Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
# Techniques d'incitation avancées
Ces sections fournissent des conseils avancés sur la manière d'améliorer la qualité de vos instructions et de tirer parti de fonctionnalités clés telles que la réflexion approfondie.
## Utiliser le mode raisonnement
Les modèles Amazon Nova 2 proposent un mode de raisonnement optionnel qui améliore l'approche du modèle en matière de résolution de problèmes complexes en lui permettant de résoudre systématiquement les problèmes avant de répondre. Tirer parti du mode de raisonnement du modèle est un moyen efficace d'améliorer la précision de vos instructions.
**Quand l'utiliser : le** mode raisonnement est recommandé pour les tâches complexes telles que les cas d'utilisation avec :
+ **Plusieurs étapes de raisonnement :** preuves mathématiques, conception d'algorithmes, architecture du système
+ **Informations de référence croisées :** analyse des documents, comparaison des options, évaluation des compromis
+ **Calculs sujets aux erreurs :** modélisation financière, analyse de données, débogage complexe
+ **Planification avec contraintes :** optimisation des ressources, gestion des dépendances, évaluation des risques
+ **Classifications complexes :** catégorisation à étiquettes multiples, taxonomies hiérarchiques, limites de décision nuancées
+ **Scénarios d'appel d'outils :** flux de travail d'API en plusieurs étapes, optimisation des requêtes de base de données, intégrations de systèmes coordonnées
**Note**
Pour plus d'informations sur le mode de raisonnement, reportez-vous à[Utiliser le raisonnement](using-converse-api.md#converse-api-reasoning).
## Adoptez une approche descendante
Dans les situations où le modèle doit évaluer plusieurs approches pour résoudre le problème, demandez-lui d'adopter une approche **descendante.**
+ Les modèles Amazon Nova 2 fonctionnent mieux lorsque le modèle commence par une vue d'ensemble, puis le décompose en sous-problèmes ou étapes plus petits et plus détaillés.
+ Dirigez explicitement le modèle pour qu'il identifie d'abord l'objectif principal, puis décomposez-le en composants gérables avant de passer en revue les détails de chaque pièce.
+ Cette approche structurée aide le modèle à organiser sa pensée et à produire des chaînes de raisonnement plus cohérentes.
**Exemple :**
```
{{User query}}. Start with the big picture and break it down into progressively smaller, more detailed subproblems or steps.
```
## Dirigez la chaîne de pensée
Bien que le mode raisonnement améliore la précision grâce à la résolution systématique des problèmes, il existe des scénarios spécifiques dans lesquels le fait de vous suggérer une chaîne de pensée (CoT) en mode non-raisonnement peut mieux répondre à vos besoins.
**Quand l'utiliser :**
+ **Transparence et auditabilité :** lorsque vous souhaitez voir, vérifier ou auditer le processus de raisonnement du modèle, CoT fournit une visibilité complète sur chaque étape. Cela est essentiel pour les industries réglementées, les décisions à enjeux élevés ou lorsque vous souhaitez documenter la logique d'une réponse.
+ **Structures de raisonnement personnalisées :** utilisez CoT pour appliquer des modèles de raisonnement ou des méthodologies spécifiques. Vous pouvez orienter le modèle pour qu'il suive les cadres décisionnels de votre organisation, utiliser des approches de résolution de problèmes spécifiques à un domaine ou vous assurer que les facteurs sont pris en compte dans un ordre précis.
+ **Développement et débogage rapides :** pendant la phase d'ingénierie rapide, CoT vous aide à comprendre comment le modèle aborde les problèmes, à identifier les points faibles du raisonnement et à itérer plus efficacement selon vos instructions.
+ **Approches hybrides :** envisagez d'utiliser le CoT pendant le développement pour perfectionner vos instructions, puis de passer en mode raisonnement pour le déploiement en production une fois que vous serez sûr de l'approche du modèle pour votre cas d'utilisation spécifique.
**Note**
Toutes les tâches ne nécessitent pas le CoT. Pour des tâches plus simples, autorisez le modèle à utiliser son propre processus de raisonnement.
