일반 프롬프팅 팁

작업 분해: 작업이 복잡하고, Amazon Nova 모델이 복잡하고 상호 연결된 로직을 따르는 데 어려움을 보이는 경우 문제의 범위를 지정하고 일련의 개별 호출로 분해하는 것이 좋습니다. 이는 프롬프트 체이닝(즉, 개별 호출 시퀀스 체인화) 또는 병렬 실행(즉, 독립적인 호출을 동시에 실행)과 같은 워크플로 기술을 활용하여 달성할 수 있습니다.

지침 분석: 복잡한 지침을 일련의 지침 또는 더 원자적인 지침으로 나누는 것이 좋습니다. 이는 모델이 지침을 이해하고 다음 지침과 관련하여 성능을 개선하는 데 필요합니다.

가정을 피하고 모델에 대한 명확한 지침 제공: Amazon Nova 모델은 제공된 프롬프트가 명확하고 구체적인 경우에만 지침을 따르는 강력한 기능을 보여줍니다. 가정을 하지 않고 모델에 직접적이고 모호하지 않은 지침을 제공하는 것이 중요합니다. 프롬프트가 더 투명하고 직접적일수록 모델의 응답이 더 효과적입니다.

이스케이프된 유니코드 문자: 이스케이프된 유니코드 언어 사례가 발생할 때 모델이 반복 루프에 들어가는 경우가 있습니다. 이스케이프된 유니코드 문자를 무시하도록 모델에 요청하면 이 문제를 방지할 수 있습니다. 예: “출력에 이스케이프된 유니코드를 절대 넣지 마세요. 이스케이프되지 않은 네이티브 문자만 사용합니다. 예를 들어 \u3492와 같은 시퀀스를 포함하지 마세요.”

긴 정보 집약적 프롬프트 구조화: 예제, 컨텍스트, 지침, 출력 형식과 같은 광범위한 정보를 공유할 때는 명확한 형식 지정 기술을 사용하여 콘텐츠를 구조화하는 것이 좋습니다. 특히 마크다운 또는 글머리 기호를 사용하면 제공된 정보를 더 효과적으로 이해하고 구성하는 Amazon Nova 모델의 기능을 개선하는 데 도움이 될 수 있습니다.

설명 및 답변: 이미지 또는 비디오에서 관찰한 모든 내용을 철저히 설명하고, 주요 세부 정보를 요약하고, 콘텐츠에 대한 특정 질문에 답변하기 전에 포괄적인 해설을 제공하도록 모델에 지시하는 것이 좋습니다. 모델이 먼저 전체 시각적 정보를 설명한 다음 후속 단계에서 대상 쿼리에 응답하게 하는 이 기술은 일반적으로 모델의 성능을 개선합니다.

문서에서 텍스트 추출: Amazon Nova는 비전 이해를 사용하여 PDF에서 정보를 추출하므로 사용 사례에서 문서의 텍스트만 읽어야 하는 경우 오픈 소스 API를 사용하여 문서의 텍스트 콘텐츠를 추출하는 것이 좋습니다. 문서에서 키 정보를 식별하고 추출할 수 있도록 추출된 텍스트를 Amazon Nova에 제공할 수 있습니다.