一般的なプロンプトのヒント

タスク分解: タスクが複雑で、Amazon Nova モデルが複雑で相互接続されたロジックに従うのが難しい場合は、問題を観察し、一連の個別の呼び出しに分解することをお勧めします。これは、プロンプトチェイニング (個々の呼び出しのシーケンスの連鎖) や並列実行 (独立した呼び出しの同時実行) などのワークフロー手法を使用することで実現できます。

指示の内訳: 複雑な指示を一連の指示に分割するか、よりアトミックな指示に分割することをお勧めします。これは、モデルが指示を理解し、以下の指示に関してそのパフォーマンスを向上させるために必要です。

仮定を避け、モデルに明確なガイダンスを提供する。Amazon Nova モデルは、提供されたプロンプトが明確で具体的である場合にのみ、指示に従うための強力な機能を示しています。仮定を避け、モデルに直接的で明瞭なガイダンスを指定することが重要です。プロンプトの透明性と指示が高いほど、モデルのレスポンスはより効果的になります。

エスケープされた Unicode 文字: モデルは、エスケープされた Unicode 言語ケースに遭遇すると、繰り返しループに入ることがあります。エスケープされた Unicode 文字を無視するようにモデルに指定することで、この問題を回避できます。例えば、「エスケープされた Unicode を出力に含めない。使用するのはエスケープされていないネイティブ文字に限定する。例えば、\u3492 などのシーケンスは含めない。」などです。

長く情報密度の高いプロンプトを構築する: 例、コンテキスト、手順、出力形式などの広範な情報を共有する場合は、明確なフォーマット手法を使用してコンテンツを構造化することをお勧めします。具体的には、マークダウンまたは箇条書きを使用すると、Amazon Nova モデルが提供された情報をより効果的に理解して整理する能力を高めることができます。

説明して回答する: コンテンツに関する特定の質問に答える前に、画像または動画で観察したすべての内容を徹底的に説明し、主要な詳細を要約し、包括的なアカウントを提供するようにモデルに指示することをお勧めします。モデルが最初に視覚情報全体を記述し、その後に後続のステップでターゲットクエリに応答するこの手法は、一般的にモデルのパフォーマンスを向上させます。

ドキュメントからのテキスト抽出: Amazon Nova は視覚理解を使用して PDF から情報を抽出するため、ユースケースでドキュメントのテキストのみを読み取る場合は、オープンソース API を使用してドキュメントのテキストコンテンツを抽出することをお勧めします。この抽出されたテキストを Amazon Nova に提供することができ、そこからユーザーはドキュメント内のキー情報を識別して抽出できます。