**Orienter l'orientation du modèle en matière de CoT :**
```
{{User query}} Please follow these steps:
1. {{Step 1}}
2. {{Step 2}}
...
```
## Utilisation de fenêtres contextuelles longues
Les modèles Amazon Nova 2 ont une longueur de contexte compatible de 1 million de jetons et excellent dans la compréhension du code et la réponse aux questions sur de longs documents. Ses performances (y compris l'adhésion rapide du système et l'utilisation des outils) peuvent légèrement diminuer à mesure que la taille du contexte augmente.
**Comment l'utiliser :**
+ **Placez les données longues au début** : placez vos documents longs et vos entrées au début de votre invite. Placez-les avant votre requête, vos instructions et vos exemples.
+ **Placez les instructions à la fin** : placez vos instructions à la fin de l’invite. Le modèle fonctionne mieux lorsque le contexte est fourni en premier et les instructions à la fin.
+ **Structurez les marqueurs de début et de fin du contenu du document :** utilisez des marqueurs de début `DOCUMENT {idx} START` et de fin`DOCUMENT {idx} END`, tels que et, pour indiquer le début et la fin de longs documents où \$1idx\$1 représente l'index du document spécifique.
**Exemple de modèle :**
```
// 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
```
## Réponses de base dans le texte d'appui
Nous vous recommandons de fournir au modèle des informations fiables et pertinentes par rapport à la requête d’entrée. Ces informations, ainsi que la requête d'entrée, font souvent partie du système appelé génération augmentée de récupération (RAG).
+ Au cours de ce processus, certains documents ou informations contextuels pertinents sont ajoutés à l'invite réelle de l'utilisateur afin que le modèle obtienne un contenu fiable pour générer une réponse pertinente et précise.
+ Demander à Amazon Nova 2 de répondre à l'aide d'un texte de référence provenant d'une source fiable peut l'aider à rédiger sa réponse sur la base du matériel fourni et à garantir que sa réponse est fondée sur des informations précises et pertinentes, améliorant ainsi la fiabilité et la crédibilité du contenu généré.
+ L'utilisation d'un texte de référence peut aider à éviter les hallucinations, améliorant ainsi la qualité globale et la fiabilité des réponses. Afin de minimiser les hallucinations, nous recommandons de mentionner explicitement `DO NOT USE INFORMATION THAT IS NOT IN REFERENCE TEXTS!` dans les instructions de votre modèle.
Modèle d’invite
```
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}
```
### Exemple : Fournir un contexte de base aide à empêcher le modèle d'halluciner
Cet exemple montre comment l'ancrage du contexte peut empêcher le modèle d'halluciner.
Système :
```
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!
```
Utilisateur :
```
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.
```
### Sol à l'aide de marqueurs de citation
Pour les tâches documentaires longues, nous vous recommandons de demander au modèle Amazon Nova 2 de fonder ses réponses sur des citations tirées des sections pertinentes des documents avant de poursuivre la tâche.
Cette approche aide le modèle à se concentrer sur les informations les plus pertinentes et à éviter d’être distrait par du contenu superflu. Lorsque vous demandez au modèle de motiver sa réponse, les sections pouvant être citées doivent être numérotées. Par exemple`Passage %[1]%`, `Passage %[2]%` et ainsi de suite.
#### Exemples : utilisation de marqueurs de citation
**Example Marqueurs de citation : invite**
```
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)
...
```
Après avoir extrait les informations clés en fonction de la tâche de l'utilisateur, vous pouvez utiliser les indicateurs financiers extraits pour répondre aux questions pertinentes, comme indiqué ci-dessous :
**Example Analyse de suivi avec des métriques extraites**
```
## 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
```
### Utiliser Nova Web Grounding
Au lieu de demander directement des citations pour ancrer le modèle dans un texte de support, les modèles Amazon Nova 2 fournissent un outil de base Web interne qui peut être utilisé. Lorsqu'ils sont activés, les modèles Amazon Nova 2 interrogent directement le Web et les graphes de connaissances d'Amazon, puis fondent la réponse finale sur des citations.
Pour en savoir plus sur la manière de tirer parti d'Amazon Nova Web Grounding, vous pouvez consulter le guide de l'[utilisateur d'Amazon Nova Web Grounding](https://docs.aws.amazon.com/nova/latest/nova2-userguide/web-grounding.html).
