सिस्टम रोल: तुम्ही आहात .
उदाहरण:

5) Tool आणि फंक्शन कॉलिंग
- जेव्हा उपलब्ध असेल, तेव्हा फंक्शन्स/टूल्स स्पष्टपणे परिभाषित करा. arguments, मर्यादा आणि अपेक्षित outputs प्रदान करा.
- Typical use cases: वेब शोध, calculations, डेटाबेस lookups, extraction किंवा external systems trigger करणे.
Function-spec prompt snippet:

6) Retrieval-augmented generation (RAG)
- संबंधित संदर्भ पुरवा: डॉक्स, स्निपेट्स, टेबल्स किंवा शोध परिणाम.
- Strict grounding नियम जोडा: “केवळ प्रदान केलेल्या संदर्भाचा वापर करून उत्तर द्या; अपुरा असल्यास, अधिक माहिती मागा किंवा अज्ञात सांगा.”
RAG guardrails:

7) Evaluation, critique आणि repair
- Verification पास जोडा: “A/B/C criteria नुसार validate करा; समस्यांची यादी करा; त्या fix करा.”
- सिंगल प्रॉम्प्टमध्ये दोन-एजंट पॅटर्न (लेखक + समीक्षक) वापरा किंवा चेन प्रॉम्प्ट वापरा: मसुदा → पुनरावलोकन → दुरुस्ती → अंतिम.
समीक्षक प्रॉम्प्ट:

## High-Impact प्रॉम्प्ट पॅटर्न्स (टेम्प्लेटसह)
खाली प्रगत पॅटर्न्स दिलेले आहेत, जे तुम्ही कॉपी आणि adapt करू शकता.
1) ॲक्शनपूर्वी स्पष्ट करणारे प्रश्न
- Rework कमी करते आणि alignment सुनिश्चित करते.

2) Instruction → संदर्भ → आउटपुट करार
- चांगली general-purpose रचना.

सिस्टम: स्ट्रॅटेजी विश्लेषक; व्याप्तीपेक्षा स्पष्टतेला प्राधान्य द्या.
कार्य: यासाठी धोरणात्मक परिदृश्याचे सार सांगा .Sider.AI
- Chain-of-thought आणि self-consistency वरील संशोधन दर्शवते की अंतर्गत तर्काला (ते उघड न करता) प्रोत्साहन देणे जटिल कामांमध्ये अचूकता का वाढवू शकते.
---
मुख्य मुद्दे:
- प्रॉम्प्टला specs प्रमाणे treat करा: भूमिका, मर्यादा, यश criteria आणि रचना परिभाषित करा.
- Reliability साठी staged वर्कफ्लो, RAG grounding आणि समीक्षक loops वापरा.
- संक्षिप्त rationales परत करताना काळजीपूर्वक अंतर्गत तर्काला प्रोत्साहन द्या.
- ऑटोमेशन स्केल करण्यासाठी schemas सह फॉरमॅट लॉक करा.
- एक प्रॉम्प्ट लायब्ररी तयार करा आणि नियमितपणे evaluate करा.
### FAQ
प्रश्न 1: ChatGPT साठी प्रगत प्रॉम्प्ट इंजिनिअरिंग काय आहे?
प्रगत प्रॉम्प्ट इंजिनिअरिंग प्रॉम्प्ट्सला भूमिका, मर्यादा, संदर्भ आणि आउटपुट schemas सह संरचित स्पेसिफिकेशन्समध्ये बदलते. हे जटिल कामांमध्ये सातत्यपूर्ण, अचूक आणि पुन्हा वापरण्यायोग्य परिणामांचे उद्दिष्ट ठेवते.
प्रश्न 2: ChatGPT अधिक अचूक कसे मिळवावे?
संदर्भ (RAG) प्रदान करा, कठोर यश criteria सेट करा आणि समीक्षक passes सह संरचित outputs आवश्यक करा. Hallucinations कमी करण्यासाठी अंतर्गत तर्काला प्रोत्साहन द्या आणि संख्या आणि स्त्रोतांसाठी self-checks जोडा.
प्रश्न 3: मी ChatGPT सह chain-of-thought प्रॉम्प्टिंग वापरावे का?
तर्काला प्रोत्साहन द्या, परंतु production मध्ये तपशीलवार chain-of-thought उघड करणे टाळा. संक्षिप्त rationales साठी विचारा आणि तर्क क्षमता सुधारण्यासाठी दर्शविलेल्या self-consistency तंत्रांचा विचार करा.
प्रश्न 4: ऑटोमेशनसाठी मी outputs कसे structure करावे?
JSON schemas किंवा स्पष्टपणे परिभाषित headings आणि fields लागू करा. Schemas फॉरमॅटिंग स्थिर करतात, QA सोपे करतात आणि परिणाम downstream tools मध्ये pipe करणे सोपे करतात.
प्रश्न 5: ब्राउझरमधील प्रॉम्प्ट वर्कफ्लोमध्ये कोणती साधने मदत करतात?
AI sidebars आणि रिसर्च एजंट्स संदर्भ कॅप्चर करू शकतात, पृष्ठांचे सार summarize करू शकतात आणि प्रॉम्प्ट्स पुन्हा वापरू शकतात. 
कार्य: यासाठी धोरणात्मक परिदृश्याचे सार सांगा .Sider.AI
 एक extension आणि guides प्रदान करते, जे प्रॉम्प्ट इंजिनिअरिंग आणि डीप रिसर्च वर्कफ्लो सुव्यवस्थित करतात.