RAG 🟡
Potrzeba: Model potrzebuje aktualnej lub specjalistycznej wiedzy, której nie ma w treningu.
Wyjaśnienie: Retrieval-Augmented Generation — wstrzykujesz wyszukane dokumenty jako kontekst i instruujesz model, by nie wymyślał niczego poza nimi.
Format prompta:
„Użyj TYLKO poniższych informacji: [kontekst]. Odpowiedz na: [pytanie]. Jeśli nie wiesz — napisz ‘Nie wiem’.”
Przykład użycia w QA
„Na podstawie poniższej dokumentacji API: [fragment docs] — napisz test REST Assured weryfikujący endpoint /users. Nie wymyślaj parametrów, których nie ma w dokumentacji.”
Kiedy używać RAG?
Gdy AI musi pracować na Twoich danych — dokumentacji API, wymaganiach, specyfikacjach. Kluczowe zdanie: „Nie wymyślaj niczego poza podanym kontekstem.”
Few-Shot Prompting 🟢
Potrzeba: Model nie rozumie oczekiwanego formatu — dajesz mu przykłady zamiast tłumaczyć.
Wyjaśnienie: Podajesz 2-3 pary input→output jako wzorzec. Model naśladuje wzorzec. Fundamentalna technika zapewniająca powtarzalność.
Format prompta:
„Przykład 1: [input] → [output]. Przykład 2: [input] → [output]. Teraz: [twoje pytanie]“
Przykład użycia w QA
„‘Login fails with 500’ → Critical, Auth. ‘Typo in footer’ → Low, UI. Teraz: ‘Payment timeout after 30s’ → ?”
Kiedy używać Few-Shot?
Gdy potrzebujesz powtarzalnego formatu — klasyfikacja bugów, tagowanie, generowanie test cases w konkretnym szablonie. 2-3 przykłady wystarczą.
W następnym wpisie: ARC, ICE i TDS — trzy szybkie frameworki na codzienną pracę.