book

Engenharia prompt para IA generativa

by James Phoenix, Mike Taylor

March 2025

Intermediate to advanced

422 pages

10h 54m

Portuguese (Portugal, Brazil)

O'Reilly Media, Inc.

Book available

Read now

Unlock full access

Requisitos de software para este livroConvenções utilizadas neste livroUtilizar exemplos de códigoAprendizagem em linha da O'ReillyComo contactar-nosAgradecimentos
Visão geral dos cinco princípios do prompt1. Dá uma direção2. Especifica o formato3. Apresenta exemplos4. Avalia a qualidade5. Divide o trabalhoResumo
O que são modelos de geração de texto?Representações vetoriais: A Essência Numérica da LinguagemArquitetura de Transformação: Orquestração de relações contextuaisGeração de texto probabilístico: O mecanismo de decisãoFundamentos históricos: A ascensão das arquitecturas de transformadorTransformadores pré-treinados generativos da OpenAIGPT-3.5-turbo e ChatGPTGPT-4Gemini da GoogleA Lhama da Meta e o código abertoAproveitamento da quantização e do LoRAMistralAntropica: ClaudeGPT-4V(isão)Comparação de modelosResumo
Geração de listasGeração de listas hierárquicasQuando evitar a utilização de expressões regularesGerar JSONYAMLFiltragem de cargas YAMLManipulação de cargas inválidas em YAMLGeração de formatos diversificados com o ChatGPTSimulação de dados CSVExplica como se eu tivesse cinco anosTradução universal através dos LLMsPergunta pelo contextoSeparação de estilos de textoIdentificar as caraterísticas textuais desejadasGeração de novos conteúdos com as caraterísticas extraídasExtração de caraterísticas textuais específicas com LLMsSumarizaçãoResumir as limitações de uma janela de contextoSeparação de textoVantagens de dividir o texto em partesCenários para fragmentar o textoExemplo de fragmentação deficienteEstratégias de fragmentaçãoDeteção de frases utilizando o SpaCyConstrói um Algoritmo de Chunking Simples em PythonJanelas de correr com trincosPacotes de fragmentação de textoSeparação de texto com TiktokenCodificaçõesEntendendo a Tokenização de StringsEstimativa do uso de token para chamadas à API de chatAnálise de sentimentosTécnicas para melhorar a análise de sentimentosLimitações e desafios da análise de sentimentosDo menos ao maisPlanear a arquiteturaCodificação de funções individuaisAdicionar testesVantagens da técnica do mínimo ao máximoDesafios com a técnica do menos ao maisPrompting de funçõesBenefícios do Role PromptingDesafios do Role PromptingQuando utilizar o prompt de funçãoTácticas de prompt do GPTEvitar alucinações com referênciaDá aos GPTs "tempo para pensar"A tática do monólogo interiorRespostas de autoavaliação do LLMClassificação com LLMsCriar um modelo de classificaçãoVoto por maioria para a classificaçãoAvaliação dos critériosMeta PromptingResumo
Introdução à LangChainConfiguração do ambienteModelos de chatModelos de chat em fluxo contínuoCriar várias gerações de LLMModelos de prompt LangChainLinguagem de Expressão LangChain (LCEL)Usando PromptTemplate com modelos de chatAnalisadores de saídaAvaliações LangChainChamada de funções OpenAIChamada de função paralelaChamada de funções em LangChainExtrair dados com LangChainPlaneamento de consultasCriar modelos de prompt de poucas fotosExemplos de poucos disparos de comprimento fixoFormatar os exemplosSeleção de exemplos de poucos disparos por comprimentoLimitações com exemplos de poucos disparosGuardar e carregar prompts LLMLigação de dadosCarregadores de documentosSeparadores de textoDivisão de texto por comprimento e tamanho de tokenDivisão de texto com divisão recursiva de caracteresDecomposição de tarefasEncadeamento promptCadeia sequencialitemgetter e extração de chave de dicionárioEstruturação das cadeias LCELCadeias de documentosCoisasRefinarRedução de mapasRe-ranquear mapaResumo
Geração Aumentada de Recuperação (RAG)Apresentando EmbeddingsCarregamento de documentosRecuperação de memória com FAISSRAG com LangChainBases de dados vetoriais alojadas com PineconeAuto-questionamentoMecanismos de recuperação alternativosResumo
Cadeia de pensamentoAgentesReage e age (ReAct)Aplicação do Raciocínio e do AtoUtilizar ferramentasUtilizar LLMs como uma API (Funções OpenAI)Comparação entre as funções OpenAI e ReactCasos de utilização das funções OpenAIReActCasos de utilização do ReactFerramentas para agentesPersonalização de agentes standardAgentes aduaneiros em LCELCompreender e utilizar a memóriaMemória a longo prazoMemória de curto prazoMemória de curto prazo em agentes de conversação de GQMemória em LangChainPreservar o EstadoConsultar o EstadoConversationBufferMemoryOutros tipos de memória populares em LangChainConversationBufferWindowMemoryConversationSummaryMemory (Memória do resumo da conversa)ConversationSummaryBufferMemoryConversationTokenBufferMemoryFunções do OpenAI Agente com memóriaEstruturas avançadas de agentesAgentes de planeamento e execuçãoÁrvore dos PensamentosChamadas de retornoCallbacks globais (Construtor)Callbacks específicos do pedidoO argumento verbosoQuando utilizar o Which?Contagem de tokens com LangChainResumo
OpenAI DALL-EA meio da viagemDifusão estávelGoogle GeminiTexto para vídeoComparação de modelosResumo
Modificadores de formatoModificadores de estilo artísticoPrompts de Engenharia InversaReforços de qualidadePrompts negativosTermos ponderadosPrompting com uma imagemPintarPintura exteriorPersonagens consistentesReescreve o promptSeparação de memesMapeamento de MemeAnálise do promptResumo
Executa a difusão estávelInterface de utilizador Web AUTOMATIC1111Img2ImgAumentar a escala de imagensInterroga o CLIPSD Inpainting e OutpaintingControlNetModelo de qualquer segmento (SAM)Afinação do DreamBoothRefinador XL de difusão estávelResumo

Escrever um blogue sobre IAPesquisa sobre o temaEntrevista com o especialistaGerar esboçoGeração de textoEstilo de escritaOtimização do títuloImagens do blogue da IAInterface do utilizadorResumo

Content preview from Engenharia prompt para IA generativa

Sobre os autores

Mike Taylor foi cofundador de uma agência de marketing de crescimento com 50 pessoas chamada Ladder, com escritórios nos EUA, Reino Unido e UE. Mais de 400.000 pessoas fizeram os seus cursos de marketing e IA no LinkedIn Learning, Udemy e Vexpower.

James Phoenix constrói condutas de dados fiáveis para equipas de marketing, automatizando milhares de tarefas recorrentes. Ensinou mais de 60 bootcamps de Ciência de Dados para a General Assembly e fez uma parceria com Mike no curso Udemy e Vexpower.

Ambos os autores têm experimentado a engenharia prompt desde a versão beta do GPT-3 em 2020. Lentamente, automatizaram cada parte do seu trabalho com IA e agora trabalham como engenheiros prompt em vários projectos.