automatik. Kur ofroni përmbajtje të pjesshme, modeli mund të ofrojë pjesën tjetër të përmbajtjes ose atë që mendon se është vazhdim i asaj përmbajtjeje si përgjigje. Kur veproni kështu, nëse përfshini ndonjë shembull ose kontekst, modeli mund t'i marrë parasysh ato shembuj ose kontekst.

Shembulli i mëposhtëm ofron një mesazh me një udhëzim dhe një input të entitetit:

For the given order, return a JSON object that has the fields cheeseburger, hamburger, fries, or
drink, with the value being the quantity.

Order: A burger and a drink.
  
{
  "cheeseburger": 0,
  "hamburger": 1,
  "fries": 0,
  "drink": 1
}

Ndërkohë që modeli veproi sipas kërkesës, shkrimi i udhëzimeve në gjuhë natyrore nganjëherë mund të jetë sfidues dhe i lë shumë hapësirë ​​interpretimit të modelit. Për shembull, një menu restoranti mund të përmbajë shumë artikuj. Për të zvogëluar madhësinë e përgjigjes JSON, ndoshta duhet të hiqni artikujt që nuk janë porositur. Në këtë rast, mund të jepni një shembull dhe një parashtesë përgjigjeje dhe ta lini modelin ta plotësojë atë:

Valid fields are cheeseburger, hamburger, fries, and drink.
Order: Give me a cheeseburger and fries
Output:
```
{
  "cheeseburger": 1,
  "fries": 1
}
```
Order: I want two burgers, a drink, and fries.
Output:
  
```
{
  "hamburger": 2,
  "drink": 1,
  "fries": 1
}
```

Vini re se si "cheeseburger" u përjashtua nga rezultati sepse nuk ishte pjesë e porosisë.

Kufizime

Specifikoni çdo kufizim në leximin e kërkesës ose gjenerimin e një përgjigjeje. Mund t'i tregoni modelit se çfarë të bëjë dhe çfarë të mos bëjë. Për shembull, mund të specifikoni një kufizim në kërkesë se sa e gjatë dëshironi të jetë një përmbledhje:

Summarize this text in one sentence:
Text: A quantum computer exploits quantum mechanical phenomena to perform calculations exponentially
faster than any modern traditional computer. At very tiny scales, physical matter acts as both
particles and as waves, and quantum computing uses specialized hardware to leverage this behavior.
The operating principles of quantum devices is beyond the scope of classical physics. When deployed
at scale, quantum computers could be used in a wide variety of applications such as: in
cybersecurity to break existing encryption methods while helping researchers create new ones, in
meteorology to develop better weather forecasting etc. However, the current state of the art quantum
computers are still largely experimental and impractical.
    

      Exploiting quantum mechanical phenomena, quantum computers can perform calculations exponentially faster than traditional computers for potential applications like cybersecurity and meteorology, although they are currently largely experimental and impractical.

Formati i përgjigjes

Mund të jepni udhëzime që specifikojnë formatin e përgjigjes. Për shembull, mund të kërkoni që përgjigjja të formatohet si tabelë, listë me pika, fjali elevator pitch, fjalë kyçe, fjali ose paragraf. Udhëzimi i mëposhtëm i sistemit i tregon modelit që të jetë më bisedor në përgjigjen e tij:

    All questions should be answered comprehensively with details, unless the user requests a concise response specifically.
  
    What is a smart way to make a business that sells DVD's in 2025?
  
Starting a business selling DVDs in 2025 presents significant challenges due to the overwhelming dominance of digital streaming and on-demand services; a "smart" approach would therefore require a highly specialized niche, a strong value proposition beyond just the disc, and likely a focus on community or collector markets rather than mainstream consumption.

Here's a breakdown of what a smart DVD business in 2025 would likely entail:

1. Extreme Niche Specialization: You cannot compete with streaming libraries. Your business must focus on what digital doesn't offer easily or at all. This could include:

    * Out-of-Print & Rare Titles: Sourcing films or TV shows that have never been released digitally or are currently unavailable on major streaming platforms.
    ....

Formatoni përgjigjet me strategjinë e përfundimit

Strategjia e përfundimit mund të ndihmojë gjithashtu në formatimin e përgjigjes. Shembulli i mëposhtëm e nxit modelin të krijojë një skicë eseje:

Create an outline for an essay about hummingbirds.
  
Here is a possible outline for an essay about hummingbirds:

I. Introduction
A. Hook: Start with a captivating fact or description about hummingbirds (e.g., their speed, iridescent colors, or tiny size).
B. Background: Briefly introduce hummingbirds – where they are found (Americas), their reputation as unique birds.
C. Thesis Statement: State the main point of the essay, which could be about the remarkable adaptations, behaviors, and ecological importance of hummingbirds.

