प्रॉम्प्ट इंजीनियरिंग तकनीकें: ज़ीरो-शॉट, फ्यू-शॉट, चेन-ऑफ-थॉट, और बहुत कुछ की एक व्यावहारिक मार्गदर्शिका

प्रॉम्प्ट इंजीनियरिंग एक बड़े भाषा मॉडल के व्यवहार को बदलने का सबसे सस्ता, सबसे तेज़ तरीका है: आप इनपुट बदलते हैं, मॉडल नहीं। कोई ट्रेनिंग नहीं, कोई डेटा पाइपलाइन नहीं, कोई GPU बिल नहीं - बस साफ़ निर्देश। यह कस्टमाइजेशन सीढ़ी की पहली पायदान है (पूरी सीढ़ी के लिए AI मॉडल कैसे प्रशिक्षित किए जाते हैं देखें), और हर फाउंडेशनल AI तथा जनरेटिव-AI परीक्षा में इसे भरपूर परखा जाता है, AWS AI Practitioner (AIF-C01) से लेकर Azure और Google Cloud के समकक्षों तक।

यह मार्गदर्शिका प्रोवाइडर-न्यूट्रल है - ये तकनीकें किसी भी आधुनिक LLM पर एक जैसे काम करती हैं। यह एक अच्छे प्रॉम्प्ट की संरचना, हर तकनीक को कब इस्तेमाल करना है इसके साथ मुख्य तकनीकें, वे इन्फरेंस सेटिंग्स जो आउटपुट को आकार देती हैं, और वे सुरक्षा जोखिम जिन्हें आपको जानना ज़रूरी है, सबको कवर करती है। जहां कोई परीक्षा किसी चीज़ पर जोर देती है, वहां एक "परीक्षा में" नोट है। इसे एक ऐसे संदर्भ की तरह मानिए जिसे आप सेक्शन-दर-सेक्शन देखते हैं।

प्रॉम्प्ट इंजीनियरिंग क्या है (और क्या नहीं है)

यह क्या है। मॉडल को दिए जाने वाले टेक्स्ट को गढ़ना और परिष्कृत करना ताकि वह आपका चाहा हुआ आउटपुट लौटाए। यह उस चीज़ का दोहन करती है जो मॉडल पहले ही प्री-ट्रेनिंग के दौरान सीख चुका है; आप दिशा दे रहे हैं, सिखा नहीं रहे।

यह क्यों मायने रखती है। यह लगभग मुफ़्त और तत्काल है। RAG या फाइन-ट्यूनिंग की ओर बढ़ने से पहले - जिनमें डेटा, पैसा, और समय लगता है - आपको प्रॉम्प्टिंग को पूरी तरह आज़मा लेना चाहिए। अक्सर एक बेहतर प्रॉम्प्ट पूरी खाई को पाट देता है।

यह क्या नहीं है। यह मॉडल के वेट नहीं बदलती। अगर मॉडल के पास सीधे-सीधे ज्ञान ही नहीं है (आपका निजी डेटा) या कोई भरोसेमंद व्यवहार नहीं है, तो अकेली प्रॉम्प्टिंग इसे ठीक नहीं करेगी - तभी आप RAG या फाइन-ट्यूनिंग तक चढ़ते हैं। प्रॉम्प्ट इंजीनियरिंग (बेहतर निर्देश लिखना) को प्रॉम्प्ट ट्यूनिंग (एक ट्रेनिंग तकनीक जो "सॉफ्ट प्रॉम्प्ट" वेक्टर सीखती है) के साथ न मिलाएं; परीक्षा प्रॉम्प्ट इंजीनियरिंग को बिना-री-ट्रेनिंग वाले विकल्प के रूप में मानती है।

एक अच्छे प्रॉम्प्ट की संरचना

अधिकांश मज़बूत प्रॉम्प्ट में चार तक हिस्से होते हैं:

• निर्देश - कार्य: "सारांश बनाओ," "वर्गीकृत करो," "अनुवाद करो," "निकालो।"
• संदर्भ - वह पृष्ठभूमि जो मॉडल को चाहिए: श्रोता, टोन, डोमेन, बाधाएं।
• इनपुट डेटा - असल सामग्री जिस पर काम करना है।
• आउटपुट संकेतक - जवाब का रूप: "JSON लौटाओ," "एक वाक्य," "एक बुलेटेड सूची।"