## Produire une sortie structurée
Pour garantir des formats de sortie cohérents et structurés, vous pouvez utiliser des sorties structurées, notamment des formats tels que XML, JSON, Markdown, ou utiliser les fonctionnalités d'utilisation d'outils.
+ Cette approche permet aux systèmes en aval de comprendre et d'analyser plus efficacement les résultats générés par le modèle.
+ En fournissant des instructions explicites au modèle, les réponses sont générées conformément à un schéma prédéfini.
Par exemple, si l'analyseur en aval attend des conventions de dénomination spécifiques pour les clés d'un objet JSON, vous devez spécifier le schéma de réponse à la fin de l'invite. De plus, si vous préférez que les réponses soient au format JSON sans texte d’introduction, indiquez-le au modèle. C'est-à-dire, indiquez explicitement **Veuillez générer uniquement la sortie JSON. NE FOURNISSEZ AUCUN préambule.** pour garantir une sortie propre.
**Astuce**
Nous respectons au mieux les exigences relatives au format des données lorsqu'elles sont définies dans le schéma lui-même plutôt que par le biais d'exemplaires (par exemple, en spécifiant des dates dans le YYYY/MM/DD format).
Pour les sorties JSON simples comportant jusqu'à 10 clés, vous trouverez le schéma ci-dessous. Pour les schémas plus complexes, nous vous recommandons de définir votre schéma à l'aide d'un outil. L'utilisation de l'outil s'appuie sur une technique appelée décodage sous contrainte qui augmentera l'adhérence du modèle à ces schémas complexes.
### Schémas de formatage courants
Voici des exemples de schémas de mise en forme courants.
------
#### [ 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 )
"""
```
------
### Préremplir le contenu de l'assistant
Si vous produisez une sortie structurée en mode non raisonné, vous pouvez modifier la réponse du modèle en préremplissant le contenu de l'assistant.
Le préremplissage améliore la cohérence du format de sortie en mode non raisonné. Il vous permet de diriger les actions du modèle, de contourner les préambules et d'appliquer des formats de sortie spécifiques tels que JSON et XML. Par exemple, si vous préremplissez le contenu de l'assistant avec `{` ou````json`, cette entrée guide le modèle pour générer l'objet JSON sans informations supplémentaires.
**Astuce**
Si vous recherchez explicitement à extraire du JSON, un modèle courant consiste à préremplir avec une séquence d'arrêt ````json` et à y ajouter une séquence d'arrêt. ````` Cela garantit que le modèle génère un objet JSON qui peut être analysé par programmation.
**Example Préremplir le contenu de l'assistant**
Le code suivant montre comment préremplir avec l’API :
```
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())
```
### Spécifier un outil à utiliser pour les schémas complexes
Une autre approche consiste à utiliser des outils pour forcer un schéma spécifique pour la réponse du modèle en incluant le schéma *JSON pydantic dans la section du schéma* d'utilisation des outils. Vous pouvez spécifier le choix de l’outil dans le schéma fourni et la réponse d’Amazon Nova sera structurée en fonction de l’outil sélectionné. Pour en savoir plus sur la manière de tirer parti de l'utilisation des outils, voir [Utilisation des outils](https://docs.aws.amazon.com/nova/latest/userguide/tool-use.html).
### Exemples
#### Exemple 1 : ajouter un schéma de sortie
L’ajout de la section Schéma de sortie avec le schéma approprié incite le modèle à s’adapter à ce schéma. Cependant, le résultat du modèle n'est pas déterministe et peut être différent du schéma de sortie.
------
#### [ Unspecific Prompt ]
Utilisateur :
```
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.
```
Assistante :
```
```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 ]
Utilisateur :
```
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"
}]
```
Assistante :
```
[
{
"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."
}
]
```
------
#### Exemple 2 : préremplir la réponse du modèle
Une autre approche consiste à préremplir la réponse du modèle en incluant le texte initial souhaité dans le message de l’assistant. Dans ce cas, la réponse du modèle Amazon Nova se poursuivra là où le message de l’assistant s’arrête.