II. Appearance and Identification
.....

Kërkesa nuk specifikonte formatin për skicën dhe modeli zgjodhi një format për ju. Që modeli të kthejë një skicë në një format specifik, mund të shtoni tekst që përfaqëson fillimin e skicës dhe ta lini modelin ta përfundojë atë bazuar në modelin që keni nisur.

Create an outline for an essay about hummingbirds.
I. Introduction
   *
  
Okay, here is an outline for an essay about hummingbirds, starting from the introduction you provided:

I. Introduction
* Hook: Start with a captivating fact or description about hummingbirds (e.g., their speed, iridescent colors, or tiny size).
* Background: Briefly introduce hummingbirds – where they are found (Americas), their reputation as unique birds, and their general characteristics.
* Thesis Statement: State the main point of the essay, focusing on the remarkable adaptations, behaviors, and ecological significance that make hummingbirds extraordinary.
.....

Kërkesat për zero goditje kundrejt atyre për pak goditje

Mund të përfshini shembuj në kërkesë që i tregojnë modelit se si duket ta bësh siç duhet. Modeli përpiqet të identifikojë modele dhe marrëdhënie nga shembujt dhe i zbaton ato kur gjeneron një përgjigje. Kërkesat që përmbajnë disa shembuj quhen kërkesa me pak të dhëna , ndërsa kërkesat që nuk ofrojnë shembuj quhen kërkesa me zero të dhëna . Kërkesat me pak të dhëna shpesh përdoren për të rregulluar formatimin, frazimin, përcaktimin e fushëveprimit ose modelimin e përgjithshëm të përgjigjeve të modelit. Përdorni shembuj specifikë dhe të larmishëm për të ndihmuar modelin të ngushtojë fokusin e tij dhe të gjenerojë rezultate më të sakta.

Ne ju rekomandojmë që gjithmonë të përfshini shembuj me pak shembuj në pyetjet tuaja. Pyetjet pa shembuj me pak shembuj ka të ngjarë të jenë më pak efektive. Në fakt, mund të hiqni udhëzime nga pyetja juaj nëse shembujt tuaj janë mjaftueshëm të qartë në shfaqjen e detyrës në fjalë.

Kërkesa e mëposhtme për rezultatin zero i kërkon modelit të zgjedhë shpjegimin më të mirë.

Please choose the best explanation to the question:

Question: How is snow formed?
Explanation1: Snow is formed when water vapor in the air freezes into ice
crystals in the atmosphere, which can combine and grow into snowflakes as they
fall through the atmosphere and accumulate on the ground.
Explanation2: Water vapor freezes into ice crystals forming snow.
Answer:
  
Explanation1 is the better explanation because it provides more detail on the
process, including how ice crystals combine and grow into snowflakes as they
fall through the atmosphere.

Nëse rasti juaj i përdorimit kërkon që modeli të prodhojë përgjigje koncize, mund të përfshini shembuj në kërkesë që u japin përparësi përgjigjeve koncize.

Kërkesa e mëposhtme ofron dy shembuj që tregojnë preferencë ndaj shpjegimeve më të shkurtra. Në përgjigje, mund të shihni se shembujt e udhëhoqën modelin të zgjidhte shpjegimin më të shkurtër ( Explanation2 ) në krahasim me shpjegimin më të gjatë ( Explanation1 ) siç bëri më parë.

Below are some examples showing a question, explanation, and answer format:

Question: Why is the sky blue?
Explanation1: The sky appears blue because of Rayleigh scattering, which causes
shorter blue wavelengths of light to be scattered more easily than longer red
wavelengths, making the sky look blue.
Explanation2: Due to Rayleigh scattering effect.
Answer: Explanation2

Question: What is the cause of earthquakes?
Explanation1: Sudden release of energy in the Earth's crust.
Explanation2: Earthquakes happen when tectonic plates suddenly slip or break
apart, causing a release of energy that creates seismic waves that can shake the
ground and cause damage.
Answer: Explanation1

Now, Answer the following question given the example formats above:

Question: How is snow formed?
Explanation1: Snow is formed when water vapor in the air freezes into ice
crystals in the atmosphere, which can combine and grow into snowflakes as they
fall through the atmosphere and accumulate on the ground.
Explanation2: Water vapor freezes into ice crystals forming snow.
Answer:
  
Answer: Explanation2

Numri optimal i shembujve

Modele si Gemini shpesh mund të dallojnë modele duke përdorur disa shembuj, megjithëse mund t'ju duhet të eksperimentoni me numrin e shembujve që do të jepni në kërkesë për rezultatet më të mira. Në të njëjtën kohë, nëse përfshini shumë shembuj, modeli mund të fillojë t'i përshtatet më shumë përgjigjes ndaj shembujve.

