本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。
P@@ rom pt Engineering 是指将文本输入优化到大型语言模型 (LLM) 以改善输出并获得所需的响应的做法。提示可以帮助LLM执行各种各样的任务，包括分类、问题解答、代码生成、创意写作等。您向提供的提示质量LLM可能会影响模型的响应质量。本节为您提供了开始使用提示工程所需的信息。它还介绍了一些工具，可帮助您在使用开启时为您的用例找到最佳LLM的提示格式 Amazon Bedrock。
提示的有效性取决于所提供信息的质量和提示本身的精湛技巧。提示可能包括说明、问题、上下文细节、输入和示例，以有效指导模型并提高结果质量。本文档概述了优化 Amazon Nova 系列模型性能的策略和策略。本文介绍的方法可以多种组合使用，以增强其有效性。我们鼓励用户参与实验，找出最适合其特定需求的方法。
在开始提示工程之前，我们建议你准备好以下元素，这样你就可以针对自己的用例迭代开发出最优的提示：
-
定义你的用例：在 4 个维度上定义你想要实现的用例
-
任务是什么-定义要从模型中完成的任务
-
角色是什么-定义模型为完成该任务应扮演的角色
-
什么是响应样式-根据输出的使用者定义应遵循的响应结构或样式。
-
应遵循哪组指令：定义模型根据成功标准应遵循的指令集进行响应
-
-
成功标准：明确定义成功标准或评估标准。这可以采用要点列表的形式，也可以像某些评估指标一样具体（例如：长度检查、BLEU分数、Rouge、格式、事实性、忠诚度）。
-
草稿提示：最后，需要草稿提示来启动提示工程的迭代过程。
Amazon Nova 模型系列由两大类模型组成，即理解模型（亚马逊 Nova Micro、Lite 和 Pro）和内容生成模型（亚马逊 Nova Canvas 和 Reel）。以下指南介绍了文本理解模型和视觉理解模型。有关图像生成提示的指导，请参阅亚马逊 Nova Canvas 提示最佳实践；有关视频生成提示的指导，请参阅。Amazon Nova Reel 提示最佳实践
