As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
# Prepare seu conjunto de dados de entrada
**nota**
Exemplos e cadernos totalmente funcionais estão disponíveis no [Amazon Bedrock Samples](https://github.com/aws-samples/amazon-bedrock-samples/tree/main/advanced-prompt-optimization). GitHub
## Formato do arquivo
O arquivo de entrada usa o formato JSONL: um objeto JSON por linha. Cada linha representa um modelo de prompt a ser otimizado e seus campos associados. Você fornece um arquivo de entrada por trabalho.
## Referência de esquema
Nesse conjunto de dados imediato, você também escolherá o método de avaliação para orientar a otimização. Para obter mais informações sobre como escolher um método de avaliação, consulte[Definir métodos de avaliação](advanced-prompt-optimization-evaluation.md).
```
{
"version": "bedrock-2026-05-14",
"templateId": "string",
"promptTemplate": "string",
"steeringCriteria": ["string"],
"customEvaluationMetricLabel": "string",
"customLLMJConfig": {
"customLLMJPrompt": "string",
"customLLMJModelId": "string"
},
"evaluationMetricLambdaArn": "string",
"evaluationSamples": [
{
"inputVariables": [
{"variableName1": "string"}
],
"referenceResponse": "string",
"inputVariablesMultimodal": [
{
"Arbitrary_Name": {
"type": "string",
"s3Uri": "string"
}
}
]
}
]
}
```
### Descrições do campo
| \# | Campo | Tipo | Obrigatório | Description |
| --- | --- | --- | --- | --- |
| 1 | version | string | Sim | Valor fixo:"bedrock-2026-05-14". |
| 2 | templateId | string | Sim | Identificador exclusivo para esse modelo de prompt. Usado para correlacionar entrada e saída. |
| 3 | promptTemplate | string | Sim | O modelo de prompt a ser otimizado. Use a {{variableName}} sintaxe para espaços reservados variáveis. |
| 4 | steeringCriteria | lista de cordas | Não | High-level critérios de otimização (por exemplo,["PROFESSIONAL"]). |
| 5 | customEvaluationMetricLabel | string | Sim (se CustomLLMJConfig ou avaliação for usada) MetricLambdaArn | Nome da sua métrica de avaliação. |
| 6 | customLLMJConfig | objeto | Não | LLM-as-Judge Configuração personalizada. |
| 7 | customLLMJConfig.customLLMJPrompt | string | Sim (se CustomLLMJConfig estiver presente) | O aviso do juiz usado para avaliar as respostas. Use{{prompt}},{{response}}, {{referenceResponse}} como marcadores de posição. |
| 8 | customLLMJConfig.customLLMJModelId | string | Sim (se CustomLLMJConfig estiver presente) | ID do modelo Bedrock para o modelo do juiz. |
| 9 | evaluationMetricLambdaArn | string | Não | ARN de uma função Lambda para avaliação personalizada. |
| 10 | evaluationSamples | listar | Sim | Amostras de avaliação com variáveis de entrada e respostas de referência. |
| 11 | evaluationSamples[].inputVariables | lista de objetos | Sim (se não estiver usandoinputVariablesMultimodal) | Single-key objetos que correspondem aos {{variableName}} espaços reservados. Pelo menos uma inputVariables ou inputVariablesMultimodal deve estar presente por amostra. |
| 12 | evaluationSamples[].referenceResponse | string | Não | Resposta opcional de referência fundamentada. Recomendado para obter os melhores resultados de otimização. |
| 13 | evaluationSamples[].inputVariablesMultimodal | lista de objetos | Sim (se não estiver usandoinputVariables) | Entradas de arquivo multimodais. Pelo menos uma inputVariables ou inputVariablesMultimodal deve estar presente por amostra. |
| 14 | evaluationSamples[].inputVariablesMultimodal[].Arbitrary\_Name | objeto | Sim (se houver multimodal) | Nomeie sua variável multimodal. Esse é um nome arbitrário escolhido pelo usuário. |
