Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
# Fortgeschrittene Aufforderungstechniken
In diesen Abschnitten finden Sie erweiterte Anleitungen, wie Sie die Qualität Ihrer Eingabeaufforderungen verbessern und wichtige Funktionen wie erweitertes Denken nutzen können.
## Verwenden Sie den Argumentationsmodus
Amazon Nova 2-Modelle bieten einen optionalen Argumentationsmodus, der den Ansatz des Modells zur Lösung komplexer Probleme verbessert, indem es Probleme systematisch durcharbeiten kann, bevor es reagiert. Die Nutzung des Argumentationsmodus des Modells ist eine leistungsstarke Methode, um die Genauigkeit Ihrer Eingabeaufforderungen zu verbessern.
**Verwendungszweck:** Der Argumentationsmodus wird für komplexe Aufgaben empfohlen, z. B. für folgende Anwendungsfälle:
+ **Mehrere Argumentationsschritte:** Mathematische Beweise, Algorithmusdesign, Systemarchitektur
+ **Querverweise:** Dokumentenanalyse, Vergleich von Optionen, Bewertung von Kompromissen
+ **Fehleranfällige Berechnungen:** Finanzmodellierung, Datenanalyse, komplexes Debugging
+ **Planung mit Einschränkungen:** Ressourcenoptimierung, Abhängigkeitsmanagement, Risikobewertung
+ **Komplexe Klassifizierungen:** Kategorisierung mit mehreren Bezeichnungen, hierarchische Taxonomien, nuancierte Entscheidungsgrenzen
+ **Szenarien zum Aufrufen von Tools:** Mehrstufige API-Workflows, Optimierung von Datenbankabfragen, koordinierte Systemintegrationen
**Anmerkung**
Weitere Informationen zum Argumentationsmodus finden Sie unter. [Argumentation verwenden](using-converse-api.md#converse-api-reasoning)
## Gehen Sie von oben nach unten vor
In Situationen, in denen das Modell mehrere Lösungsansätze bewerten muss, weisen Sie es an, einen **Top-down-Ansatz** zu wählen.
+ Amazon Nova 2-Modelle schneiden besser ab, wenn das Modell mit dem Gesamtbild beginnt und es dann in kleinere, detailliertere Teilprobleme oder Schritte unterteilt.
+ Weisen Sie das Modell explizit an, zuerst das Hauptziel zu identifizieren und es dann in überschaubare Komponenten zu zerlegen, bevor Sie die Details der einzelnen Teile durcharbeiten.
+ Dieser strukturierte Ansatz hilft dem Modell, sein Denken zu organisieren und kohärentere Argumentationsketten zu entwickeln.
**Beispiel:**
```
{{User query}}. Start with the big picture and break it down into progressively smaller, more detailed subproblems or steps.
```
## Steuere die Gedankenkette
Der Argumentationsmodus bietet zwar eine höhere Genauigkeit durch systematische Problemlösung, es gibt jedoch bestimmte Szenarien, in denen die Chain-of-Thought-Aufforderung (CoT) im Modus ohne Argumentation Ihren Bedürfnissen besser gerecht werden kann.
**Wann sollte er verwendet werden:**
+ **Transparenz und Überprüfbarkeit:** Wenn Sie den Argumentationsprozess des Modells einsehen, verifizieren oder prüfen möchten, bietet CoT einen vollständigen Überblick über jeden Schritt. Dies ist entscheidend für regulierte Branchen, wichtige Entscheidungen oder wenn Sie die Logik hinter einer Antwort dokumentieren möchten.
+ **Benutzerdefinierte Argumentationsstrukturen:** Verwenden Sie CoT, um bestimmte Argumentationsmuster oder -methoden durchzusetzen. Sie können das Modell so ausrichten, dass es den Entscheidungsrahmen Ihrer Organisation folgt, domänenspezifische Problemlösungsansätze verwendet oder sicherstellt, dass Faktoren in einer bestimmten Reihenfolge berücksichtigt werden.
+ **Schnelle Entwicklung und Debugging:** Während der Phase der schnellen Entwicklung hilft Ihnen CoT dabei, zu verstehen, wie das Modell Probleme angeht, zu erkennen, wo die Argumentation versagt, und Ihre Eingabeaufforderungen effektiver zu bearbeiten.
+ **Hybride Ansätze:** Erwägen Sie, während der Entwicklung CoT zu verwenden, um Ihre Eingabeaufforderungen zu perfektionieren, und wechseln Sie dann für den produktiven Einsatz in den Argumentationsmodus, sobald Sie sich mit der Herangehensweise des Modells an Ihren spezifischen Anwendungsfall sicher sind.