वे सिद्धांत जो हर हिस्से को कारगर बनाते हैं:

• विशिष्ट और असंदिग्ध रहें। "एक गैर-तकनीकी पाठक के लिए 3-वाक्य का सारांश लिखो" "इसका सारांश बनाओ" से बेहतर है।
• सकारात्मक निर्देशों को प्राथमिकता दें। मॉडल को बताएं कि क्या करना है, सिर्फ़ यह नहीं कि किससे बचना है; "केवल श्रेणी के नाम से जवाब दो" "न करो" वाले नियमों के ढेर से ज़्यादा स्पष्ट है (हालांकि नकारात्मक बाधाओं की अपनी जगह है - नीचे देखें)।
• बाधाएं दें। लंबाई, टोन, पढ़ने का स्तर, फॉर्मैट, क्या छोड़ना है।
• डिलिमिटर इस्तेमाल करें। इनपुट को स्पष्ट विभाजकों में लपेटें - ट्रिपल कोट्स, XML-शैली के टैग, या मार्कडाउन हेडर - ताकि मॉडल जान सके कि निर्देश कहां ख़त्म होते हैं और डेटा कहां शुरू होता है। यह उपयोगकर्ता द्वारा दिए गए टेक्स्ट के निर्देश के रूप में पढ़े जाने के जोखिम को भी कम करता है (प्रॉम्प्ट इंजेक्शन देखें)।
• आउटपुट अनुबंध निर्दिष्ट करें। अगर कोई दूसरा प्रोग्राम आउटपुट पढ़ेगा, तो सटीक स्वरूप बताएं (इन कुंजियों के साथ वैध JSON, आसपास कोई गद्य नहीं)। मॉडल संरचना का सम्मान तब तक नहीं करते जब तक आप उसकी मांग न करें।

मुख्य तकनीकें

ज़ीरो-शॉट प्रॉम्प्टिंग

क्या। मॉडल से बिना किसी उदाहरण के कार्य करवाएं, पूरी तरह उसके प्री-ट्रेन्ड ज्ञान पर भरोसा करते हुए।

कब। सरल, आम कार्य जिन्हें मॉडल ने साफ़ तौर पर पहले देखा है (बुनियादी वर्गीकरण, सीधे-सादे सारांश, सामान्य प्रश्न)।

जोखिम। अगर कार्य असामान्य है या मॉडल की ट्रेनिंग से बहुत दूर है, तो ज़ीरो-शॉट नतीजे अविश्वसनीय हो सकते हैं - यही आपके लिए उदाहरण जोड़ने का संकेत है।

परीक्षा में। ज़ीरो-शॉट का मतलब है प्रॉम्प्ट में कोई उदाहरण नहीं। इसका नामित जोखिम है खराब प्रदर्शन जब कार्य मॉडल के सीखे हुए से बहुत दूर हो।

वन-शॉट और फ्यू-शॉट प्रॉम्प्टिंग (इन-कॉन्टेक्स्ट लर्निंग)

क्या। प्रॉम्प्ट में इनपुट-और-वांछित-आउटपुट का एक (वन-शॉट) या कुछ (फ्यू-शॉट) हल किए हुए उदाहरण शामिल करें, ताकि मॉडल पैटर्न का अनुमान लगा ले। इसे इन-कॉन्टेक्स्ट लर्निंग भी कहते हैं, क्योंकि मॉडल बिना किसी पैरामीटर अपडेट के प्रॉम्प्ट के संदर्भ से कार्य को "सीख" लेता है।

कब। कार्य का कोई खास फॉर्मैट, लेबल सेट, या शैली हो जिसका आप लगातार मिलान चाहते हों - उदाहरण के लिए, संदेशों को अपनी खुद की श्रेणियों में वर्गीकृत करना, या किसी खास टोन का मिलान करना।

कैसे। 2 से 5 साफ़, प्रतिनिधि उदाहरण दिखाएं जो मामलों की पूरी रेंज को कवर करें, फिर नया इनपुट दें। उदाहरणों में एकसमान फॉर्मैटिंग मात्रा से ज़्यादा मायने रखती है।

परीक्षा में। फ्यू-शॉट लर्निंग और इन-कॉन्टेक्स्ट लर्निंग एक ही विचार हैं: प्रॉम्प्ट में उदाहरण, कोई री-ट्रेनिंग नहीं। "बिना फाइन-ट्यूनिंग के मॉडल से किसी खास पैटर्न या लेबल स्कीम का पालन करवाओ" के लिए यह प्रमुख जवाब है।

