Self-Consistency 🟡
Potrzeba: Potrzebujesz wyższej pewności odpowiedzi na złożony problem.
Wyjaśnienie: Generowanie wielu odpowiedzi (via CoT) i wybór najczęstszej/najlepszej — „głosowanie”.
Format prompta:
„Rozwiąż problem na 3 sposoby, porównaj wyniki i wybierz najlepszy.”
Przykład użycia w QA
„Zaproponuj 3 strategie pokrycia testowego dla modułu płatności. Porównaj i wybierz najskuteczniejszą.”
Meta Prompting 🟡
Potrzeba: Potrzebujesz, żeby AI napisało lepszy prompt niż Ty sam byś napisał.
Wyjaśnienie: Model generuje lub optymalizuje prompt — prompt tworzący prompt.
Format prompta:
„Napisz optymalny prompt do [zadanie], który da najlepsze wyniki z [model].”
Przykład użycia w QA
„Napisz optymalny prompt do generowania scenariuszy testowych API, który uwzględni edge cases, format Gherkin i priorytety.”
Least-to-Most 🟡
Potrzeba: Problem jest zbyt złożony na jeden prompt — trzeba go rozbić na mniejsze kawałki.
Wyjaśnienie: Dzielisz problem na podproblemy, rozwiązujesz od najprostszego i budujesz na wynikach.
Format prompta:
„Podziel problem na mniejsze części. Rozwiąż najprostszą. Użyj wyniku do rozwiązania kolejnej.”
Przykład użycia w QA
„Jak przetestować cały flow płatności? 1) Najpierw: walidacja formularza. 2) Potem: integracja z payment gateway. 3) Na końcu: obsługa błędów i retry.”
PAL 🔴
Potrzeba: Potrzebujesz precyzyjnych obliczeń lub logiki — model wspiera się kodem.
Wyjaśnienie: Program-Aided Language — model generuje kod (Python, JS) jako narzędzie rozumowania zamiast liczyć samodzielnie.
Format prompta:
„Rozwiąż problem [X] używając kodu Python. Pokaż kod i wynik.”
Przykład użycia w QA
„Oblicz pokrycie testowe: 47 scenariuszy z 12 modułów, ale 3 moduły mają po 2 warianty konfiguracji. Napisz Python, który wyliczy minimalną liczbę testów.”
W następnym wpisie: RTF, CARE, CREATE i inne startery — proste frameworki na szybki start.