**Anmerkung**
Nicht für alle Aufgaben ist CoT erforderlich. Lassen Sie das Modell bei einfacheren Aufgaben seinen eigenen Argumentationsprozess verwenden.
**Richtschnur für die CoT-Ausrichtung des Modells:**
```
{{User query}} Please follow these steps:
1. {{Step 1}}
2. {{Step 2}}
...
```
## Verwendung langer Kontextfenster
Amazon Nova 2-Modelle haben eine unterstützte Kontextlänge von 1 Million Token und zeichnen sich durch das Verständnis von Code und die Beantwortung von Fragen bei langen Dokumenten aus. Die Leistung (einschließlich der Einhaltung der Systemaufforderung und der Verwendung von Tools) kann mit zunehmender Kontextgröße leicht abnehmen.
**Wie benutzt man es:**
+ **Platzieren Sie umfangreiche Daten am Anfang**: Positionieren Sie Ihre umfangreichen Dokumente und Eingaben möglichst am Anfang Ihres Prompts. Platzieren Sie sie vor Ihrer Anfrage, Ihren Anweisungen und Beispielen.
+ **Platzieren Sie Anweisungen am Ende**: Positionieren Sie Ihre Anweisungen am Ende des Prompts. Das Modell erzielt die besten Ergebnisse, wenn zunächst der Kontext und anschließend die Anweisungen bereitgestellt werden.
+ **Strukturieren Sie Start- und Endmarkierungen für den Dokumentinhalt:** Verwenden Sie Start- und Endmarkierungen wie `DOCUMENT {idx} START` und`DOCUMENT {idx} END`, um den Anfang und das Ende langer Dokumente zu kennzeichnen, wobei {idx} für den Index des jeweiligen Dokuments steht.
**Beispielvorlage:**
```
// Provide your long inputs at the top of your prompt
BEGIN INPUT DOCUMENTS
DOCUMENT 1 START
{{Your document}}
DOCUMENT 1 END
END INPUT DOCUMENTS
// Then specify your query and instructions
BEGIN QUESTION
{{User query}}
END QUESTION
BEGIN INSTRUCTIONS
{{Instructions}}
END INSTRUCTIONS
```
## Grundlegende Antworten im unterstützenden Text
Wir empfehlen, dass Sie dem Modell vertrauenswürdige Informationen zur Verfügung stellen, die für die Eingabeabfrage relevant sind. Diese Informationen sind zusammen mit der Eingabeabfrage häufig Teil eines Systems, das als Retrieval Augmented Generation (RAG) bezeichnet wird.
+ Bei diesem Prozess werden einige relevante, kontextbezogene Dokumente oder Informationen um die eigentliche Benutzeraufforderung erweitert, sodass das Modell vertrauenswürdige Inhalte erhält, um eine relevante und genaue Antwort zu generieren.
+ Wenn Amazon Nova 2 angewiesen wird, anhand eines Referenztextes aus einer vertrauenswürdigen Quelle zu antworten, kann das Unternehmen seine Antwort auf der Grundlage des bereitgestellten Materials verfassen und sicherstellen, dass seine Antwort auf genauen und relevanten Informationen basiert, wodurch die Zuverlässigkeit und Glaubwürdigkeit der generierten Inhalte erhöht wird.
+ Die Verwendung eines Referenztextes kann dazu beitragen, Halluzinationen zu vermeiden und dadurch die Gesamtqualität und Vertrauenswürdigkeit der Antworten zu verbessern. Um Halluzinationen zu minimieren, empfehlen wir, `DO NOT USE INFORMATION THAT IS NOT IN REFERENCE TEXTS!` in Ihrer Modellanleitung ausdrücklich zu erwähnen.
Prompt-Vorlage
```
System:
In this session, the model has access to search results and a user's question, your job is to answer the user's question using only information from the search results.
Model Instructions:
- DO NOT USE INFORMATION THAT IS NOT IN SEARCH RESULTS!
User: {Query}
Resource: Search Results: {Reference texts}
```
### Beispiel: Durch die Bereitstellung von Hintergrundkontexten kann verhindert werden, dass das Modell halluziniert
Dieses Beispiel zeigt, wie der Grundkontext verhindern kann, dass das Modell halluziniert.
System:
```
In this session, the model has access to search results and a user's question, your job is to answer the user's question using only information from the search results. Model Instructions:- DO NOT USE INFORMATION THAT IS NOT IN SEARCH RESULTS!
```
Nutzer:
```
What were the economic impacts of the COVID-19 pandemic on the United States in 2020?