चेन-ऑफ-थॉट (CoT) प्रॉम्प्टिंग

क्या। मॉडल से अंतिम जवाब देने से पहले चरण-दर-चरण तर्क करने को कहें, न कि सीधे उस पर कूदने को।

कब। बहु-चरणीय समस्याएं: अंकगणित, तर्क, योजना, कुछ भी जहां बीच का तर्क मदद करता हो।

कैसे। या तो ऐसे उदाहरण दें जो तर्क को दिखाएं (फ्यू-शॉट CoT), या बिना उदाहरणों के तर्क निकालने के लिए बस Let's think step by step जैसा कोई ट्रिगर जोड़ दें (ज़ीरो-शॉट CoT)।

परीक्षा में। चेन-ऑफ-थॉट जटिल, बहु-चरणीय तर्क पर प्रदर्शन सुधारने के लिए नामित तकनीक है।

सेल्फ-कंसिस्टेंसी

क्या। चेन-ऑफ-थॉट को कई बार चलाएं (कुछ यादृच्छिकता के साथ), फिर वह जवाब लें जो सभी रनों में सबसे अधिक बार आता है।

कब। उच्च-दांव वाला तर्क जहां एक अकेली शृंखला फिसल सकती है; कई का नमूना लेना और मतदान करना विश्वसनीयता सुधारता है।

रोल (पर्सोना) और सिस्टम प्रॉम्प्टिंग

क्या। मॉडल को बताएं कि उसे कौन बनना है - "तुम एक वरिष्ठ कर सलाहकार हो," "तुम एक संक्षिप्त कोड रिव्यूअर हो।" चैट मॉडल में यह अक्सर एक अलग सिस्टम प्रॉम्प्ट में रहता है जो स्थायी व्यवहार तय करता है।

कब। पूरी बातचीत भर में टोन, विशेषज्ञता स्तर, या दृष्टिकोण को तय करने के लिए।

कैसे। भूमिका, श्रोता, और बाधाओं को शुरुआत में ही बताएं। सिस्टम प्रॉम्प्ट को स्थिर रखें; उपयोगकर्ता प्रॉम्प्ट को बदलते रहें।

डिलिमिटर और संरचना

क्या। अपने प्रॉम्प्ट के हिस्सों (निर्देश बनाम डेटा बनाम उदाहरण) को अलग करने के लिए स्पष्ट चिह्नों का इस्तेमाल करें।

क्यों। यह हर सेक्शन के प्रति मॉडल की निष्ठा को सुधारता है और, महत्वपूर्ण रूप से, अविश्वसनीय इनपुट को निर्देश के रूप में समझे जाने से रोकने में मदद करता है।

आउटपुट फॉर्मैटिंग

क्या। सटीक आउटपुट स्वरूप निर्दिष्ट करें और, आदर्श रूप से, मॉडल से जवाब को टैग में लपेटने या सख्त JSON लौटाने को कहें।

क्यों। तब ज़रूरी है जब आउटपुट किसी दूसरे प्रोग्राम या मॉडल में जाता है। एक स्पष्ट आउटपुट अनुबंध डगमगाते पार्सिंग को भरोसेमंद पाइपलाइनों में बदल देता है।

प्रॉम्प्ट टेम्पलेट

क्या। पुन: प्रयोज्य, पैरामीटरयुक्त प्रॉम्प्ट संरचनाएं जिनमें प्लेसहोल्डर होते हैं जिन्हें आप रनटाइम पर भरते हैं।

क्यों। एकरूपता और रख-रखाव में आसानी - आपका ऐप्लिकेशन हर बार एक ही अच्छी तरह परखा हुआ प्रॉम्प्ट बनाता है, केवल इनपुट बदलते हुए। प्रबंधित प्लेटफॉर्म अक्सर ठीक इसी के लिए प्रॉम्प्ट-टेम्पलेट और प्रॉम्प्ट-प्रबंधन सुविधाएं देते हैं।

टास्क डीकंपोज़िशन और प्रॉम्प्ट चेनिंग

क्या। एक जटिल काम को छोटे प्रॉम्प्ट में तोड़ें और हर चरण के आउटपुट को अगले में डालें।