| 15 | evaluationSamples[].inputVariablesMultimodal[].Arbitrary\_Name.type | string | Sim (se houver multimodal) | “IMAGEM” ou “PDF”. IMAGE aceita png e jpg. |
| 16 | evaluationSamples[].inputVariablesMultimodal[].Arbitrary\_Name.s3Uri | string | Sim (se houver multimodal) | Caminho do URI do S3 para o arquivo multimodal. |
## Campos obrigatórios
+ `version`: valor fixo `"bedrock-2026-05-14"`
+ `templateId`: identificador de string exclusivo para este modelo de prompt
+ `promptTemplate`: a solicitação para otimizar, usando `{{variableName}}` para espaços reservados
+ `evaluationSamples`: matriz de 1 a 100 amostras
## Variáveis de espaço reservado
Use a `{{variableName}}` sintaxe (colchetes duplos) para espaços reservados em seu modelo de prompt. As chaves inseridas `inputVariables` devem corresponder exatamente aos nomes dos espaços reservados. Cada chave deve estar em seu próprio objeto na lista. Máximo de 20 variáveis de espaço reservado para texto por modelo. Variáveis de espaço reservado não devem ser usadas para apontar para uma localização S3 de um arquivo multimodal. As variáveis de espaço reservado são somente para texto. Se você tiver arquivos multimodais, eles serão enviados para o modelo na carga junto com o prompt de texto.
## Amostras de avaliação
Forneça `inputVariables` como uma lista de objetos de chave única:`[{"variable1": "value1"}, {"variable2": "value2"}]`. NÃO coloque várias chaves em um objeto. Opcionalmente, forneça `referenceResponse` como base a resposta verdadeira para obter melhores resultados de otimização. Para entradas multimodais, use a `inputVariablesMultimodal` matriz com objetos. `Arbitrary_Name` Arquivos multimodais são enviados para o modelo na carga junto com o prompt de texto. Os tipos suportados são IMAGE (png, jpg) e PDF, com um máximo de 2 arquivos multimodais por amostra. As entradas multimodais (imagens e PDFs) são enviadas na carga útil para o modelo junto com o prompt, mas não devem ser referenciadas em uma variável de colchetes duplos. `{{placeholder}}`
## Estratégia de avaliação
Escolha UM método de avaliação por modelo ou omita todos os campos de avaliação opcionais para o padrão do sistema (que combina precisão, integridade da resposta e uma avaliação subjetiva do estilo de redação). Recomendamos que você defina seu próprio método de avaliação para obter os melhores resultados. Você pode usar métodos diferentes nos modelos no mesmo trabalho. Para mais detalhes, consulte [Definir métodos de avaliação](advanced-prompt-optimization-evaluation.md).
## Limites
Para ver a lista completa de cotas, consulte[Regiões, modelos e cotas compatíveis](advanced-prompt-optimization-quotas.md). Principais limites para a preparação do arquivo de entrada:
+ Máximo de 10 modelos por trabalho
+ Máximo de 100 amostras de avaliação por modelo
+ Máximo de 5 modelos por trabalho
+ Máximo de 20 variáveis de texto por modelo
+ Máximo de 2 arquivos multimodais por amostra
+ Máximo de 5 critérios de direção por modelo
## Erros comuns
+ Fornecendo ambos `steeringCriteria` AND`customLLMJConfig`/`evaluationMetricLambdaArn`= ValidationException
+ Falta `customEvaluationMetricLabel` ao usar LLMJ ou = `evaluationMetricLambdaArn` ValidationException
+ Várias chaves em um `inputVariables` objeto = falha silenciosa
+ Usando colchetes simples, como `{variable}` em vez de colchetes duplos, como `{{variable}}`
+ As `inputVariables` chaves devem corresponder `{{variableName}}` aos espaços reservados no `promptTemplate`
+ Modelos LLMJ permitidos: anthropic.claude-opus-4-6-v1, anthropic.claude-sonnet-4-5-20250929-v 1:0, anthropic.claude-sonnet-4-6