Resource: Search Results: In 2020, the United States experienced significant economic impacts due to the COVID-19 pandemic. The U.S. economy contracted by 3.5% in 2020, according to the Bureau of Economic Analysis. Unemployment rates surged to 14.7% in April 2020, the highest since the Great Depression, before gradually declining. Small businesses faced severe challenges, with millions of firms closing permanently. Additionally, consumer spending dropped sharply as people reduced non-essential expenditures and saved more. Government intervention played a critical role in mitigating these impacts through stimulus packages and support programs, such as the Paycheck Protection Program (PPP) for small businesses and direct payments to individuals. Despite these measures, the economic recovery remained uneven across different sectors and regions.
```
### Boden mit Zitationsmarkern
Für umfangreiche Dokumentaufgaben empfehlen wir, dass Sie das Amazon Nova 2-Modell anweisen, seine Antworten anhand von Zitaten aus den entsprechenden Abschnitten der Dokumente zu begründen, bevor es mit der Aufgabe fortfährt.
Dieser Ansatz unterstützt das Modell dabei, sich auf die relevantesten Informationen zu konzentrieren und Ablenkungen durch irrelevante Inhalte zu vermeiden. Wenn Sie beantragen, dass das Modell seine Antwort begründet, sollten die Abschnitte, die zitiert werden können, nummeriert werden. Zum Beispiel`Passage %[1]%`, `Passage %[2]%` und so weiter.
#### Beispiele: Verwendung von Zitationsmarkierungen
**Example Aufforderung zur Eingabe von Zitationsmarken**
```
You are an AI financial assistant. Your task is to find patterns and insights from multi-year financial documents
Passage %[1]%
{{Your document}}
Passage %[2]%
{{Your document}}
## Task:
Analyze my LLC's reports across multiple years to identify significant performance trends, segment growth patterns and strategic shifts.
## Context information:
- You have access to my LLC's annual financial reports (10-K) for multiple fiscal years in PDF format
- These reports contain comprehensive financial data including income statements, balance sheets, cash flow statements and management discussions
- The analysis should focus on year-over-year comparisons to identify meaningful trends
- I operate two business segments, one in Massachusetts and one in New York
Based on the provided Context, extract key financial metrics from each year's reports phrases from the documents.
Place citations as inline markers (e.g., %[1]%, %[2]%, etc.) directly within the relevant parts of the response
text. Do not include a separate citation section after the response.
## Response Schema:
%% (Extracted Financial Metrics)
%% (Extracted Financial Metrics)
%% (Extracted Financial Metrics)
...
```
Nachdem Sie die wichtigsten Informationen auf der Grundlage der Aufgabe des Benutzers extrahiert haben, können Sie die extrahierten Finanzkennzahlen verwenden, um die relevanten Fragen wie folgt zu beantworten:
**Example Folgeanalyse mit extrahierten Kennzahlen**
```
## Task
Analyze my LLC's financial reports across multiple years to identify significant performance trends, segment growth patterns and strategic shifts.
{{extracted financial metrics}}
## Model Instructions:
- Organize data chronologically to identify meaningful trends
- DO compare segment performance across the five-year period
- DO identify significant strategic shifts or investments mentioned in management discussions
- DO NOT make speculative predictions beyond what is supported by the data
- ALWAYS note any changes in accounting practices or reporting methodologies that might affect year-over-year comparisons
## Response style and format requirements:
- Respond in markdown
- Structure the analysis with clear headings and subheadings
- Present key financial metrics in tabular format showing all five years side-by-side
- Include percentage changes year-over-year for all major metrics
- Create a section dedicated to visualizing the most significant trends (with descriptions of what would be shown in charts)
- Limit the executive summary to 250 words maximum
- Format segment analysis as separate sections with consistent metrics across all segments
- MUST include a Key Insights bullet-pointed list at the end of each major section
```
### Verwenden Sie Nova Web Grounding
Anstatt direkt nach Zitaten zu fragen, um das Modell im unterstützenden Text zu untermauern, bieten Amazon Nova 2-Modelle ein internes Web-Grounding-Tool, das verwendet werden kann. Wenn diese Option aktiviert ist, fragen Amazon Nova 2-Modelle direkt das Internet und die Wissensdiagramme von Amazon ab und untermauern die endgültige Antwort mit Zitaten.
Weitere Informationen zur Nutzung von Amazon Nova Web Grounding finden Sie im [Amazon Nova Web Grounding-Benutzerhandbuch](https://docs.aws.amazon.com/nova/latest/nova2-userguide/web-grounding.html).