कब। कोई कार्य एक प्रॉम्प्ट के लिए बहुत बड़ा या बहु-चरणीय हो (निकालो, फिर विश्लेषण करो, फिर मसौदा बनाओ)। एक ही बार में सब कुछ मांगने की तुलना में चेनिंग ज़्यादा भरोसेमंद है, और हर चरण को परखना आसान है।

ReAct (तर्क + क्रिया)

क्या। एक पैटर्न जहां मॉडल तर्क को क्रियाओं के साथ बदल-बदल कर चलाता है - टूल कॉल करना, खोजना, या डेटा क्वेरी करना - फिर नतीजे को देखना और आगे बढ़ना। यह एजेंटों के पीछे की प्रॉम्प्टिंग वाली सोच है।

कब। मॉडल को बाहरी जानकारी चाहिए या उसे दुनिया में कदम उठाने पड़ें, केवल स्मृति से जवाब देने भर से काम न चले। (यह प्रॉम्प्ट इंजीनियरिंग को एजेंट फ्रेमवर्क से जोड़ता है।)

नेगेटिव प्रॉम्प्टिंग

क्या। स्पष्ट रूप से बताएं कि क्या छोड़ना या टालना है - "व्यक्तिगत राय शामिल न करो," "कोई कोड न रखो," या, इमेज मॉडल के लिए, उन तत्वों को सूचीबद्ध करना जो आप नहीं चाहते।

कब। ज्ञात विफलता के तरीकों को हटाने के लिए। इसे सकारात्मक निर्देशों के एक लक्षित पूरक के रूप में इस्तेमाल करें, पूरे प्रॉम्प्ट के रूप में नहीं।

वे इन्फरेंस सेटिंग्स जो आउटपुट को आकार देती हैं

प्रॉम्प्ट टेक्स्ट कहानी का सिर्फ़ आधा हिस्सा है। ये जनरेशन पैरामीटर आपके प्रॉम्प्ट का एक शब्द बदले बिना आउटपुट बदल देते हैं:

• टेम्परेचर - यादृच्छिकता। कम (0 के करीब) निर्धारक, दोहराने योग्य, केंद्रित जवाब देता है; ज़्यादा रचनात्मक, विविध जवाब देता है।
• Top-p (न्यूक्लियस सैंपलिंग) और top-k - उम्मीदवार अगले टोकनों के उस समूह को सीमित करते हैं जिनमें से मॉडल नमूना ले सकता है, विविधता पर एक और लीवर।
• मैक्स टोकन - जवाब की लंबाई पर सीमा लगाता है।
• स्टॉप सीक्वेंस - वे स्ट्रिंग जो मॉडल को जनरेट करना बंद करने को कहती हैं।

परीक्षा में। "जवाबों को ज़्यादा एकसमान या दोहराने योग्य बनाओ" का मतलब है टेम्परेचर घटाना। जानिए कि टेम्परेचर और top-p/top-k यादृच्छिकता तथा विविधता को नियंत्रित करते हैं, और इन्हें इन्फरेंस के समय सेट किया जाता है, प्रॉम्प्ट टेक्स्ट में बेक नहीं किया जाता।

प्रॉम्प्टिंग बनाम RAG और फाइन-ट्यूनिंग कहां फिट होती है

प्रॉम्प्ट इंजीनियरिंग सबसे पहले आज़माने वाली चीज़ है, लेकिन इसकी सीमाएं हैं। कस्टमाइजेशन सीढ़ी, सबसे सस्ती पहले:

• प्रॉम्प्ट इंजीनियरिंग - निर्देशों को आकार दें। कोई नया ज्ञान नहीं, कोई री-ट्रेनिंग नहीं।
• RAG (रिट्रीवल-ऑगमेंटेड जनरेशन) - क्वेरी के समय अपना खुद का मौजूदा डेटा प्रॉम्प्ट में डालें। इसका इस्तेमाल तब करें जब मॉडल को ऐसे तथ्य चाहिए जिन पर उसे कभी ट्रेन ही नहीं किया गया, या जब ज्ञान बार-बार बदलता हो।
• फाइन-ट्यूनिंग - किसी व्यवहार या शैली को पक्का करने के लिए लेबल्ड उदाहरणों पर री-ट्रेन करें। इसका इस्तेमाल तब करें जब प्रॉम्प्टिंग और RAG फिर भी पर्याप्त एकसमान न हों।

