Considérations relatives aux invites Copilot

Effectué

La qualité des réponses des copilotes dépend non seulement du modèle de langage utilisé, mais aussi des types d’invites que les utilisateurs fournissent. Les invites sont les moyens par lesquels nous indiquons à une application ce que nous voulons qu’elle fasse. Vous pouvez obtenir les complétions les plus utiles en étant explicite sur le type de réponse que vous souhaitez. Prenons cet exemple : « Résume les principales considérations relatives à l’adoption de Copilot décrites dans ce document pour un cadre d’entreprise. Mets en forme le résumé avec pas plus de six puces, avec un ton professionnel. » Vous pouvez obtenir de meilleurs résultats quand vous envoyez des prompts clairs et spécifiques.

Tenez compte des façons suivantes d’améliorer la réponse qu’un copilote fournit :

1. Commencez par un objectif spécifique pour ce que vous voulez que le copilote fasse
2. Fournissez une source pour mettre en place la réponse dans une étendue spécifique d’informations
3. Ajoutez un contexte pour optimiser la pertinence et l’adéquation de la réponse
4. Définissez des attentes claires pour la réponse
5. Itérez en fonction des invites et réponses précédentes pour affiner le résultat

Dans la plupart des cas, un copilote n’envoie pas simplement votre invite telle quelle au modèle de langage. En règle générale, votre invite est augmentée avec :

• Un message système qui définit des conditions et des contraintes pour le comportement du modèle de langage. Par exemple, « Tu es un assistant serviable qui répond de manière enjouée et amicale. » Ces messages système déterminent les contraintes et les styles pour les réponses du modèle.
• L’historique des conversations de la session active, y compris les invites et réponses passées. L’historique vous permet d’affiner la réponse de manière itérative tout en conservant le contexte de la conversation.
• L’invite actuelle, potentiellement optimisée par le copilote pour la reformuler de manière appropriée pour le modèle ou pour ajouter des données de source pour limiter l’étendue de la réponse.

Le terme « prompt engineering » décrit le processus d’amélioration des prompts. Les développeurs qui conçoivent des applications et les consommateurs qui utilisent ces applications peuvent améliorer la qualité des réponses de l’IA générative en recourant au prompt engineering.