Prompt engineering content

Module 1: Introduction to Generative AI & The Prompt

1. Traditional AI vs. Generative AI

Concept: Before explaining what GenAI is, explain what it is not. Most students are used to "Traditional AI" (Discriminative AI) without realizing it.

Traditional AI (The Analyst): It analyzes existing data to classify it or predict a number. It gives a specific, pre-defined answer.
- Example 1 (Spam Filter): You give it an email. It says: "Spam" or "Not Spam."
- Example 2 (Netflix): You watch a movie. It predicts: "You will like this 98%."
- Example 3 (Banking): You swipe a card. It says: "Fraudulent Transaction" or "Approved."
Generative AI (The Creator): It takes a prompt and generates new data that didn't exist before. It doesn't just pick an answer from a list; it constructs it.
- Example 1 (Text): You ask for a poem about coding. It writes a unique poem that has never been written before.
- Example 2 (Code): You ask for a website layout. It writes the HTML/CSS from scratch.
- Example 3 (Image): You ask for a "Cyberpunk coffee shop." It draws a new image pixel-by-pixel.

Teaching Analogy:
Traditional AI is like a Multiple Choice Test. The answer is already there; the AI just has to circle the right one.
Generative AI is like an Essay Question. The AI has a blank sheet of paper and has to write the answer itself.

2. How LLMs Work: Next Token Prediction

Concept: Large Language Models (LLMs) like GPT-4 or Gemini do not "know" facts in the way humans do. They predict the probability of the next word (token).

The "Autocomplete" Example: Ask your students to complete this sentence: "The quick brown fox jumps over the..."
- Most will say: "Lazy dog."
- Why? Because statistically, that is the most common ending to that pattern.
How the AI thinks (Probability Distribution): If you type: "My favorite food is..." The AI calculates probabilities based on everything it has ever read:
- Pizza: 15%
- Sushi: 8%
- Chicken: 5%
- The Moon: 0.0001% (Low probability, but possible if the "temperature" is high).

Key Takeaway for Students: The AI doesn't "think." It calculates the statistical likelihood of the next word. This is why it can sometimes hallucinate (lie)—if a lie is statistically probable, it might write it!

3. What is Prompt Engineering?

Concept: Prompt Engineering is the skill of guiding the probabilities mentioned above. By changing the words in your input, you drastically change the probability of the output.

The "Garbage In, Garbage Out" (GIGO) Rule: If your input is weak, the AI's prediction will be generic and "average."

Example Set A: The Email

❌ The Garbage Prompt:
"Write an email to my boss."
- Result: The AI guesses. It might write a resignation letter, a vacation request, or a complaint. It creates a generic template.
✅ The Engineered Prompt:
"Act as a Junior Developer. Write an email to your project manager requesting a 2-day deadline extension for the 'Login Module' task because you encountered an unexpected bug in the API. Keep the tone professional but apologetic."
- Result: A perfect, usable draft.

Example Set B: The Coding Helper

❌ The Garbage Prompt:
"Fix this code."
- Result: The AI might fix syntax errors, or it might rewrite the whole logic. It doesn't know what the code is supposed to do.
✅ The Engineered Prompt:
"This Python script is supposed to calculate the Fibonacci sequence, but it returns an Infinite Loop. Identify the logical error, explain why it is happening, and provide the corrected code."

4. The "Smart Intern" Mental Model

This is the most effective way to help students understand how to talk to AI.

The Scenario: Imagine you have hired a Super-Genius Intern from a top university.

The Good: They have read every book in the library. They know history, coding, science, and poetry.
The Bad: It is their first day. They don't know you. They don't know your company. They don't know your preferences. They cannot read your mind.

If you say to the intern: "Make me a presentation." The intern will panic. A presentation on what? For whom? How long?

If you say to the intern: "Make a 5-slide PowerPoint presentation about Q3 Sales trends for the marketing team. Use a formal tone and focus on our growth in the Asian market." The intern will deliver exactly what you need.