Modelet kundrejt anti-modeleve

Përdorimi i shembujve për t'i treguar modelit një model që duhet ndjekur është më efektiv sesa përdorimi i shembujve për t'i treguar modelit një anti-model që duhet shmangur.

⛔ Model negativ:

Don't end haikus with a question:
Haiku are fun
A short and simple poem
Don't you enjoy them?

✅ Model pozitiv:

Always end haikus with an assertion:
Haiku are fun
A short and simple poem
A joy to write

Formatim i qëndrueshëm

Sigurohuni që struktura dhe formatimi i shembujve me pak shembuj të jenë të njëjta për të shmangur përgjigjet me formate të padëshiruara. Një nga objektivat kryesorë të shtimit të shembujve me pak shembuj në udhëzime është t'i tregohet modelit formati i përgjigjes. Prandaj, është thelbësore të sigurohet një format i qëndrueshëm në të gjithë shembujt, duke i kushtuar vëmendje veçanërisht etiketave XML, hapësirave të bardha, rreshtave të rinj dhe ndarësve të shembujve.

Shto kontekst

Mund të përfshish udhëzime dhe informacione në një kërkesë që modeli ka nevojë për të zgjidhur një problem, në vend që të supozosh se modeli ka të gjithë informacionin e kërkuar. Ky informacion kontekstual e ndihmon modelin të kuptojë kufizimet dhe detajet e asaj që po i kërkon të bëjë.

Shembulli i mëposhtëm i kërkon modelit të japë udhëzime për zgjidhjen e problemeve për një ruter:

What should I do to fix my disconnected wifi? The light on my Google
Wifi router is yellow and blinking slowly.
  
  A yellow blinking light on your Google Wifi router usually indicates a problem
  with the internet connection. Here are some steps to troubleshoot and fix the
  issue:
  1. Restart your router and modem:
    - Unplug your modem from the power outlet and wait for 30 seconds.
    - Plug your modem back in and wait for it to fully boot up.
    - Unplug your Google Wifi router and wait for 30 seconds.
    - Plug your Google Wifi router back in and wait for it to fully boot up.
.....

Përgjigja duket si informacion i përgjithshëm për zgjidhjen e problemeve që nuk është specifik për routerin ose statusin e dritave treguese LED.

Për të personalizuar përgjigjen për routerin specifik, mund t'i shtoni kërkesës udhëzuesin e zgjidhjes së problemeve të routerit si kontekst që ai t'i referohet kur jepni një përgjigje.

Answer the question using the text below. Respond with only the text provided.
Question: What should I do to fix my disconnected wifi? The light on my Google Wifi router is yellow and blinking slowly.

Text:
Color: Slowly pulsing yellow
What it means: There is a network error.
What to do:
Check that the Ethernet cable is connected to both your router and your modem and both devices are turned on. You might need to unplug and plug in each device again.

Color: Fast blinking yellow
What it means: You are holding down the reset button and are factory resetting this device.
What to do:
If you keep holding down the reset button, after about 12 seconds, the light will turn solid yellow. Once it is solid yellow, let go of the factory reset button.

Color: Solid yellow
What it means: Router is factory resetting.
What to do:
This can take up to 10 minutes. When it's done, the device will reset itself and start pulsing white, letting you know it's ready for setup.

Color: Solid red
What it means: Something is wrong.
What to do:
Critical failure. Factory reset the router. If the light stays red, contact Wifi customer support.
  
Check that the Ethernet cable is connected to both your router and your modem and both devices are turned on. You might need to unplug and plug in each device again.

Shto prefikset

Një parashtesë është një fjalë ose frazë që i shtoni përmbajtjes së kërkesës që mund të shërbejë për disa qëllime, varësisht nga vendi ku e vendosni parashtesën:

  • Parashtesa e hyrjes: Shtimi i një parashtese në hyrje sinjalizon pjesë semantikisht të rëndësishme të hyrjes në model. Për shembull, parashtesa "Anglisht:" dhe "Frëngjisht:" dallojnë dy gjuhë të ndryshme.
  • Parashtesa e daljes: Edhe pse rezultati gjenerohet nga modeli, mund të shtoni një parashtesë për rezultatin në njoftim. Parashtesa e daljes i jep modelit informacion në lidhje me atë që pritet si përgjigje. Për shembull, parashtesa e daljes "JSON:" i sinjalizon modelit se rezultati duhet të jetë në formatin JSON.
  • Shembull parashtese: Në kërkesat me pak goditje, shtimi i parashtesave në shembuj ofron etiketa që modeli mund t'i përdorë kur gjeneron rezultatin, gjë që e bën më të lehtë analizimin e përmbajtjes së rezultatit.