## Use entradas multimodais
**Tipos de arquivo compatíveis:** IMAGEM (png, jpg) e PDF.
**Como incluir:** Use a `inputVariablesMultimodal` matriz com `Arbitrary_Name` objetos contendo `type` `s3Uri` e.
**Limites:** Máximo de 2 arquivos multimodais por amostra de avaliação. Você pode misturar e combinar para ter até 20 variáveis de texto e também 2 arquivos multimodais por registro de amostra de avaliação.
**Misturando texto e multimodal:** você pode ter ambos `inputVariables` (texto) e `inputVariablesMultimodal` na mesma amostra. Os colchetes `{{placeholders}}` duplos são reservados apenas para texto simples. Você não pode referenciar arquivos multimodais por meio de espaços reservados. Variáveis de espaço reservado não devem ser usadas para apontar para uma localização S3 de um arquivo multimodal. Se você tiver arquivos multimodais, eles serão enviados para o modelo na carga junto com o prompt de texto.
## Exemplos
### Exemplo 1: modelo único, várias variáveis, amostra única de avaliação, critérios de direção
```
{
"version": "bedrock-2026-05-14",
"templateId": "customer-support-v1",
"promptTemplate": "You are a customer support agent.\n\nProduct info:\n{{productInfo}}\n\nQuestion:\n{{customerQuestion}}\n\nProvide a helpful response.",
"steeringCriteria": ["PROFESSIONAL"],
"evaluationSamples": [{
"inputVariables": [{"productInfo": "Product: Sony WH-1000XM5. Battery: 30 hours."}, {"customerQuestion": "How long does the battery last?"}],
"referenceResponse": "The battery lasts up to 30 hours on a single charge."
}]
}
```
### Exemplo 2: modelo único, várias variáveis, várias amostras de avaliação, critérios de direção
```
{
"version": "bedrock-2026-05-14",
"promptTemplate": "You are a customer support agent for an electronics store.\n\nGiven the following product information:\n{{productInfo}}\n\nAnswer the customer's question:\n{{customerQuestion}}\n\nProvide a helpful, accurate, and concise response.",
"templateId": "template-support-1",
"steeringCriteria": ["PROFESSIONAL", "CONCISE"],
"evaluationSamples": [
{"inputVariables": [{"productInfo": "Product: Sony WH-1000XM5 Headphones. Price: $349.99. Battery Life: 30 hours. Noise Cancellation: Yes, adaptive. Connectivity: Bluetooth 5.2, 3.5mm jack. Weight: 250g."}, {"customerQuestion": "How long does the battery last and can I use them wired?"}], "referenceResponse": "The Sony WH-1000XM5 headphones have a battery life of up to 30 hours on a single charge. And yes, they do come with a 3.5mm jack, so you can use them in wired mode as well."},
{"inputVariables": [{"productInfo": "Product: Sony WH-1000XM5 Headphones. Price: $349.99. Battery Life: 30 hours. Noise Cancellation: Yes, adaptive. Connectivity: Bluetooth 5.2, 3.5mm jack. Weight: 250g."}, {"customerQuestion": "Do these have noise cancellation?"}], "referenceResponse": "Yes, the Sony WH-1000XM5 headphones feature adaptive noise cancellation, which automatically adjusts the level of noise cancellation based on your environment."},
{"inputVariables": [{"productInfo": "Product: Apple MacBook Air M3. Price: $1,099. RAM: 8GB. Storage: 256GB SSD. Display: 13.6-inch Liquid Retina. Battery Life: Up to 18 hours."}, {"customerQuestion": "Is 8GB of RAM enough for video editing?"}], "referenceResponse": "The MacBook Air M3 comes with 8GB of unified memory. It can handle light video editing but you may want more RAM for heavy work."}
]
}
```
### Exemplo 3: dois modelos, uma única variável por solicitação, várias amostras, critérios de direção
Este exemplo mostra duas linhas no arquivo JSONL (dois modelos de prompt em um trabalho).