మాడ్యూల్ 1: జనరేటివ్ AI పరిచయం & ప్రాంప్ట్ (Introduction to Generative AI & The Prompt)

1. సాంప్రదాయ AI vs. జనరేటివ్ AI (Traditional AI vs. Generative AI)

కాన్సెప్ట్: జనరేటివ్ AI అంటే ఏమిటో చెప్పే ముందు, అసలు అది ఏది కాదో చెప్పడం ద్వారా విద్యార్థులకు సులభంగా అర్థమవుతుంది.

సాంప్రదాయ AI (Traditional AI - విశ్లేషకుడు): ఇది ఇప్పటికే ఉన్న డేటాను విశ్లేషించి (Analyze), వర్గీకరిస్తుంది లేదా భవిష్యత్తును అంచనా వేస్తుంది. ఇది ఉన్న డేటా నుండే సమాధానం ఇస్తుంది.
- ఉదాహరణ 1 (Spam Filter): మీరు ఒక ఈమెయిల్ ఇస్తే, అది "స్పామ్" లేదా "స్పామ్ కాదు" అని చెబుతుంది.
- ఉదాహరణ 2 (Netflix): మీరు చూసిన సినిమాలను బట్టి, మీకు నచ్చే తదుపరి సినిమాను సూచిస్తుంది.
- ఉదాహరణ 3 (Banking): క్రెడిట్ కార్డ్ స్వైప్ చేసినప్పుడు, అది "నిజమైన లావాదేవీ" లేదా "మోసం (Fraud)" అని చెబుతుంది.
జనరేటివ్ AI (Generative AI - సృష్టికర్త): ఇది మనమిచ్చే ఇన్‌పుట్ (Prompt) ఆధారంగా ఇంతకు ముందెన్నడూ లేని కొత్త డేటాను సృష్టిస్తుంది (Creates).
- ఉదాహరణ 1 (Text): కోడింగ్ గురించి ఒక కవిత రాయమని అడిగితే, అది కొత్త కవితను రాస్తుంది.
- ఉదాహరణ 2 (Code): ఒక వెబ్‌సైట్ లేఅవుట్ కావాలని అడిగితే, అది HTML/CSS కోడ్‌ను స్వయంగా రాస్తుంది.
- ఉదాహరణ 3 (Image): "సైబర్ పంక్ కాఫీ షాప్" చిత్రం కావాలంటే, పిక్సెల్ వారీగా కొత్త చిత్రాన్ని గీస్తుంది.

టీచింగ్ ఉదాహరణ (Analogy):
సాంప్రదాయ AI అనేది "మల్టిపుల్ ఛాయిస్ ప్రశ్నలు" (Multiple Choice Question) లాంటిది. సమాధానం అక్కడే ఉంటుంది, దాన్ని ఎంచుకోవడమే AI పని.
జనరేటివ్ AI అనేది "వ్యాస రచన" (Essay Writing) లాంటిది. AIకి ఖాళీ పేపర్ ఇస్తే, అది సొంతంగా సమాధానాన్ని రాయాలి.

2. LLMలు ఎలా పనిచేస్తాయి: తదుపరి పదాన్ని ఊహించడం (Next Token Prediction)

కాన్సెప్ట్: GPT-4 లేదా Gemini వంటి లార్జ్ లాంగ్వేజ్ మోడల్స్ (LLMs) మనుషల్లాగా విషయాలను "తెలుసుకోవు". అవి కేవలం తదుపరి పదం (Token) వచ్చే సంభావ్యతను (Probability) మాత్రమే లెక్కిస్తాయి.