**Conseil :** Le préremplissage n'est valide que lorsque le raisonnement n'est pas activé.
Utilisateur :
```
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.
```
Assistant (préremplissage) :
```
```json
```
Assistante :
```
{
"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."
}
]
}
```
```
#### Exemple 3 : spécifier un outil à utiliser
Au lieu d'utiliser la technique de préremplissage pour une sortie structurée, vous pouvez combiner les fonctionnalités d'outil de Nova avec ToolChoice. Dans cet exemple, le modèle générera un appel d'outil conforme au schéma JSON fourni et appellera l'outil spécifique spécifié au format JSON complet défini. Pour obtenir des instructions supplémentaires, reportez-vous à la section Systèmes avancés.
Utilisateur :
```
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"
}
}
}
```
## Cas d'utilisation multilingues
Les modèles Amazon Nova 2 ont été formés dans plus de 200 langues et optimisés pour 15 langues.
**Topics**
+ [Prompte pour des traductions précises](#accurate-translations)
+ [Appliquer des conventions d'écriture cohérentes](#consistent-writing-conventions)
### Prompte pour des traductions précises
Pour tirer parti de cette fonctionnalité pour les traductions abrégées (quelques phrases), vous pouvez demander au modèle de traduire le texte dans la langue cible spécifiée.
**Example Invites de traduction**
```
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}
```
### Appliquer des conventions d'écriture cohérentes
Dans les langages basés sur les caractères, les modèles Amazon Nova 2 peuvent utiliser le jeu de caractères de la langue source. Vous pouvez utiliser l'invite suivante pour garantir une sortie cohérente.
**Example Appliquer les conventions d'écriture**
```
When translating, ensure to use the correct orthography / script / writing convention of the target language, not the source language's characters
```
## Appel d'outils
### Systèmes agentic
**Topics**
+ [Définissez les bons paramètres d'inférence](#set-inference-parameters)
+ [Tenez compte des exigences en matière](#consider-latency-requirements)
+ [Utilisez un libellé intentionnel pour les instructions d'appel d'outils](#intentional-wording-tool-calling)
+ [Tirez parti des commandes de « réflexion »](#leverage-thinking-commands)
+ [Outil de commande par appel](#tool-call-ordering)
+ [Création de schémas d'outils de qualité](#designing-tool-schema)
+ [Création de sous-agents](#create-sub-agents)
+ [Utiliser des outils pour les entrées multimodales](#use-tools-multimodal-inputs)
+ [Étapes suivantes](#next-steps-best-practices)
#### Définissez les bons paramètres d'inférence
L'appel d'outils nécessite une sortie structurée très spécifique du modèle et est amélioré en utilisant les paramètres d'inférence suivants :
+ **Mode sans raisonnement :** température : 0,7 et P supérieur : 0,9
+ **Mode de raisonnement :** Température : 1 et P supérieur : 0,9
#### Tenez compte des exigences en matière
**Astuce**
Les modèles Amazon Nova 2 sont capables d'appeler des outils en activant ou en désactivant le raisonnement. Cependant, les modes de raisonnement ont un impact significatif sur la latence.
Pour les applications sensibles à la latence, vous devez optimiser le mode raisonnement hors tension et simplifier les appels d'outils requis dans la mesure du possible. Divisez les flux de travail en plusieurs étapes en étapes distinctes afin de réduire la dépendance du modèle à la régurgitation de paramètres inutiles.
#### Utilisez un libellé intentionnel pour les instructions d'appel d'outils
**Noms des outils :** le référencement des outils dans l'invite du système est courant dans les systèmes d'appel d'outils pour indiquer au modèle quand appeler un outil. Lorsque vous faites référence à des outils dans l'invite, nous vous recommandons d'utiliser le nom de l'outil plutôt que des références ou des exemples XML ou pythoniques.
##### Exemple de bonne référence d'outil
```
Use the 'run_shell_command' tool for running shell commands
```
##### Exemple de référence à un outil erroné
```
Call run_shell_command() to run shell commands
```
#### Tirez parti des commandes de « réflexion »
Dans tous les cas d'utilisation où la réflexion est bénéfique pour l'appel d'outils, nous vous recommandons d'utiliser le mode raisonnement au lieu de demander au modèle de « penser en balises » ou d'utiliser un outil de « réflexion ».