## Produzieren Sie strukturierte Ergebnisse
Um konsistente und strukturierte Ausgabeformate zu gewährleisten, können Sie strukturierte Ausgaben verwenden, darunter Formate wie XML, JSON, Markdown, oder Funktionen zur Verwendung von Tools verwenden.
+ Dieser Ansatz ermöglicht es nachgeschalteten Systemen, die vom Modell generierten Ausgaben effektiver zu verstehen und zu analysieren.
+ Durch die Bereitstellung expliziter Anweisungen für das Modell werden die Antworten auf eine Weise generiert, die einem vordefinierten Schema entspricht.
Wenn der Downstream-Parser beispielsweise bestimmte Namenskonventionen für Schlüssel in einem JSON-Objekt erwartet, sollten Sie das Antwortschema am Ende der Aufforderung angeben. Wenn Sie es vorziehen, Antworten im JSON-Format ohne Präambeltext zu erhalten, weisen Sie das Modell außerdem entsprechend an. Geben Sie also ausdrücklich an, dass **Sie nur die JSON-Ausgabe generieren möchten. Geben Sie KEINE Präambel an.** um eine saubere Ausgabe zu gewährleisten.
**Tipp**
Wir achten darauf, dass die Anforderungen an das Datenformat am besten eingehalten werden, wenn sie im Schema selbst definiert werden, und nicht anhand von Beispielen (z. B. Angabe von Datumsangaben im YYYY/MM/DD Format).
Für einfache JSON-Ausgaben mit bis zu 10 Schlüsseln finden Sie das Schema unten. Für komplexere Schemas empfehlen wir Ihnen, Ihr Schema mit einem Tool zu definieren. Bei der Verwendung des Tools wird eine Technik verwendet, die als eingeschränkte Dekodierung bezeichnet wird und die Konformität des Modells für diese komplexen Schemas erhöht.
### Gängige Formatierungsschemas
Im Folgenden finden Sie Beispiele für gängige Formatierungsschemas.
------
#### [ JSON ]
```
JSON_format = """Write your response following the JSON format below:
```json
{
"key1": "value1",
"key2": "value2",
key3: [{
"key3_1": "value_3_1 written in YYYY/MM/DD format",
"key3_2": "value_3_2 day of the week written in full form",
...}```
"""
```
------
#### [ XML ]
```
XML_format = """Write your response following the XML format below:
"""
```
------
#### [ Markdown ]
```
markdown_schema = """Write your response following the markdown format below:
## Introduction
( 2-3 line intro)
## Design Guidance
(Bulleted list of design guidance)
## Step by Step Instructions on Execution
( Bulleted list of instructions with each with bold title.
## Conclusion
( conclusion )
"""
```
------
### Inhalt des Assistenten vorab ausfüllen
Wenn Sie strukturierte Ausgaben ohne Argumentation erstellen, können Sie die Reaktion des Modells beeinflussen, indem Sie den Inhalt des Assistenten vorab ausfüllen.
Das Vorfüllen verbessert die Konsistenz des Ausgabeformats im Modus ohne Argumentation. Es ermöglicht Ihnen, die Aktionen des Modells zu steuern, Präambeln zu umgehen und bestimmte Ausgabeformate wie JSON und XML durchzusetzen. Wenn Sie beispielsweise den Assistenteninhalt mit `{` oder vorfüllen````json`, leitet diese Eingabe das Modell dazu, das JSON-Objekt ohne zusätzliche Informationen zu generieren.
**Tipp**
Wenn Sie explizit nach dem Extrahieren von JSON suchen, besteht ein gängiges Muster darin, eine Stoppsequenz vorzufüllen ````json` und eine Stoppsequenz hinzuzufügen. ````` Dadurch wird sichergestellt, dass das Modell ein JSON-Objekt ausgibt, das programmgesteuert analysiert werden kann.
**Example Inhalt des Assistenten vorab ausfüllen**
Der folgende Code veranschaulicht, wie man mit der API vorab ausfüllt:
```
import boto3
import json
# Create a Bedrock Runtime client.
client = boto3.client(
"bedrock-runtime",
region_name="us-east-1"
)
request_body = {
"system": [
{"text": "You write JSON objects based on the given instructions"}
],
"messages": [
{
"role": "user",
"content": [{"text": "Provide details about the best selling full-frame cameras in past three years. Answer in JSON format with keys like name, brand, price and a summary."}]
},
{
"role": "assistant",
"content": [{"text": " Here is the JSON response: ```json"}]