"ఆటో కంప్లీట్" (Autocomplete) ఉదాహరణ: మీ విద్యార్థులను ఈ వాక్యాన్ని పూర్తి చేయమని అడగండి: "ఆకాశం రంగు..."
- చాలామంది "నీలం" అని అంటారు.
- ఎందుకు? ఎందుకంటే గణాంకాల ప్రకారం (Statistically), ఆ పదమే ఎక్కువగా వచ్చే అవకాశం ఉంది.
AI ఎలా ఆలోచిస్తుంది (Probability Distribution): మీరు "నాకు ఇష్టమైన ఆహారం..." అని టైప్ చేస్తే, AI తాను చదివిన డేటా ఆధారంగా సంభావ్యతను లెక్కిస్తుంది:
- బిర్యానీ: 15%
- పిజ్జా: 8%
- చంద్రుడు: 0.0001% (చాలా తక్కువ అవకాశం, కానీ మనం AIలో "Temperature" పెంచితే ఇది కూడా రావచ్చు).

విద్యార్థులకు చెప్పాల్సిన ముఖ్య విషయం: AIకి "ఆలోచించే శక్తి" ఉండదు. అది కేవలం గణాంకాలను (Statistics) బట్టి తదుపరి పదాన్ని అంచనా వేస్తుంది. అందుకే ఒక్కోసారి అది నమ్మకంగా అబద్ధాలు (Hallucinations) చెబుతుంది.

3. ప్రాంప్ట్ ఇంజనీరింగ్ అంటే ఏమిటి? (What is Prompt Engineering?)

కాన్సెప్ట్: పైన చెప్పిన ఆ "సంభావ్యతలను" (Probabilities) మనకు అనుకూలంగా మార్చుకునే కళే ప్రాంప్ట్ ఇంజనీరింగ్. మనం ఇచ్చే మాటలను బట్టి, వచ్చే జవాబు మారుతుంది.

"చెత్త ఇస్తే, చెత్తే వస్తుంది" (Garbage In, Garbage Out - GIGO) నియమం: మీ ప్రశ్న (Input) అస్పష్టంగా ఉంటే, AI ఇచ్చే సమాధానం (Output) కూడా అస్పష్టంగానే ఉంటుంది.

ఉదాహరణ సెట్ A: ఈమెయిల్ రాయడం

❌ చెత్త ప్రాంప్ట్ (Bad Prompt):
"నా బాస్‌కి ఒక ఈమెయిల్ రాయి."
- ఫలితం: AI ఊహిస్తుంది. సెలవు కావాలనా? రాజీనామానా? ఫిర్యాదా? అని తెలియక ఒక సాధారణ మెయిల్ ఇస్తుంది.
✅ సరైన ప్రాంప్ట్ (Engineered Prompt):
"ఒక జూనియర్ డెవలపర్‌గా వ్యవహరించు (Act as). APIలో ఊహించని బగ్ రావడం వల్ల, 'Login Module' పని పూర్తి చేయడానికి నాకు మరో 2 రోజులు సమయం కావాలని నా ప్రాజెక్ట్ మేనేజర్‌కి ఈమెయిల్ రాయి. భాష ప్రొఫెషనల్‌గా ఉండాలి."
- ఫలితం: కచ్చితమైన, ఉపయోగపడే ఈమెయిల్ వస్తుంది.

ఉదాహరణ సెట్ B: కోడింగ్ సహాయం

❌ చెత్త ప్రాంప్ట్:
"ఈ కోడ్‌ను సరిచేయి."
- ఫలితం: అసలు ఆ కోడ్ ఏం చేయాలో తెలియక, AI ఏదో ఒక మార్పు చేస్తుంది.
✅ సరైన ప్రాంప్ట్:
"ఈ పైథాన్ స్క్రిప్ట్ 'ఫైబోనాక్సీ సిరీస్'ను లెక్కించాలి, కానీ ఇది అనంతంగా రన్ అవుతూనే ఉంది (Infinite Loop). ఇందులో ఉన్న లాజికల్ తప్పును గుర్తించి, ఎందుకు అలా జరుగుతోందో వివరించి, సరిచేసిన కోడ్‌ను ఇవ్వు."

