miniprompt
1.0.0
MiniPRomppt est une syntaxe d'entrée minimale pour générer des sorties complètes de LLMS (par exemple GPT-4). Avec une syntaxe simple et efficace, MiniPRomppt peut fournir des informations ou des réponses détaillées dans divers formats de sortie, tels que JSON, Javasrcipt ou d'autres langues.
Compatible avec? ️? Lubriole
Pour commencer à utiliser MiniPRomppt, vous devez définir la tâche, le modèle et le format de sortie souhaité. La syntaxe d'entrée est conçue pour être facile à utiliser et à comprendre, permettant aux utilisateurs de générer des sorties adaptées à leurs besoins. Exemple d'entrée
Définissez le format de tâche, de modèle et de sortie comme suit:
TASK: ScrumSprint,<=3 userStories,<=3 acceptanceCriteria,complexity(1-5),Scope: "Login page"
TEMPLATE: complexity,stories[complexity,story"As a User,I want …,so that …",criteria[When,Then]]
OUTPUT: JSON
Cette entrée générera une sortie JSON avec les exigences spécifiées.
Sur la base de l'entrée donnée, la sortie JSON suivante est générée:
{
"complexity" : 3 ,
"stories" : [
{
"complexity" : 3 ,
"story" : "As a User, I want to create an account, so that I can access the login page." ,
"criteria" : [
{
"When" : "I enter a valid email address and password" ,
"Then" : "I should be redirected to the login page"
} ,
{
"When" : "I enter an invalid email address or password" ,
"Then" : "I should see an error message"
} ,
{
"When" : "I try to create an account with an existing email address" ,
"Then" : "I should see an error message"
}
]
} ,
{
// …
} ,
{
// …
}
]
}Cette invite est conçue pour générer une sortie JSON des utilisateurs, chacune avec ses critères d'acceptation, pour un sprint Scrum axé sur une "page de connexion". Décomposons chaque partie de l'invite étape par étape:
TASK : Cela définit la tâche à effectuer. Dans ce cas, la tâche génére des informations pour un sprint Scrum.
ScrumSprint : le type de tâche à effectuer (un sprint Scrum).<=3 userStories : la sortie doit avoir un maximum de 3 histoires d'utilisateurs.<=3 acceptanceCriteria : Chaque utilisateur doit avoir un maximum de 3 critères d'acceptation.complexity(1-5) : La complexité de chaque utilisateur doit être évaluée entre 1 (moins complexe) et 5 (le plus complexe).Scope: "Login page" : La portée du Scrum Sprint est le développement d'une page de connexion. TEMPLATE : Cela définit le modèle de génération de la sortie. Le modèle est structuré comme suit:
complexity : incluez la complexité de l'état d'utilisateur dans la sortie.stories : incluez les histoires d'utilisateurs dans la sortie. Chaque utilisateur doit avoir les informations suivantes:complexity : l'évaluation de la complexité de l'état d'utilisateur.story"As a User, I want …, so that …" : L'utilisateur lui-même, écrit dans le format "en tant qu'utilisateur, je veux [goal] , de sorte que [reason] ".criteria[When, Then] : les critères d'acceptation pour l'état d'utilisateur, écrits dans le format "Quand [condition] , puis [expected outcome] ". OUTPUT : Cela définit le format souhaité de la sortie. Dans ce cas, la sortie doit être au format JSON.
Sur la base de cette invite, l'IA générera un objet JSON contenant jusqu'à 3 histoires d'utilisateurs, chacune avec jusqu'à 3 critères d'acceptation et leurs cotes de complexité. L'étendue de ces histoires d'utilisateurs est limitée au développement d'une page de connexion.
saisir
L'invite d'entrée se compose d'une tâche, d'un modèle et d'un format de sortie:
TASK: add a red box
TEMPLATE: const c=document.getElementById('c')
OUTPUT: JavaScript
TASK : La tâche consiste à ajouter une boîte rouge à l'aide de JavaScript.TEMPLATE : le modèle fourni comprend une partie du code JavaScript nécessaire pour dessiner la boîte rouge:OUTPUT : Le format de sortie souhaité est JavaScript.Sortir
const c = document . getElementById ( 'c' ) ;
const ctx = c . getContext ( '2d' ) ;
ctx . fillStyle = 'red' ;
ctx . fillRect ( 20 , 20 , 100 , 100 ) ; Dans certaines situations, la sortie générée par l'AI peut contenir des blocs de code intégrés dans le texte de marque. Pour gérer et interpréter correctement la sortie, il est conseillé d'utiliser un analyseur spécialement conçu pour extraire des blocs de code du contenu Markdown.