```
{"version": "bedrock-2026-05-14", "promptTemplate": "You are a helpful assistant. Answer the following: {{question}}", "templateId": "template-qa-1", "steeringCriteria": ["ACCURATE"], "evaluationSamples": [{"inputVariables": [{"question": "What is 2+2?"}], "referenceResponse": "4"}, {"inputVariables": [{"question": "What is the largest planet in our solar system?"}], "referenceResponse": "Jupiter is the largest planet in our solar system."}]}
{"version": "bedrock-2026-05-14", "promptTemplate": "Translate the following to French: {{text}}", "templateId": "template-translate-1", "steeringCriteria": ["PRECISE"], "evaluationSamples": [{"inputVariables": [{"text": "Hello, how are you?"}], "referenceResponse": "Bonjour, comment allez-vous?"}, {"inputVariables": [{"text": "Thank you very much."}], "referenceResponse": "Merci beaucoup."}]}
```
### Exemplo 4: modelo único, várias variáveis, várias amostras, LLM-as-a-judge
```
{
"version": "bedrock-2026-05-14",
"promptTemplate": "You are a customer support agent for an electronics store.\n\nGiven the following product information:\n{{productInfo}}\n\nAnswer the customer's question:\n{{customerQuestion}}\n\nProvide a helpful, accurate, and concise response.",
"templateId": "template-llmj-1",
"customEvaluationMetricLabel": "responseaccuracy",
"evaluationSamples": [
{"inputVariables": [{"productInfo": "Product: Sony WH-1000XM5 Headphones. Price: $349.99. Battery Life: 30 hours. Noise Cancellation: Yes, adaptive."}, {"customerQuestion": "How long does the battery last?"}], "referenceResponse": "The Sony WH-1000XM5 headphones have a battery life of up to 30 hours on a single charge."},
{"inputVariables": [{"productInfo": "Product: Apple MacBook Air M3. Price: $1,099. RAM: 8GB. Storage: 256GB SSD."}, {"customerQuestion": "Is 8GB of RAM enough for video editing?"}], "referenceResponse": "The MacBook Air M3 comes with 8GB of unified memory. It can handle light video editing but you may want more RAM for heavy work."}
],
"customLLMJConfig": {
"customLLMJPrompt": "Evaluate how accurate the response is to the customer question. Consider whether the response uses only the provided product information and does not hallucinate details. Here is the information you are supposed to evaluate: \n\nPrompt: {{prompt}}\nResponse: {{response}}\n\n \n\n ground truth answer: {{referenceResponse}}. Grading scale: Rate the response on a scale of 1-5. 1 means the answer is full of hallucinations and does not answer the question. 5 means the answer does not hallucinate at all and perfectly answers the question with no extra information. Interpolate the rest of the grading scale",
"customLLMJModelId": "anthropic.claude-sonnet-4-5-20250929-v1:0"
}
}
```
### Exemplo 5: modelo único, várias variáveis, várias amostras, nenhum método de avaliação (padrão do sistema)
Como nenhuma avaliação ou orientação é fornecida, o otimizador de solicitações usará um genérico integrado LLM-as-a-judge que combina precisão, integridade e estilo de escrita.
