Implementando prompting com cadeia de pensamento

A StellarStack está prestes a lançar sua plataforma de nuvem principal. O time de marketing quer um e-mail que explique por que desenvolvedores devem migrar. Para orientar o raciocínio do Claude, você vai adicionar uma checklist de “think-step” ao prompt.

A biblioteca json já foi importada.

Este exercício faz parte do curso

Introdução ao Amazon Bedrock

Instruções do exercício

Esboce três etapas que o modelo deve seguir ao preparar a resposta, usando uma lista numerada (1., 2., 3.).
Usando a lista steps para a cadeia de pensamento, preencha o campo "text" de text_data anexando as etapas após "\nSteps: ".

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

def generate_message_content(text_data):
    steps = [
        # Outline the steps
        "____",
        "____",
        "____"
    ]
    # Append the steps to the prompt text
    text_data["text"] += "\nSteps: " + ____
    return text_data

text_data = {"text": "Create a promotional email for the StellarStack cloud platform."}
  
print(generate_message_content(text_data))

Editar e executar o código

Este exercício faz parte do curso

Introdução ao Amazon Bedrock

IntermediárioNível de habilidade

4.8+

Iniciar curso de graça

Aprenda os fundamentos do Amazon Bedrock, o serviço totalmente gerenciado de modelos de base da AWS. Comece com configuração e autenticação básicas, explore os modelos de base disponíveis como Claude e Titan e domine interações essenciais com a API. Este capítulo aborda a configuração do ambiente de desenvolvimento, a escolha de modelos apropriados para um caso de uso e a implementação do tratamento adequado de requisições à API, incluindo respostas em streaming e gerenciamento de erros.

Exercise 1: Acessando o Amazon Bedrock Exercise 2: Inicializando o cliente do Bedrock Exercise 3: Recuperando detalhes de modelos do Bedrock Exercise 4: Selecionando um modelo base Exercise 5: Usando o modelo correto no Bedrock Exercise 6: Gerando texto no Bedrock

Neste capítulo, você avançará por três lições-chave. Começando com o básico de geração de texto e tratamento de respostas, você seguirá para técnicas sofisticadas de prompt engineering, como few-shot learning e saídas estruturadas. A lição final aborda a otimização de parâmetros do modelo, ensinando você a ajustar configurações como temperatura e limites de tokens para obter resultados ideais. Cada lição se baseia na anterior, evoluindo de interações fundamentais com a API para o controle avançado de parâmetros em casos de uso específicos.

Exercise 1: Gerando texto com modelos de linguagem Exercise 2: Aprimorando prompts com atribuição de papel Exercise 3: Processando respostas do modelo e tratamento de erros Exercise 4: Categorização de relatório por foundation model Exercise 5: Aplicando técnicas de prompt engineering Exercise 6: Implemente few-shot learning para geometria Exercise 7: Criando prompts com saída estruturada Exercise 8: Trabalhando com diferentes parâmetros de modelo Exercise 9: Ajustando a criatividade com o controle de temperatura Exercise 10: Controlando a saída com top_p e max_tokens Exercise 11: Parâmetros para descrições de produto

Neste capítulo, você vai criar aplicações robustas e responsáveis com o Amazon Bedrock, indo além das interações básicas com a API. Começando com IA conversacional, você vai dominar o gerenciamento de estado e o uso de contexto para criar experiências de chat coerentes. Em seguida, vai explorar técnicas avançadas de prompting, aprendendo a gerar diferentes tipos de conteúdo mantendo estilo e tom consistentes. O capítulo aborda aspectos críticos de produção, como tratamento de erros, limitação de taxa e processamento eficiente de respostas. Por fim, você implementará guardrails éticos e medidas de segurança, garantindo que suas aplicações de IA sejam poderosas e responsáveis.

Exercise 1: Considerações éticas e guardrails Exercise 2: Moderação de avaliações de produto Exercise 3: Criando filtros de conteúdo apropriados à idade Exercise 4: Gerenciando conversas com IA Exercise 5: Criando uma classe gerenciadora de conversas Exercise 6: Tornando a conversa consciente de memória Exercise 7: Estratégias avançadas de prompting Exercise 8: Implementando prompting com cadeia de pensamento

Exercício atual

Exercise 9: Geração de conteúdo com estilo no Bedrock Exercise 10: Tratando respostas e erros da API Exercise 11: Implementando tratamento de limite de taxa Exercise 12: Implementando fallbacks de modelo Exercise 13: Parabéns!