Les modèles Amazon Nova 2 sont entraînés de manière approfondie pour le mode raisonnement et produiront des résultats optimaux lorsqu'ils sont utilisés en mode raisonnement pour la chaîne de pensée.
#### Outil de commande par appel
Dans les cas d'utilisation qui peuvent nécessiter l'utilisation simultanée d'outils intégrés et l'appel d'outils natifs, le modèle privilégie l'appel d'abord aux outils intégrés.
Ne demandez pas au modèle d'agir différemment dans l'invite. Concevez plutôt votre flux de travail en tenant compte de cela.
Par exemple, si vous ne souhaitez pas que le modèle utilise des outils intégrés, ne les incluez pas dans votre flux de travail afin que le modèle ne soit pas biaisé en leur faveur.
#### Création de schémas d'outils de qualité
Les schémas d'outils sont l'un des principaux endroits où vous pouvez créer des systèmes d'appel d'outils efficaces. Cependant, il est important de tenir compte de ce qui est capturé dans le schéma d'outil lui-même, de la manière dont chaque élément du schéma est décrit sémantiquement et de la manière dont le message du système fait référence aux outils et aux éléments du schéma dans les instructions système.
Les modèles Amazon Nova 2 sont optimisés pour des descriptions concises dans les schémas d'outils. Soyez bref.
**Schéma d'outil par rapport aux directives rapides du système :**
**Inclure dans le schéma de l'outil :**
+ Fonctionnalité de base : fonction de l'outil (20 à 50 mots recommandés)
+ Spécifications des paramètres : descriptions claires de chaque paramètre (environ 10 mots par paramètre)
+ Formats attendus : types de données (tels que enum, int, float), champs obligatoires et plages de valeurs valides
**Incluez dans l'invite du système :**
+ Consacrez une `#Tool Usage` section à la logique d'orchestration (quand et pourquoi utiliser des outils spécifiques) et aux règles métier (logique conditionnelle, exigences de séquençage et dépendances).
+ **Stratégies de gestion des erreurs :** ajoutez une `#Error Handling and Troubleshooting` section contenant des instructions sur la façon de réagir aux défaillances ou aux sorties inattendues
+ **Formatage de sortie :** ajoutez des détails sur le mode de présentation à l'utilisateur
##### Exemple
```
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
```
#### Création de sous-agents
Envisagez de créer des sous-agents spécialisés plutôt qu'un agent unique doté de nombreux outils lorsque vous rencontrez :
+ **Le nombre d'outils dépasse 20 :** les ensembles d'outils volumineux deviennent difficiles à gérer et augmentent les erreurs de sélection
+ **Domaines fonctionnels distincts : les** outils sont naturellement regroupés en catégories distinctes (telles que la récupération des données, le traitement ou le reporting)
+ **Schémas complexes :** lorsque la profondeur des paramètres dépasse 3 à 4 niveaux ou que les outils présentent des interdépendances complexes
+ **Durée des conversations :** les flux de travail dépassent régulièrement 15 à 20 tours et peuvent bénéficier de l'intervention de sous-agents spécialisés
+ **Dégradation des performances :** si vous observez une diminution de la précision lors de la sélection des outils ou une augmentation de la latence
**Astuce**
Les serveurs MCP sont fournis avec des outils et des schémas que vous ne pouvez pas contrôler. N'incluez que les outils nécessaires à votre flux de travail pour effectuer la tâche requise.
#### Utiliser des outils pour les entrées multimodales
Pour les tâches multimodales, nous n'avons pas observé d'amélioration de la précision en tirant parti des outils pour les tâches structurées (telles que l'extraction ou la génération d'horodatages).
Nous vous recommandons plutôt de consulter les sections pertinentes de la section Proposer des entrées multimodales pour savoir comment demander correctement le modèle à l'aide des modèles fournis.
#### Étapes suivantes
+ Pour les instructions multimodales, voir. [Encourager les entrées multimodales](prompting-multimodal.md)