परीक्षा में। अगर किसी परिदृश्य को निजी या ताज़ा तथ्य चाहिए, तो अकेली प्रॉम्प्टिंग से काम नहीं चलेगा - वह RAG है। अगर उसे किसी भरोसेमंद तरीके से दोहराए गए व्यवहार या डोमेन शैली की ज़रूरत है, तो वह फाइन-ट्यूनिंग है। प्रॉम्प्टिंग तब जवाब है जब मॉडल पहले से ही कार्य कर सकता है और उसे बस साफ़ दिशा की ज़रूरत है।

प्रॉम्प्ट सुरक्षा और जिम्मेदार उपयोग

प्रॉम्प्ट एक हमले की सतह हैं। फाउंडेशनल परीक्षाएं इन्हें जिम्मेदार-AI और सुरक्षा के तहत परखती हैं:

• प्रॉम्प्ट इंजेक्शन - एक हमलावर उपयोगकर्ता द्वारा दिए गए इनपुट में (या मॉडल द्वारा पढ़े जाने वाले किसी दस्तावेज़ में) निर्देश छिपा देता है ताकि आपके सिस्टम प्रॉम्प्ट को दरकिनार कर सके और मॉडल के व्यवहार या डाउनस्ट्रीम क्रियाओं को हाईजैक कर सके।
• जेलब्रेकिंग - गढ़े हुए प्रॉम्प्ट जो प्रतिबंधित या हानिकारक आउटपुट पैदा करने के लिए मॉडल के सुरक्षा गार्डरेल को बायपास कर देते हैं।
• प्रॉम्प्ट लीकिंग - मॉडल को उसके अपने छिपे हुए सिस्टम प्रॉम्प्ट या गोपनीय संदर्भ को उजागर करने के लिए फुसलाना।
• सामान्य रूप से एडवर्सेरियल प्रॉम्प्टिंग - इन हेरफेर तकनीकों के लिए एक व्यापक शब्द।

वे शमन उपाय जो आपको जानने चाहिए:

• भरोसेमंद निर्देशों को अविश्वसनीय उपयोगकर्ता इनपुट से अलग करें और स्पष्ट रूप से डिलिमिट करें; इन्हें कभी आंख मूंदकर जोड़ें नहीं।
• इनपुट को मान्य और सैनिटाइज़ करें; मॉडल को जो आउटपुट देने और करने की अनुमति है उसे सीमित करें।
• इनपुट और आउटपुट दोनों पर गार्डरेल / कंटेंट फ़िल्टर और PII रिडैक्शन लागू करें।
• मॉडल और किसी भी जुड़े हुए टूल को न्यूनतम-विशेषाधिकार पहुंच दें, ताकि एक सफल इंजेक्शन भी ज़्यादा कुछ न कर सके।
• उच्च-दांव वाली क्रियाओं के लिए मानव को लूप में रखें।

प्रॉम्प्टिंग हैलुसिनेशन में भी मदद करती है: मॉडल को पुनः प्राप्त तथ्यों में आधार दें (RAG), उससे स्रोत उद्धृत करने को कहें, और स्पष्ट रूप से "मुझे नहीं पता" कहने की अनुमति दें ताकि वह जवाब गढ़ना बंद कर दे। टेम्परेचर घटाना और आधार जोड़ना आत्मविश्वास से भरी बकवास को कम करता है।

सर्वश्रेष्ठ-अभ्यास चेकलिस्ट

• सरल से शुरू करें; जटिलता (उदाहरण, तर्क, चेनिंग) तभी जोड़ें जब सरल प्रॉम्प्ट विफल हो जाए।
• विशिष्ट रहें: कार्य, श्रोता, बाधाएं, और सटीक आउटपुट फॉर्मैट बताएं।
• निर्देशों को डेटा से अलग करने के लिए डिलिमिटर इस्तेमाल करें।
• जब आपको किसी खास पैटर्न की ज़रूरत हो तो उदाहरण (फ्यू-शॉट) जोड़ें; जब आपको तर्क की ज़रूरत हो तो Let's think step by step जोड़ें।
• असल इनपुट पर बार-बार आज़माएं और परखें; शब्दों के छोटे बदलाव मायने रखते हैं।
• एकरूपता के लिए टेम्परेचर घटाएं; रचनात्मकता के लिए बढ़ाएं।
• उपयोगकर्ता इनपुट को अविश्वसनीय मानें; उसे डिलिमिट करें, मान्य करें, और आउटपुट की रक्षा करें।