Në shembullin vijues, "Tekst:" është parashtesa e hyrjes dhe "Përgjigja është:" është parashtesa e daljes.

Classify the text as one of the following categories.
- large
- small
Text: Rhino
The answer is: large
Text: Mouse
The answer is: small
Text: Snail
The answer is: small
Text: Elephant
The answer is:
  
The answer is: large

Ndani kërkesat në komponentë

Për rastet e përdorimit që kërkojnë udhëzime komplekse, mund ta ndihmoni modelin të menaxhojë këtë kompleksitet duke i ndarë gjërat në komponentë më të thjeshtë.

  1. Zbërtheni udhëzimet: Në vend që të keni shumë udhëzime në një kërkesë të vetme, krijoni një kërkesë për çdo udhëzim. Mund të zgjidhni se cilën kërkesë të përpunoni bazuar në të dhënat e përdoruesit.

  2. Kërkesat zinxhir: Për detyra komplekse që përfshijnë hapa të shumtë të njëpasnjëshëm, bëjeni çdo hap një kërkesë dhe lidhini kërkesat së bashku në një sekuencë. Në këtë zinxhir të njëpasnjëshëm kërkesash, rezultati i një pyetjeje në sekuencë bëhet hyrja e kërkesës tjetër. Rezultati i kërkesës së fundit në sekuencë është rezultati përfundimtar.

  3. Përgjigje të agregueshme: Agregimi është kur dëshironi të kryeni detyra të ndryshme paralele në pjesë të ndryshme të të dhënave dhe të agregoni rezultatet për të prodhuar rezultatin përfundimtar. Për shembull, mund t'i thoni modelit të kryejë një operacion në pjesën e parë të të dhënave, të kryejë një operacion tjetër në pjesën tjetër të të dhënave dhe të agregojë rezultatet.

Eksperimentoni me parametrat e modelit

Çdo thirrje që i dërgoni një modeli përfshin vlera parametrash që kontrollojnë mënyrën se si modeli gjeneron një përgjigje. Modeli mund të gjenerojë rezultate të ndryshme për vlera të ndryshme parametrash. Eksperimentoni me vlera të ndryshme parametrash për të marrë vlerat më të mira për detyrën. Parametrat e disponueshëm për modele të ndryshme mund të ndryshojnë. Parametrat më të zakonshëm janë si më poshtë:

  1. Maksimumi i tokenëve të daljes: Specifikon numrin maksimal të tokenëve që mund të gjenerohen në përgjigje. Një token është afërsisht katër karaktere. 100 tokena korrespondojnë me afërsisht 60-80 fjalë.

  2. Temperatura: Temperatura kontrollon shkallën e rastësisë në përzgjedhjen e tokenëve. Temperatura përdoret për marrjen e mostrave gjatë gjenerimit të përgjigjeve, gjë që ndodh kur aplikohen topP dhe topK . Temperaturat më të ulëta janë të mira për kërkesat që kërkojnë një përgjigje më deterministe ose më pak të hapur, ndërsa temperaturat më të larta mund të çojnë në rezultate më të larmishme ose krijuese. Një temperaturë prej 0 është deterministe, që do të thotë se gjithmonë zgjidhet përgjigja me probabilitetin më të lartë.

  3. topK : Parametri topK ndryshon mënyrën se si modeli zgjedh tokenat për dalje. Një topK prej 1 do të thotë që tokeni i zgjedhur është më i mundshmi midis të gjithë tokenave në fjalorin e modelit (i quajtur edhe dekodim lakmitar), ndërsa një topK prej 3 do të thotë që tokeni tjetër zgjidhet nga 3 më të mundshmit duke përdorur temperaturën. Për çdo hap të përzgjedhjes së tokenave, tokenat topK me probabilitetet më të larta merren si mostra. Tokenat më pas filtrohen më tej bazuar në topP me tokenin përfundimtar të zgjedhur duke përdorur marrjen e mostrave të temperaturës.

  4. topP : Parametri topP ndryshon mënyrën se si modeli zgjedh tokenat për dalje. Tokenat zgjidhen nga më i mundshmi në më pak të mundshmin derisa shuma e probabiliteteve të tyre të jetë e barabartë me vlerën topP . Për shembull, nëse tokenat A, B dhe C kanë një probabilitet prej 0.3, 0.2 dhe 0.1 dhe vlera topP është 0.5, atëherë modeli do të zgjedhë ose A ose B si tokenin tjetër duke përdorur temperaturën dhe do të përjashtojë C si kandidat. Vlera e parazgjedhur topP është 0.95.