4. "స్మార్ట్ ఇంటర్న్" ఉదాహరణ (The Smart Intern Mental Model)

AIతో ఎలా మాట్లాడాలో విద్యార్థులకు అర్థం కావడానికి ఇది ఉత్తమమైన ఉదాహరణ.

సందర్భం: మీరు ఒక "సూపర్ జీనియస్ ఇంటర్న్" ను పనిలో చేర్చుకున్నారు అనుకుందాం.

మంచి విషయం: అతనికి ప్రపంచంలోని అన్ని పుస్తకాలు తెలుసు, కోడింగ్ వచ్చు, కవిత్వం వచ్చు.
చెడ్డ విషయం: ఈ రోజు అతనికి మొదటి రోజు. అతనికి మీ గురించి, మీ కంపెనీ గురించి, మీ ఇష్టాల గురించి ఏమీ తెలియదు. అతను మీ మనసులో ఏముందో చదవలేడు.

మీరు ఆ ఇంటర్న్‌తో ఇలా అంటే: "నాకు ఒక ప్రెజెంటేషన్ తయారు చేయి." ఆ ఇంటర్న్ కంగారు పడతాడు. దేని గురించి? ఎవరి కోసం? ఎన్ని స్లైడ్లు?

అదే మీరు ఇలా అంటే: "మార్కెటింగ్ టీమ్ కోసం Q3 సేల్స్ గురించి 5 స్లైడ్ల PowerPoint ప్రజెంటేషన్ తయారు చేయి. భాష ఫార్మల్‌గా ఉండాలి మరియు ఆసియాలో మన ఎదుగుదలపై దృష్టి పెట్టాలి." అప్పుడు ఆ ఇంటర్న్ (AI) మీకు కచ్చితంగా కావాల్సిన ఫలితాన్ని ఇస్తాడు

Module 2: The Anatomy of a Perfect Prompt

Goal: Learn the structural elements required to build a robust prompt.

1. The Framework (The 4 Ps or similar)

Persona: Who should the AI act as? (e.g., "Act as a Python Tutor," "Act as a Travel Guide").
Purpose (Context): What is the background info?
Process (Task): What specifically do you want it to do?
Product (Format): How do you want the output to look? (Table, Bullet points, Code, JSON).

2. Formatting Matters

Using delimiters (like """ or ###) to separate instruction from data.
Asking for specific lengths (e.g., "Summarize in exactly 50 words").

3. Activity: Prompt Surgery

Give students a "broken" prompt and ask them to fix it using the Framework.

Module 3: Core Prompting Techniques

Goal: Move beyond basic questions into technical strategies.

1. Zero-Shot Prompting

Asking the AI to do something without giving examples.
Example: "Classify the sentiment of this text: 'I loved the movie.'"

2. Few-Shot Prompting (The Power of Examples)

Providing 1-3 examples within the prompt to guide the AI's style and logic.
Why it works: It forces the model to follow a pattern.

3. Chain-of-Thought (CoT) Prompting

Encouraging the AI to "think step-by-step" before giving the final answer.
Crucial for math, logic, and coding problems.
Example: "Solve this math problem. First, explain your logic, then give the answer."

Module 4: Advanced Control & Iteration

Goal: Refining outputs and handling complex tasks.

1. Iterative Refinement

Teaching students that the first result is rarely the final result.
How to "chat" with the bot to tweak the output (e.g., "Make it shorter," "Change the tone to be more professional").

2. System Prompts vs. User Prompts

Understanding the difference between setting the "behavior" (System) and asking the "question" (User).

3. Handling Parameters (Optional/Advanced)

Temperature: Low (0.1) for facts/coding; High (0.8) for creative writing.

Module 5: Ethics, Limitations, and Safety

Goal: Responsible use of AI.

1. Hallucinations

Explain that AI creates plausible-sounding text, not necessarily factual truth. It can lie confidently.
Rule: Always verify facts, quotes, and citations.

2. Bias in AI