}
],
"inferenceConfig": {
"maxTokens": 1000,
}
}
# Invoke the model and extract the response body.
response = client.invoke_model(
modelId="amazon.nova-2-lite-v1:0",
body=json.dumps(request_body)
)
model_response = json.loads(response["body"].read())
```
### Geben Sie ein Tool an, das für komplexe Schemas verwendet werden soll
Ein anderer Ansatz besteht darin, Tools zu verwenden, um ein bestimmtes Schema für die Antwort des Modells zu erzwingen, indem das *pydantische JSON-Schema in den Abschnitt „Schema* zur Verwendung des Tools“ aufgenommen wird. Sie können die Tool-Auswahl anhand des bereitgestellten Schemas angeben und die Antwort von Amazon Nova wird auf der Grundlage des ausgewählten Tools strukturiert. Weitere Informationen darüber, wie Sie den Einsatz von Tools optimal nutzen können, finden Sie unter Verwendung von [Tools](https://docs.aws.amazon.com/nova/latest/userguide/tool-use.html).
### Beispiele
#### Beispiel 1: Ein Ausgabeschema hinzufügen
Durch Hinzufügen des Abschnitts „Ausgabeschema“ mit dem entsprechenden Schema wird das Modell dazu veranlasst, dieses Schema vorrangig anzupassen. Die Modellausgabe ist jedoch nicht deterministisch und kann vom Ausgabeschema abweichen.
------
#### [ Unspecific Prompt ]
Benutzer:
```
Provide details about the best selling full-frame cameras in past three years.
Answer in JSON format with keys like name, brand, price and a summary.
```
Assistentin:
```
```json
[
{
"name": "Sony Alpha A7R IV",
"brand": "Sony",
"price": "Approximately $3,500",
"summary": "The Sony Alpha A7R IV is renowned for its exceptional image quality, thanks to a 61-megapixel full-frame sensor. It also features 4K video recording and a robust build, making it a favorite among professional photographers and videographers."
},
{
"name": "Canon EOS R5",
"brand": "Canon",
"price": "Approximately $3,900",
"summary": "The Canon EOS R5 combines high-resolution imaging with advanced video capabilities. It houses a 45-megapixel sensor, 8K video recording, and impressive autofocus performance, appealing to both photography and filmmaking professionals."
},
{
"name": "Nikon Z7 II",
"brand": "Nikon",
"price": "Approximately $2,800",
"summary": "The Nikon Z7 II offers a 45.7-megapixel full-frame sensor and is praised for its high resolution and excellent dynamic range. It also supports 4K video recording and features a versatile Z-mount lens system, making it a strong contender in the full-frame market."
},
{
"name": "Fujifilm GFX 100S",
"brand": "Fujifilm",
"price": "Approximately $7,000",
"summary": "While not a traditional full-frame camera, the Fujifilm GFX 100S stands out with its 102-megapixel medium format sensor. It is lauded for its stunning detail and color reproduction, though it comes at a higher price point and is aimed at specialized users."
}
]
```
```
------
#### [ Specific Prompt ]
Nutzer:
```
Provide details about the best selling full-frame cameras in past three years.
You MUST answer in JSON format only. Write your response following the the format below:
[{
“name”: “name goes here”,
“brand”: “brand goes here”,
“price”: “price goes here“,
"summary": "summary goes here"
}]
```
Assistentin:
```
[
{
"name": "Nikon D850",
"brand": "Nikon",
"price": "$3,296.95",
"summary": "The Nikon D850 is a professional full-frame DSLR camera known for its exceptional image quality, 45.7-megapixel resolution, 7 fps continuous shooting, and 4K video capabilities."
},
{
"name": "Canon EOS 5D Mark IV",
"brand": "Canon",
"price": "$3,499.00",
"summary": "The Canon EOS 5D Mark IV is a popular full-frame DSLR appreciated for its 30.4-megapixel sensor, 4K video recording, robust build quality, and reliable autofocus system."
},
{
"name": "Sony A7R III",
"brand": "Sony",
"price": "$3,198.00",
"summary": "The Sony A7R III is a high-resolution full-frame mirrorless camera renowned for its 42.4-megapixel sensor, excellent low-light performance, and versatile lens compatibility."
},
{
"name": "Fujifilm GFX 100S",
"brand": "Fujifilm",
"price": "$5,999.99",
"summary": "The Fujifilm GFX 100S is a medium format mirrorless camera that stands out for its 102-megapixel sensor, high dynamic range, and exceptional color reproduction."
},
{
"name": "Sony A7 III",
"brand": "Sony",
"price": "$1,998.00",
"summary": "The Sony A7 III is a full-frame mirrorless camera popular among enthusiasts and professionals for its 24.2-megapixel sensor, fast autofocus, and 4K video capabilities."