  5. stop_sequences : Vendos një sekuencë ndalimi për t'i thënë modelit të ndalojë gjenerimin e përmbajtjes. Një sekuencë ndalimi mund të jetë çdo sekuencë karakteresh. Mundohu të shmangësh përdorimin e një sekuence karakteresh që mund të shfaqen në përmbajtjen e gjeneruar.

Strategjitë e përsëritjes së shpejtë

Dizajni i pyetjeve të shpejta ndonjëherë mund të kërkojë disa përsëritje përpara se të merrni vazhdimisht përgjigjen që kërkoni. Ky seksion ofron udhëzime për disa gjëra që mund të provoni kur përsëritni pyetjet tuaja të shpejta:

  1. Përdorni frazime të ndryshme: Përdorimi i fjalëve ose frazimeve të ndryshme në pyetjet tuaja shpesh jep përgjigje të ndryshme nga modeli, edhe pse të gjitha nënkuptojnë të njëjtën gjë. Nëse nuk po merrni rezultatet e pritura nga pyetja juaj, provoni ta riformuloni atë. 

    Version 1:
How do I bake a pie?

Version 2:
Suggest a recipe for a pie.

Version 3:
What's a good pie recipe?

  2. Kaloni në një detyrë analoge: Nëse nuk mund ta bëni modelin të ndjekë udhëzimet tuaja për një detyrë, provoni t'i jepni udhëzime për një detyrë analoge që arrin të njëjtin rezultat.

    Kjo kërkesë i tregon modelit të kategorizojë një libër duke përdorur kategori të paracaktuara:

    Which category does The Odyssey belong to:
thriller
sci-fi
mythology
biography
  
        The Odyssey belongs to the category of **mythology**. 

    Here's why:

    * **Mythology:** The Odyssey tells the story of Odysseus, a hero from Greek mythology, and his
    journey home after the Trojan War. It features gods, monsters, and supernatural events common to
    Greek mythology.
.....

    Përgjigja është e saktë, por modeli nuk qëndroi brenda kufijve të opsioneve. Gjithashtu, duhet të modeloni që të përgjigjet vetëm me një nga opsionet në vend që të përgjigjet me një fjali të plotë. Në këtë rast, mund t'i riformuloni udhëzimet si një pyetje me zgjedhje të shumëfishta dhe t'i kërkoni modelit të zgjedhë një opsion.

    Multiple choice problem: Which of the following options describes the book The Odyssey?
Options:
    


      

    • thriller
      • 

    • sci-fi
      • 

    • mythology
      • 

    • biography

    The correct answer is mythology.

  3. Ndryshoni rendin e përmbajtjes së kërkesës: Rendi i përmbajtjes në kërkesë ndonjëherë mund të ndikojë në përgjigje. Provoni të ndryshoni rendin e përmbajtjes dhe shikoni se si kjo ndikon në përgjigje. 

    Version 1:
[examples]
[context]
[input]

Version 2:
[input]
[examples]
[context]

Version 3:
[examples]
[input]
[context]

Përgjigjet rezervë

Një përgjigje rezervë është një përgjigje e kthyer nga modeli kur ose kërkesa ose përgjigja aktivizon një filtër sigurie. Një shembull i një përgjigjeje rezervë është "Nuk jam në gjendje të ndihmoj me këtë, pasi jam vetëm një model gjuhe".

Nëse modeli përgjigjet me një përgjigje rezervë, provoni të rrisni temperaturën.

Gjëra për t'u shmangur

  • Shmangni mbështetjen në modele për të gjeneruar informacion faktik.
  • Përdoreni me kujdes në problemet e matematikës dhe logjikës.

