728x90
숫자 문제를 잘 못푸는 경우가 있다!!
이때문에 CoT라는 방법론이 나왔다!!
그래서, few-show/ zero show + COT에 대하여 알아보자!
Few-shot : 예시를 보여줄게~~
from langchain_core.prompts import PromptTemplate
prompt_template = PromptTemplate.from_template(
"""
질문: 로저는 테니스공을 5개 가지고 있습니다. 그는 테니스공이 3개씩 들어 있는 캔 2개를 더 삽니다. 이제 그는 테니스공을 몇 개 가지고 있습니까?
답: 답은 11개입니다.
질문: 식당에 사과가 23개 있었습니다. 점심을 만들기 위해 20개를 사용했고, 6개를 더 샀다면, 사과가 몇 개 남았습니까?
답: 단계별로 생각해 봅시다.
"""
)
chain = prompt_template | llm | StrOutputParser()
chain.invoke({})
Few-shot-COT : 더 자세히! 예시를 보여줄게~~
from langchain_core.prompts import PromptTemplate
prompt_template = PromptTemplate.from_template(
"""
질문: 로저는 테니스공을 5개 가지고 있습니다. 그는 테니스공이 3개씩 들어 있는 캔 2개를 더 삽니다. 이제 그는 테니스공을 몇 개 가지고 있습니까?
답: 로저는 처음에 5개의 테니스공을 가지고 있었습니다. 3개의 테니스공이 들어 있는 캔 2개는 6개의 테니스공입니다. 5 + 6 = 11. 답은 11개입니다.
질문: 식당에 사과가 23개 있었습니다. 점심을 만들기 위해 20개를 사용했고, 6개를 더 샀다면, 사과가 몇 개 남았습니까?
"""
)
chain = prompt_template | llm | StrOutputParser()
chain.invoke({})
Zero-shot : 그냥 구해바!!
from langchain_core.prompts import PromptTemplate
prompt_template = PromptTemplate.from_template(
"""
질문: 식당에 사과가 23개 있었습니다. 점심을 만들기 위해 20개를 사용했고, 2개묶음 6개를 더 샀다면, 사과가 몇 개 남았습니까?
답: 답은
"""
)
chain = prompt_template | llm | StrOutputParser()
chain.invoke({})
Zero-shot-COT : 그냥 구하는건데, 잘생각해봐~~
핵심은!? 마지막에 "답: 단계별로 생각해 봅시다." 를 추가한다!!!
질문: 로저는 테니스공을 5개 가지고 있습니다. 그는 테니스공이 3개씩 들어 있는 캔 2개를 더 삽니다. 이제 그는 테니스공을 몇 개 가지고 있습니까?
답: 답은 11개입니다.
질문: 식당에 사과가 23개 있었습니다. 점심을 만들기 위해 20개를 사용했고, 6개를 더 샀다면, 사과가 몇 개 남았습니까?
답: 단계별로 생각해 봅시다
728x90
'데이터&AI > LLM' 카테고리의 다른 글
완전쉽게!!! GPT의 Token 이해하기 (with Python) (0) | 2024.05.20 |
---|---|
파이썬 langchain 활용기반, 쉽게 챗봇사이트 만들기 (gradio) (0) | 2024.05.18 |
[2024.5.17] 성킴님의 LLM, langchain 강의 - SNUxUpstage LLM 세션② (3) | 2024.05.17 |
upstage의 llm 모델 Solar 사용하기!! (feat. 성킴 대표님 강의) (0) | 2024.05.16 |
[2024.5.16]SNU x Upstage LLM 세션① : 컴공과 교수님들의 강의!! (0) | 2024.05.16 |
댓글