30-सेकंड की निर्णय-मार्गदर्शिका

• सरल, परिचित कार्य -> ज़ीरो-शॉट
• किसी खास फॉर्मैट या लेबल स्कीम की ज़रूरत -> फ्यू-शॉट (इन-कॉन्टेक्स्ट लर्निंग)
• बहु-चरणीय तर्क -> चेन-ऑफ-थॉट (Let's think step by step जोड़ें)
• कठिन तर्क पर ज़्यादा विश्वसनीयता की ज़रूरत -> सेल्फ-कंसिस्टेंसी (नमूना लें और मतदान करें)
• किसी चैट भर में टोन या विशेषज्ञता तय करना -> रोल / सिस्टम प्रॉम्प्ट
• आउटपुट किसी दूसरे प्रोग्राम में जाता है -> एक सख्त आउटपुट फॉर्मैट निर्दिष्ट करें (JSON, टैग)
• कार्य एक प्रॉम्प्ट के लिए बहुत बड़ा -> डीकंपोज़ करें और चेन करें
• मॉडल को टूल या लाइव डेटा चाहिए -> ReAct / एजेंट
• निजी या मौजूदा तथ्य चाहिए -> RAG, प्रॉम्प्टिंग नहीं
• किसी भरोसेमंद तरीके से दोहराए गए व्यवहार की ज़रूरत -> फाइन-ट्यूनिंग, प्रॉम्प्टिंग नहीं
• आउटपुट को निर्धारक बनाएं -> टेम्परेचर घटाएं

संबंधित प्रमाणन

प्रॉम्प्ट इंजीनियरिंग हर जनरेटिव-AI परीक्षा का मूल है - यह मार्गदर्शिका उनमें से हर एक के हब पर Related Study Guides के तहत दिखती है:

• AWS Certified AI Practitioner (AIF-C01) - प्रॉम्प्ट तकनीकों, इन-कॉन्टेक्स्ट लर्निंग, और इन्फरेंस पैरामीटरों को सीधे परखती है।
• AWS Certified Generative AI Developer Professional (AIP-C01) - प्रॉम्प्ट, RAG, और एजेंटों के साथ निर्माण पर ज़्यादा गहराई में जाती है।
• Microsoft Azure AI Fundamentals (AI-900 / AI-901) - जनरेटिव AI और प्रॉम्प्टिंग की बुनियादी बातें।
• Google Cloud Generative AI Leader - प्रॉम्प्ट डिज़ाइन और फाउंडेशन-मॉडल उपयोग।
• NVIDIA-Certified Associate: Generative AI and LLMs (NCA-GENL) - LLM प्रॉम्प्टिंग और अनुकूलन।
• Claude Certified Architect - Foundations (CCA-F) - Claude को प्रभावी ढंग से प्रॉम्प्ट करना।
• IBM watsonx Generative AI Engineer Associate - जनरेटिव AI की बुनियाद।

इसका अध्ययन कैसे करें

किसी परीक्षा के लिए, किसी परिदृश्य को किसी तकनीक से मिलाने का अभ्यास करें, और उन सीमाओं को जानें जो लोगों को उलझाती हैं: ज़ीरो-शॉट बनाम फ्यू-शॉट, तर्क के औज़ार के रूप में चेन-ऑफ-थॉट, एकरूपता के लीवर के रूप में टेम्परेचर, और - सबसे बड़ी बात - प्रॉम्प्टिंग बनाम RAG बनाम फाइन-ट्यूनिंग (दिशा देना बनाम तथ्य जोड़ना बनाम व्यवहार बदलना)। असल काम के लिए, प्रॉम्प्ट को विशिष्ट, डिलिमिटेड, और परखा हुआ रखें, और हर उपयोगकर्ता द्वारा दी गई स्ट्रिंग को अविश्वसनीय मानें। 30-सेकंड की निर्णय-मार्गदर्शिका खुली रखकर प्रैक्टिस प्रश्न चलाएं, और जब कोई गलत हो, तो उस तकनीक को यहां तब तक फिर से पढ़ें जब तक रेखा साफ़ न हो जाए।

स्रोत: AWS Certified AI Practitioner (AIF-C01) परीक्षा गाइड और प्रश्न डोमेन, तथा मानक प्रॉम्प्ट-इंजीनियरिंग संदर्भ, सितंबर 2026 तक।