Binjakët 3

Modelet Gemini 3 janë të dizajnuara për arsyetim të avancuar dhe ndjekje udhëzimesh. Ato i përgjigjen më së miri kërkesave që janë të drejtpërdrejta, të strukturuara mirë dhe që përcaktojnë qartë detyrën dhe çdo kufizim. Praktikat e mëposhtme rekomandohen për rezultate optimale me Gemini 3:

Parimet kryesore të nxitjes

  • Ji i saktë dhe i drejtpërdrejtë: Shpreh qëllimin tënd qartë dhe shkurt. Shmang gjuhën e panevojshme ose tepër bindëse.
  • Përdorni strukturë të qëndrueshme: Përdorni ndarës të qartë për të ndarë pjesë të ndryshme të kërkesës suaj. Etiketat në stilin XML (p.sh., <context> , <task> ) ose titujt Markdown janë efektivë. Zgjidhni një format dhe përdoreni atë në mënyrë të qëndrueshme brenda një prompti të vetëm.
  • Përcaktoni parametrat: Shpjegoni në mënyrë të qartë çdo term ose parametër të paqartë.
  • Kontrolloni hollësinë e rezultatit: Si parazgjedhje, Gemini 3 ofron përgjigje të drejtpërdrejta dhe efikase. Nëse keni nevojë për një përgjigje më bisedore ose të detajuar, duhet ta kërkoni atë në mënyrë të qartë në udhëzimet tuaja.
  • Trajtoni të dhënat multimodale në mënyrë koherente: Kur përdorni tekst, imazhe, audio ose video, trajtojini ato si të dhëna të klasës së barabartë. Sigurohuni që udhëzimet tuaja të përmendin qartë çdo modalitet sipas nevojës.
  • Përparësoni udhëzimet kritike: Vendosni kufizimet thelbësore të sjelljes, përkufizimet e roleve (personat) dhe kërkesat e formatit të daljes në Udhëzimin e Sistemit ose në fillim të kërkesës së përdoruesit.
  • Struktura për kontekste të gjata: Kur jepni sasi të mëdha konteksti (p.sh., dokumente, kod), së pari jepni të gjithë kontekstin. Vendosni udhëzimet ose pyetjet tuaja specifike në fund të pyetjes.
  • Konteksti i ankorimit: Pas një blloku të madh të dhënash, përdorni një frazë të qartë kalimtare për të lidhur kontekstin dhe pyetjen tuaj, si p.sh. "Bazuar në informacionin e mësipërm..."

Përmirësimi i arsyetimit dhe planifikimit

Mund të shfrytëzoni aftësitë e përparuara të të menduarit të Gemini 3 për të përmirësuar cilësinë e përgjigjes së tij për detyra komplekse duke e nxitur atë të planifikojë ose të vetëkritikojë përpara se të japë përgjigjen përfundimtare.

Shembull - Planifikim i qartë: 

Before providing the final answer, please:
1. Parse the stated goal into distinct sub-tasks.
2. Check if the input information is complete.
3. Create a structured outline to achieve the goal.

Shembull - Autokritikë: 

Before returning your final response, review your generated output against the user's original constraints.
1. Did I answer the user's *intent*, not just their literal words?
2. Is the tone authentic to the requested persona?

Shembuj të nxitjes së strukturuar

Përdorimi i etiketave ose Markdown ndihmon modelin të bëjë dallimin midis udhëzimeve, kontekstit dhe detyrave.

Shembull XML: 

<role>
You are a helpful assistant.
</role>

<constraints>
1. Be objective.
2. Cite sources.
</constraints>

<context>
[Insert User Input Here - The model knows this is data, not instructions]
</context>

<task>
[Insert the specific user request here]
</task>

Shembull i uljes së çmimit: 

# Identity
You are a senior solution architect.

# Constraints
- No external libraries allowed.
- Python 3.11+ syntax only.

# Output format
Return a single code block.

Shembull modeli që kombinon praktikat më të mira

Ky shabllon kap parimet kryesore për nxitjen me Gemini 3. Gjithmonë sigurohuni që ta përsërisni dhe modifikoni për rastin tuaj specifik të përdorimit.

Udhëzime për sistemin: 

<role>
You are Gemini 3, a specialized assistant for [Insert Domain, e.g., Data Science].
You are precise, analytical, and persistent.
</role>

<instructions>
1. **Plan**: Analyze the task and create a step-by-step plan.
2. **Execute**: Carry out the plan.
3. **Validate**: Review your output against the user's task.
4. **Format**: Present the final answer in the requested structure.
</instructions>

<constraints>
- Verbosity: [Specify Low/Medium/High]
- Tone: [Specify Formal/Casual/Technical]
</constraints>

<output_format>
Structure your response as follows:
1. **Executive Summary**: [Short overview]
2. **Detailed Response**: [The main content]
</output_format>

Kërkesa e përdoruesit: 

<context>
[Insert relevant documents, code snippets, or background info here]
</context>

<task>
[Insert specific user request here]
</task>

<final_instruction>
Remember to think step-by-step before answering.
</final_instruction>

Flukset e punës së agjentëve

Për rrjedhat e punës së agjentëve të thellë, shpesh kërkohen udhëzime specifike për të kontrolluar se si modeli arsyeton, planifikon dhe ekzekuton detyrat. Ndërsa Gemini ofron performancë të përgjithshme të fortë, agjentët kompleksë shpesh kërkojnë që ju të konfiguroni kompromisin midis kostos llogaritëse (latencës dhe tokenëve) dhe saktësisë së detyrës.

