생성형 AI에 대한 지침을 작성하는 것은 검색 키워드를 사용하는 것과 매우 다릅니다. 키워드는 결과에 나타날 것으로 예상할 수 있는 단어입니다. 예를 들어, "회색 밥테일 고양이"를 검색하면 검색 결과가 회색 고양이, 밥테일 고양이 또는 일반적인 고양이에 관한 주제나 미디어로 반환될 것으로 합리적으로 예상할 수 있습니다. 그러나 생성형 AI를 사용하면 LLM에 작업을 수행하도록 요청하게 됩니다. "회색 밥테일 고양이" 문구에는 LLM이 해야 할 일을 알려주는 동사가 포함되어 있지 않습니다. 이 회색 고양이들은 어떻습니까? 그들에 대해 알아야 할 모든 것을 찾아야 합니까? 입양할 회색 밥테일 고양이를 찾아야 할까요? 회색 단행꼬리 고양이 사진을 만들어야 할까요? 사실적인 그림이어야 할까요, 아니면 선화여야 할까요? 생성형 AI에는 키워드 이상의 것이 필요합니다.

일반 LLM 지침

지침을 지속적으로 테스트하고 개선합니다. 좋은 LLM 지침을 만드는 것은 반복적인 프로세스이며, LLM 모델이 학습할 때 시간이 지남에 따라 지침을 수정할 수 있습니다.

목표 명시하기

지침도 작업 유형에 맞게 조정해야 합니다. 다음 표에서는 다양한 종류의 작업과 각 상황에 대해 작성할 수 있는 지침의 종류에 대해 설명합니다.

지침에 컨텍스트 제공

LLM에 컨텍스트를 제공하는 것은 당연한 것을 말하는 것처럼 느껴질 수 있습니다. 예를 들어 사용자가 작업을 수행하려는 이유를 설명하거나 작업의 용도에 대해 자세히 설명해야 할 수 있습니다. 다른 의미를 가질 수 있는 언어를 사용하는 경우 용어를 정의하는 것이 좋습니다. 예를 들어, 에 대한 Microsoft Teams지침인 경우 "Teams는 회사 직원이 개별적으로 또는 그룹으로 서로 통신하는 데 사용할 수 있는 애플리케이션을 의미합니다 Microsoft Teams"와 같이 말해야 할 수 있습니다.

컨텍스트를 제공할 때 작업의 대상 고객에 대해 생각하십시오. 이렇게 하면 더 나은 지침을 작성하는 데 도움이 됩니다. 작업 대상을 언급하면 LLM이 작업을 수행하는 데 도움이 됩니다.

또한 LLM에 원하는 종류의 답변에 도달하는 방법을 "지시"해야 할 수도 있습니다. 자세한 생각의 연쇄 지침은 원하는 결과를 생성할 가능성이 더 큽니다. 지침에서 가정을 하면 결과가 크게 달라질 수 있습니다.

기대

결과의 소리와 모양을 지정할 수 있습니다. 예를 들어 LLM에 사용하려는 톤의 종류를 지정할 수 있습니다.

일부 Now Assist 응용 프로그램에서는 서식을 지정하는 옵션이 있을 수 있습니다. 이러한 경우 LLM에 글머리 기호 목록으로 답변을 제공하도록 지시할 수 있습니다. 글머리 기호 목록은 종종 읽기 쉽습니다.

소스

대화, 사이트, Microsoft SharePoint Online 인시던트 및 케이스, 내부 지식 문서를 포함하여 Microsoft Teams LLM에서 답변을 찾는 데 사용해야 하는 다양한 소스를 제안할 수 있습니다. 에이전트 또는 기술이 이러한 모든 소스에 액세스하려면 관리자가 인스턴스에 대한 액세스를 구성해야 합니다.

개발자의 경우 기술 또는 AI 에이전트가 액세스할 수 있는 소스가 원하는 결과에 따라 다를 수 있습니다. 예를 들어 인시던트 요약 기술은 인시던트 테이블을 소스로 사용합니다. AI 에이전트는 수행하는 작업에 맞게 사용자 지정된 다양한 도구와 지식 소스를 사용합니다.

기술 및 도구에 대한 Now Assist 추가 지침