}
]
```
------
#### Beispiel 2: Die Modellantwort vorab ausfüllen
Ein weiterer Ansatz besteht darin, die Antwort des Modells vorauszufüllen, indem der gewünschte Anfangstext in die Nachricht des Assistenten aufgenommen wird. In diesem Fall wird die Antwort des Amazon-Nova-Modells dort fortgesetzt, wo die Nachricht des Assistenten aufhört.
**Tipp:** Das Vorfüllen ist nur gültig, wenn die Argumentation nicht aktiviert ist.
Benutzer:
```
Provide details about the best selling full-frame cameras in past three years.
Your response should be in JSON format, with the following keys: name, brand, year, price, summary.
```
Assistent (Vorfüllen):
```
```json
```
Assistentin:
```
{
"cameras": [
{
"name": "Sony Alpha A7 III",
"brand": "Sony",
"year": 2018,
"price": "$1999",
"summary": "The Sony Alpha A7 III is a highly acclaimed full-frame mirrorless camera known for its excellent image quality, advanced autofocus system, and 4K video capabilities."
},
{
"name": "Canon EOS R5",
"brand": "Canon",
"year": 2020,
"price": "$3899",
"summary": "The Canon EOS R5 is a top-tier full-frame mirrorless camera that offers stunning 45MP images, 8K video recording, and exceptional performance in various lighting conditions."
},
{
"name": "Nikon Z7 II",
"brand": "Nikon",
"year": 2020,
"price": "$2999",
"summary": "The Nikon Z7 II is a flagship full-frame mirrorless camera with a 45.7MP sensor, superb image quality, and advanced video recording features."
},
{
"name": "Fujifilm GFX 100S",
"brand": "Fujifilm",
"year": 2020,
"price": "$7999",
"summary": "The Fujifilm GFX 100S is a medium format mirrorless camera known for its impressive 102MP sensor, beautiful film simulations, and versatile lens options."
},
{
"name": "Sony Alpha A7R IV",
"brand": "Sony",
"year": 2019,
"price": "$3499",
"summary": "The Sony Alpha A7R IV features a 61MP sensor, excellent low-light performance, and advanced video capabilities, making it a favorite among professional photographers."
}
]
}
```
```
#### Beispiel 3: Ein zu verwendendes Tool festlegen
Als Alternative zur Verwendung der Prefill-Technik für strukturierte Ausgaben können Sie die Tool-Funktionalität von Nova mit ToolChoice kombinieren. In diesem Beispiel generiert das Modell einen Werkzeugabruf, der dem bereitgestellten JSON-Schema entspricht und das angegebene spezifische Tool im vollständig definierten JSON-Format aufruft. Weitere Anleitungen finden Sie unter Advanced Systems.
Benutzer:
```
From the below provided Query, extract the relevent entities
Query:
John works in BUILDING-0987 and have been incharge of product id 23564#. His performance have been excellent in past year and is up for a raise.
Use the extract_ner tool.
```
ToolConfig:
```
{
"tools": [
{
"toolSpec": {
"name": "extract_ner",
"description": "Extract all the named entities. based on provided input",
"inputSchema": {
"json": {
"type": "object",
"properties": {
"entities": {
"type": "array",
"items": {
"type": "object",
"properties": {
"name": {
"type": "string",
"description": "The extracted entity name. This should be a name of a person, place, animal or thing"
},
"location": {
"type": "string",
"description": "The extracted location name. This is a site name or a building name like SITE-001 or BUILDING-003"
},
"product": {
"type": "string",
"description": "The extrcted product code, this is generally a 6 digit alphanumeric code such as 45623#, 234567"
}
},
"required": [
"name",
"location",
"product"
]
}
}
},
"required": [
"entities"
]
}
}
}
}],
"toolChoice": {
"tool": {
"name": "extract_ner"
}
}
}
```
## Mehrsprachige Anwendungsfälle
Amazon Nova 2-Modelle wurden in mehr als 200 Sprachen trainiert und für 15 Sprachen optimiert.
**Topics**
+ [Prompt für genaue Übersetzungen](#accurate-translations)
+ [Setzen Sie konsistente Schreibkonventionen durch](#consistent-writing-conventions)
### Prompt für genaue Übersetzungen
Um diese Funktion für Übersetzungen in Kurzform (einige Sätze) zu nutzen, können Sie das Modell anweisen, den Text in die angegebene Zielsprache zu übersetzen.
**Example Aufforderungen zur Übersetzung**
```
Translate the following text into {target language}. Please output only the translated text with no prefix or introduction: {text}
```
```
Translate the following sentence from {source_language} to {target language}: {text}
```
```
{text} How do you say this sentence in {target_language}
```
### Setzen Sie konsistente Schreibkonventionen durch
In zeichenbasierten Sprachen können die Amazon Nova 2-Modelle den Zeichensatz aus der Ausgangssprache verwenden. Sie können die folgende Aufforderung verwenden, um eine konsistente Ausgabe zu erzwingen.