Kur hartoni kërkesa për agjentët, merrni parasysh dimensionet e mëposhtme të sjelljes që mund të drejtoni tek agjenti:

Arsyetimi dhe strategjia

Konfigurimi për mënyrën se si modeli mendon dhe planifikon përpara se të ndërmarrë veprime.

  • Zbërthimi logjik: Përcakton se sa tërësisht duhet të analizojë modeli kufizimet, parakushtet dhe rendin e operacioneve.
  • Diagnoza e problemit : Kontrollon thellësinë e analizës gjatë identifikimit të shkaqeve dhe përdorimin e arsyetimit rrëmbyes nga modeli. Përcakton nëse modeli duhet të pranojë përgjigjen më të dukshme apo të eksplorojë shpjegime komplekse dhe më pak të mundshme.
  • Plotësimi i plotë i informacionit: Kompromisi midis analizimit të çdo politike dhe dokumenti të disponueshëm kundrejt dhënies së përparësisë së efikasitetit dhe shpejtësisë.

Ekzekutimi dhe besueshmëria

Konfigurim për mënyrën se si agjenti vepron në mënyrë autonome dhe përballon pengesat.

  • Përshtatshmëria: Si reagon modeli ndaj të dhënave të reja. Përcakton nëse duhet t'i përmbahet në mënyrë strikte planit të tij fillestar apo të ndryshojë menjëherë kur vëzhgimet bien ndesh me supozimet.
  • Qëndrueshmëria dhe Rimëkëmbja: Shkalla në të cilën modeli përpiqet të vetëkorrigjojë gabimet. Qëndrueshmëria e lartë rrit shkallën e suksesit, por rrezikon kosto më të larta të tokenëve ose cikle.
  • Vlerësimi i Rrezikut: Logjika për vlerësimin e pasojave. Bën dallimin e qartë midis veprimeve eksploruese me rrezik të ulët (leximet) dhe ndryshimeve të gjendjes me rrezik të lartë (shkrimet).

Ndërveprimi dhe rezultati

Konfigurimi për mënyrën se si agjenti komunikon me përdoruesin dhe formaton rezultatet.

  • Paqartësia dhe trajtimi i lejeve: Përcakton kur modelit i lejohet të bëjë supozime kundrejt kur duhet të ndalojë ekzekutimin për t'i kërkuar përdoruesit sqarime ose leje.
  • Fjalëzgjatja: Kontrollon vëllimin e tekstit të gjeneruar së bashku me thirrjet e mjeteve. Kjo përcakton nëse modeli ia shpjegon veprimet e tij përdoruesit apo mbetet i heshtur gjatë ekzekutimit.
  • Saktësia dhe plotësia: Besnikëria e kërkuar e rezultatit. Specifikon nëse modeli duhet të zgjidhë çdo rast skaji dhe të ofrojë shifra të sakta ose nëse vlerësimet e përafërta janë të pranueshme.

Shablloni i udhëzimeve të sistemit

Udhëzimi i mëposhtëm i sistemit është një shembull që është vlerësuar nga studiuesit për të përmirësuar performancën në testet e agjentëve ku modeli duhet t'i përmbahet një rregulloreje komplekse dhe të bashkëveprojë me një përdorues. Ai inkurajon agjentin të veprojë si një arsyetues dhe planifikues i fortë, zbaton sjellje specifike në të gjitha dimensionet e listuara më sipër dhe kërkon që modeli të planifikojë në mënyrë proaktive përpara se të ndërmarrë ndonjë veprim.

Mund ta përshtatni këtë shabllon sipas kufizimeve tuaja specifike të rasteve të përdorimit. 

You are a very strong reasoner and planner. Use these critical instructions to structure your plans, thoughts, and responses.

Before taking any action (either tool calls *or* responses to the user), you must proactively, methodically, and independently plan and reason about:

1) Logical dependencies and constraints: Analyze the intended action against the following factors. Resolve conflicts in order of importance:
    1.1) Policy-based rules, mandatory prerequisites, and constraints.
    1.2) Order of operations: Ensure taking an action does not prevent a subsequent necessary action.
        1.2.1) The user may request actions in a random order, but you may need to reorder operations to maximize successful completion of the task.
    1.3) Other prerequisites (information and/or actions needed).
    1.4) Explicit user constraints or preferences.