Envisagez d'utiliser un analyseur comme celui illustré ci-dessous pour extraire des blocs de code de la sortie générée par l'AI:
function extractCode ( string : string ) {
// The regular expression pattern to match the code block
const codeBlockPattern = / (`{3,})(w*)n([sS]*?)1 / g ;
// Find the matches using the regular expression
const matches = codeBlockPattern . exec ( string ) ;
if ( matches && matches . length >= 4 ) {
// Return content of the code block
return matches [ 3 ] ;
}
// No code block found, return original string
return string ;
}Cette fonction JavaScript, ExtractCode, utilise une expression régulière pour correspondre et extraire le contenu des blocs de code de la chaîne d'entrée. Si un bloc de code est trouvé, la fonction renvoie le contenu du bloc de code. Si aucun bloc de code n'est détecté, la chaîne d'entrée d'origine est renvoyée.
Bien qu'il ne soit pas obligatoire, l'utilisation d'un message système peut améliorer la cohérence et la précision des réponses générées par l'IA en s'assurant qu'ils adhèrent aux directives spécifiées.
Le message système sert d'instructions pour le modèle de langue AI, le guidant pour générer des réponses qui s'alignent sur les directives fournies et le format de sortie souhaité.
You are an Entity that strictly answers with the OUTPUT format. You strictly follows the TASK, TEMPLATE and OUTPUT guidelines.
Le message système a trois composants principaux que l'IA doit suivre strictement:
TASK : l'IA doit comprendre et terminer la tâche comme spécifié dans l'invite.TEMPLATE : L'IA doit utiliser le modèle donné pour structurer sa réponse, garantissant qu'il répond au format et à l'organisation requis.OUTPUT : L'IA doit fournir la réponse générée dans le format de sortie spécifié (par exemple, JSON, texte brut, etc.).Pour utiliser le message système dans vos invites, incluez simplement le message suivant au début de votre invite:
You are an Entity that strictly answers with the OUTPUT format. You strictly follow the TASK, TEMPLATE and OUTPUT guidelines.
Ensuite, fournissez les instructions de tâche, de modèle et de sortie au besoin. Le modèle de langue AI suivra ces instructions pour générer une réponse qui répond aux directives et au format spécifiés. Exemple
Utilisation du message système dans l'API OpenAI:
[
{
"role": "system",
"content": "You are an Entity that strictly answers with the OUTPUT format. You strictly follow the TASK, TEMPLATE and OUTPUT guidelines."
},
{
"role": "user",
"content": "TASK: ScrumSprint,<=3 userStories,<=3 acceptanceCriteria,complexity(1-5),Scope: "Login page"nTEMPLATE: complexity,stories[complexity,story"As a User,I want …,so that …",criteria[When,Then]]nOUTPUT: JSON."
}
]
Utilisation du message système dans une invite dans Chatgpt:
You are an Entity that strictly answers with the OUTPUT format. You strictly follow the TASK, TEMPLATE and OUTPUT guidelines.
TASK: ScrumSprint,<=3 userStories,<=3 acceptanceCriteria,complexity(1-5),Scope: "Login page"
TEMPLATE: complexity,stories[complexity,story"As a User,I want …,so that …",criteria[When,Then]]
OUTPUT: JSON
Avec cette invite, le modèle de langue AI générera une sortie JSON contenant jusqu'à 3 histoires d'utilisateurs, chacune avec jusqu'à 3 critères d'acceptation et leurs notes de complexité. L'étendue de ces histoires d'utilisateurs est limitée au développement d'une page de connexion.