**Example Erzwingen Sie Schreibkonventionen**
```
When translating, ensure to use the correct orthography / script / writing convention of the target language, not the source language's characters
```
## Tools aufrufen
### Agentursysteme
**Topics**
+ [Stellen Sie die richtigen Inferenzparameter ein](#set-inference-parameters)
+ [Beachten Sie die Latenzanforderungen](#consider-latency-requirements)
+ [Verwenden Sie bei den Anweisungen zum Aufrufen von Tools eine bewusste Formulierung](#intentional-wording-tool-calling)
+ [Nutzen Sie Befehle zum „Denken“](#leverage-thinking-commands)
+ [Bestellung per Tool-Call](#tool-call-ordering)
+ [Erstellen Sie hochwertige Werkzeugschemas](#designing-tool-schema)
+ [Unteragenten erstellen](#create-sub-agents)
+ [Verwenden Sie Tools für multimodale Eingaben](#use-tools-multimodal-inputs)
+ [Nächste Schritte](#next-steps-best-practices)
#### Stellen Sie die richtigen Inferenzparameter ein
Der Werkzeugaufruf erfordert eine sehr spezifische strukturierte Ausgabe aus dem Modell und wird durch die Verwendung der folgenden Inferenzparameter verbessert:
+ **Modus ohne Argumentation: Temperatur:** 0,7 und oberster P: 0,9
+ **Denkmodus: Temperatur:** 1 und oberstes P: 0,9
#### Beachten Sie die Latenzanforderungen
**Tipp**
Amazon Nova 2-Modelle sind in der Lage, Tools aufzurufen, wobei Argumentation ein- und ausgeschaltet ist. Argumentationsmodi haben jedoch erhebliche Auswirkungen auf die Latenz.
Bei latenzempfindlichen Anwendungen sollten Sie den Reasoning-Off-Modus optimieren und die erforderlichen Tool-Aufrufe nach Möglichkeit vereinfachen. Teilen Sie mehrstufige Workflows in einzelne Schritte auf, um die Abhängigkeit des Modells vom Auslesen unnötiger Parameter zu verringern.
#### Verwenden Sie bei den Anweisungen zum Aufrufen von Tools eine bewusste Formulierung
**Werkzeugnamen:** In Systemen, die Tools aufrufen, wird häufig in der Systemaufforderung auf Werkzeuge verwiesen, um dem Modell mitzuteilen, wann ein Werkzeug aufgerufen werden muss. Wenn Sie in der Eingabeaufforderung auf Tools verweisen, empfehlen wir, den Namen des Tools anstelle von XML- oder pythonischen Verweisen oder Beispielen zu verwenden.
##### Beispiel für eine gute Werkzeugreferenz
```
Use the 'run_shell_command' tool for running shell commands
```
##### Beispiel für eine schlechte Werkzeugreferenz
```
Call run_shell_command() to run shell commands
```
#### Nutzen Sie Befehle zum „Denken“
Für alle Anwendungsfälle, in denen Denken für das Aufrufen von Tools von Vorteil ist, empfehlen wir, den Argumentationsmodus zu nutzen, anstatt das Modell aufzufordern, „in Stichworten zu denken“ oder ein „Think“ -Tool zu verwenden.
Die Modelle von Amazon Nova 2 wurden umfassend für den Argumentationsmodus trainiert und erzielen optimale Ergebnisse, wenn sie im Argumentationsmodus für Gedankenketten verwendet werden.
#### Bestellung per Tool-Call
In Anwendungsfällen, die möglicherweise die gleichzeitige Verwendung integrierter Tools und das gleichzeitige Aufrufen systemeigener Tools erfordern, tendiert das Modell dazu, die integrierten Tools zuerst aufzurufen.
Weisen Sie das Modell in der Aufforderung nicht an, sich anders zu verhalten. Gestalten Sie Ihren Workflow stattdessen so, dass er dies berücksichtigt.
Wenn Sie beispielsweise nicht möchten, dass das Modell integrierte Tools verwendet, sollten Sie diese nicht in Ihren Arbeitsablauf aufnehmen, damit das Modell sie nicht bevorzugt.
#### Erstellen Sie hochwertige Werkzeugschemas
Werkzeugschemas sind einer der wichtigsten Orte, an denen Sie effektive Werkzeugaufrufsysteme entwickeln können. Es ist jedoch wichtig zu berücksichtigen, was im Werkzeugschema selbst erfasst wird, wie jedes Schemaelement semantisch beschrieben wird und wie die Systemaufforderung in Systemanweisungen auf Tools und Schemaelemente verweist.