2) Risk assessment: What are the consequences of taking the action? Will the new state cause any future issues?
    2.1) For exploratory tasks (like searches), missing *optional* parameters is a LOW risk. **Prefer calling the tool with the available information over asking the user, unless** your `Rule 1` (Logical Dependencies) reasoning determines that optional information is required for a later step in your plan.

3) Abductive reasoning and hypothesis exploration: At each step, identify the most logical and likely reason for any problem encountered.
    3.1) Look beyond immediate or obvious causes. The most likely reason may not be the simplest and may require deeper inference.
    3.2) Hypotheses may require additional research. Each hypothesis may take multiple steps to test.
    3.3) Prioritize hypotheses based on likelihood, but do not discard less likely ones prematurely. A low-probability event may still be the root cause.

4) Outcome evaluation and adaptability: Does the previous observation require any changes to your plan?
    4.1) If your initial hypotheses are disproven, actively generate new ones based on the gathered information.

5) Information availability: Incorporate all applicable and alternative sources of information, including:
    5.1) Using available tools and their capabilities
    5.2) All policies, rules, checklists, and constraints
    5.3) Previous observations and conversation history
    5.4) Information only available by asking the user

6) Precision and Grounding: Ensure your reasoning is extremely precise and relevant to each exact ongoing situation.
    6.1) Verify your claims by quoting the exact applicable information (including policies) when referring to them. 

7) Completeness: Ensure that all requirements, constraints, options, and preferences are exhaustively incorporated into your plan.
    7.1) Resolve conflicts using the order of importance in #1.
    7.2) Avoid premature conclusions: There may be multiple relevant options for a given situation.
        7.2.1) To check for whether an option is relevant, reason about all information sources from #5.
        7.2.2) You may need to consult the user to even know whether something is applicable. Do not assume it is not applicable without checking.
    7.3) Review applicable sources of information from #5 to confirm which are relevant to the current state.

8) Persistence and patience: Do not give up unless all the reasoning above is exhausted.
    8.1) Don't be dissuaded by time taken or user frustration.
    8.2) This persistence must be intelligent: On *transient* errors (e.g. please try again), you *must* retry **unless an explicit retry limit (e.g., max x tries) has been reached**. If such a limit is hit, you *must* stop. On *other* errors, you must change your strategy or arguments, not repeat the same failed call.

9) Inhibit your response: only take an action after all the above reasoning is completed. Once you've taken an action, you cannot take it back.

Modele gjenerative nën kapuç

Ky seksion synon t'i përgjigjet pyetjes - A ka rastësi në përgjigjet e modeleve gjeneruese, apo janë ato deterministe?

Përgjigja e shkurtër - po për të dyja. Kur ju kërkoni një model gjenerues, një përgjigje tekstuale gjenerohet në dy faza. Në fazën e parë, modeli gjenerues përpunon kërkesën hyrëse dhe gjeneron një shpërndarje probabiliteti mbi tokenët (fjalët) e mundshme që ka të ngjarë të vijnë më pas. Për shembull, nëse ju kërkoni me tekstin hyrës "Qeni kërceu mbi ...", modeli gjenerues do të prodhojë një varg fjalësh të mundshme të ardhshme: 

[("fence", 0.77), ("ledge", 0.12), ("blanket", 0.03), ...]

Ky proces është determinist; një model gjenerues do të prodhojë të njëjtën shpërndarje sa herë që futet i njëjti tekst i kërkesës.

Në fazën e dytë, modeli gjenerues i konverton këto shpërndarje në përgjigje aktuale tekstuale përmes njërës prej disa strategjive të dekodimit. Një strategji e thjeshtë dekodimi mund të zgjedhë tokenin më të mundshëm në çdo hap kohor. Ky proces do të ishte gjithmonë determinist. Megjithatë, në vend të kësaj, ju mund të zgjidhni të gjeneroni një përgjigje duke marrë mostra rastësisht mbi shpërndarjen e kthyer nga modeli. Ky proces do të ishte stokastik (i rastësishëm). Kontrolloni shkallën e rastësisë së lejuar në këtë proces dekodimi duke vendosur temperaturën. Një temperaturë prej 0 do të thotë që zgjidhen vetëm tokenët më të mundshëm dhe nuk ka rastësi. Anasjelltas, një temperaturë e lartë injekton një shkallë të lartë rastësie në tokenët e zgjedhur nga modeli, duke çuar në përgjigje më të papritura dhe surprizuese të modelit. Për Gemini 3 , rekomandohet të mos ndryshoni temperaturën e parazgjedhur prej 1.0 për të shmangur rezultatet e papritura.

Hapat e ardhshëm