```
{
"version": "bedrock-2026-05-14",
"promptTemplate": "You are a customer support agent for an electronics store.\n\nGiven the following product information:\n{{productInfo}}\n\nAnswer the customer's question:\n{{customerQuestion}}\n\nProvide a helpful, accurate, and concise response.",
"templateId": "template-default-llmj-1",
"evaluationSamples": [
{"inputVariables": [{"productInfo": "Product: Sony WH-1000XM5 Headphones. Price: $349.99. Battery Life: 30 hours. Noise Cancellation: Yes, adaptive."}, {"customerQuestion": "How long does the battery last?"}], "referenceResponse": "The Sony WH-1000XM5 headphones have a battery life of up to 30 hours on a single charge."},
{"inputVariables": [{"productInfo": "Product: Apple MacBook Air M3. Price: $1,099. RAM: 8GB. Storage: 256GB SSD."}, {"customerQuestion": "Is 8GB of RAM enough for video editing?"}], "referenceResponse": "The MacBook Air M3 comes with 8GB of unified memory. It can handle light video editing but you may want more RAM for heavy work."}
]
}
```
### Exemplo 6: modelo único, variável única, várias amostras, avaliador Lambda
```
{
"version": "bedrock-2026-05-14",
"promptTemplate": "You are a helpful assistant. Answer the following: {{question}}",
"templateId": "template-byo-1",
"customEvaluationMetricLabel": "accuracygraderlambda",
"evaluationSamples": [
{"inputVariables": [{"question": "What is the capital of France?"}], "referenceResponse": "The capital of France is Paris."},
{"inputVariables": [{"question": "What is 2+2?"}], "referenceResponse": "4"}
],
"evaluationMetricLambdaArn": "arn:aws:lambda:us-west-2::function:"
}
```
### Exemplo 7: modelo único, sem variáveis de texto, somente multimodal, LLM-as-judge
Essa é uma entrada aceitável, mesmo sem nenhuma, `{{variables}}` porque há uma entrada multimodal incluída.
```
{
"version": "bedrock-2026-05-14",
"templateId": "multimodal_only_01",
"promptTemplate": "Does this image contain a dog? Respond yes or no",
"customEvaluationMetricLabel": "binarydogjudge",
"customLLMJConfig": {
"customLLMJPrompt": "Determine if the model response matches the ground truth. Grading scale: 0 if the response does not match the ground truth, 1 if the response matches the ground truth. Here is the input: \n\n input: {{prompt}} \n\n model response: {{response}} \n\n ground truth: {{referenceResponse}}.",
"customLLMJModelId": "anthropic.claude-sonnet-4-5-20250929-v1:0"
},
"evaluationSamples": [
{"inputVariablesMultimodal": [{"dogimage": {"type": "IMAGE", "s3Uri": "s3://my-bucket/images/dog-photo.jpg"}}], "referenceResponse": "Yes"},
{"inputVariablesMultimodal": [{"catimage": {"type": "IMAGE", "s3Uri": "s3://my-bucket/images/cat-photo.png"}}], "referenceResponse": "No"}
]
}
```
### Exemplo 8: modelo único, várias variáveis LLM-as-judge, texto misto e multimodal
```
{
"version": "bedrock-2026-05-14",
"templateId": "multimodal_with_text_01",
"promptTemplate": "Given the context in attached documents and the user question, provide a short answer. User question: {{question}}",
"customEvaluationMetricLabel": "documentinfograder",
"customLLMJConfig": {
"customLLMJPrompt": "Evaluate whether the response correctly answers the question using information from the provided document. Score 1-5 where 5 means fully correct and grounded in the source material, and 1 means the answer was completely hallucinated and inaccurate. Here's the information: \n Prompt: {{prompt}}, Model response: {{response}}, ground truth: {{referenceResponse}}",
"customLLMJModelId": "anthropic.claude-sonnet-4-5-20250929-v1:0"
},
"evaluationSamples": [
{
"inputVariables": [{"question": "What is the total revenue for Q1?"}],
"inputVariablesMultimodal": [
{"Q1report": {"type": "PDF", "s3Uri": "s3://my-bucket/docs/quarterly-report.pdf"}},
{"revenuechart": {"type": "IMAGE", "s3Uri": "s3://my-bucket/images/revenue-chart.png"}}
],
"referenceResponse": "The total revenue for Q1 was $4.2M."
}
]
}
```