Amazon Nova 2-Modelle sind für präzise Beschreibungen in den Tool-Schemas optimiert. Halte es kurz.
**Richtlinien für das Toolschema im Vergleich zur Systemaufforderung:**
**Folgendes in das Werkzeugschema aufnehmen:**
+ Kernfunktionalität: Was das Tool macht (20-50 Wörter empfohlen)
+ Parameterspezifikationen: Klare Beschreibungen der einzelnen Parameter (etwa 10 Wörter pro Parameter)
+ Erwartete Formate: Datentypen (wie Enum, Int, Float), Pflichtfelder und gültige Wertebereiche
**Fügen Sie Folgendes in die Systemaufforderung ein:**
+ Widmen Sie einen `#Tool Usage` Abschnitt der Orchestrierungslogik (wann und warum bestimmte Tools verwendet werden sollten) und Geschäftsregeln (bedingte Logik, Sequenzierungsanforderungen und Abhängigkeiten).
+ **Strategien zur Fehlerbehandlung:** Fügen Sie einen `#Error Handling and Troubleshooting` Abschnitt mit Anweisungen hinzu, wie Sie auf Fehler oder unerwartete Ausgaben reagieren können
+ **Formatierung der Ausgabe:** Fügen Sie Details zur Präsentation für den Benutzer hinzu
##### Beispiel
```
You are a software engineering issue root cause analysis agent. You are tasked with reviewing a customer issue and examining the repository to identify a plan to resolve the issue.
# Core Mandates
- **DO NOT** update the original issue that was posted by the user. You only add *additional* comments to the reported issue if necessary
# Primary Workflows
1. **Understand:** Analyze the user's request and explore the codebase thoroughly using **get_file_contents** to grasp file structures and conventions.
2. **Plan:** Create a coherent, evidence-based plan for resolving the task and share it with the user following the format below
# Tool Usage
- **Read the Issue:** Always start by using the **read_issue** tool to get the details about the requested issue
- **File Paths:** Always end the file path with "/" if you are searching a directory using the **get_file_contents** tools
- **Parallelism:** Execute multiple independent tool calls in parallel when feasible
# Error Handling and Troubleshooting
- **File Exploration:** If you get an error that a file doesn't exist, try searching at the directory level first to validate the file path
# Output Formatting
Return your plan in markdown in the following format
## Issue
## Resolution Plan
```
#### Unteragenten erstellen
Erwägen Sie, spezialisierte Unteragenten anstelle eines einzelnen Agenten mit vielen Tools zu erstellen, wenn Sie auf Folgendes stoßen:
+ Die **Anzahl der Tools übersteigt 20:** Große Werkzeugsets lassen sich nur schwer verwalten und führen zu Auswahlfehlern
+ **Unterschiedliche Funktionsbereiche:** Tools lassen sich naturgemäß in separate Kategorien einteilen (z. B. Datenabruf versus Verarbeitung versus Berichterstattung)
+ **Komplexe Schemas:** Wenn die Parametertiefe 3-4 Stufen überschreitet oder Tools komplizierte Abhängigkeiten aufweisen
+ **Gesprächsdauer:** Workflows, die regelmäßig 15 bis 20 Umdrehungen überschreiten, können von spezialisierten Unteragenten profitieren
+ **Leistungseinbußen:** Wenn Sie eine verringerte Genauigkeit bei der Werkzeugauswahl oder eine erhöhte Latenz feststellen
**Tipp**
MCP-Server verfügen über Tools und Schemas, die Sie nicht kontrollieren können. Fügen Sie nur die Tools hinzu, die für Ihren Workflow zur Ausführung der erforderlichen Aufgabe erforderlich sind.
#### Verwenden Sie Tools für multimodale Eingaben
Bei multimodalen Aufgaben haben wir keine Verbesserung der Genauigkeit beobachtet, wenn Tools für strukturierte Aufgaben (wie Extraktion oder Generierung von Zeitstempeln) genutzt werden.
Stattdessen empfehlen wir Ihnen, die entsprechenden Abschnitte im Abschnitt Eingabeaufforderung für multimodale Eingaben zu lesen, um zu erfahren, wie Sie das Modell mithilfe der bereitgestellten Vorlagen erfolgreich abfragen können.
#### Nächste Schritte
+ Informationen zur multimodalen Eingabeaufforderung finden Sie unter. [Multimodale Eingaben veranlassen](prompting-multimodal.md)