نویسنده (ها): شنگگانگ لی
در ابتدا منتشر شده در به سمت هوش مصنوعیبشر
مقایسه عملی تکنیک های زمینه سازی ، قالب بندی و ارکستراسیون در سراسر مدرن LLM چارچوبها
تصور کنید که در یک کافی شاپ هستید و قهوه می خواهید. ساده ، درست است؟ اما اگر جزئیاتی مانند شیر ، شکر یا نوع کباب را مشخص نکردید ، ممکن است دقیقاً همان چیزی را که می خواستید دریافت نکنید. به همین ترتیب ، هنگام تعامل با مدل های بزرگ زبان (LLMS) ، چگونه می پرسید – درخواست های شما – تفاوت بزرگی ایجاد می کند. به همین دلیل ایجاد سوابق سفارشی (استاتیک) و پویا مهم است. اعلان های سفارشی مانند دستور العمل های ثابت هستند. آنها سازگار ، قابل اعتماد و سر راست هستند. از طرف دیگر ، مطالب پویا بر اساس زمینه سازگار است ، دقیقاً مانند یک باریستا ماهر که ترتیب قهوه را بر اساس روحیه یا آب و هوا تنظیم می کند.
بیایید بگوییم که شما در حال ایجاد یک پشتیبانی از مشتری با هوش مصنوعی هستید. اگر فقط از پیشبردهای استاتیک استفاده می کنید ، ربات ممکن است پاسخ های عمومی ارائه دهد و کاربران را ناامید می کند. به عنوان مثال ، پرسیدن “چگونه امروز می توانم به شما کمک کنم”؟ ایستا است و ممکن است خیلی مبهم باشد. اما یک سریع پویا ممکن است تعامل اخیر کاربر را در بر بگیرد و از چیزی مانند این سؤال کند ، “من می بینم که شما وضعیت سفارش ما را بررسی کرده اید. آیا می خواهید به پیگیری بیشتر آن کمک کنید؟” این رویکرد شخصی می تواند رضایت کاربر را به طرز چشمگیری بهبود بخشد.
من به مقایسه های عملی این روشهای فرکانس ، بررسی استراتژی های زمینه سازی ، چارچوب های قالب بندی و ابزارهای ارکستراسیون می پردازم. من در دنیای واقعی بررسی می کنم … وبلاگ کامل را به صورت رایگان در رسانه بخوانیدبشر
منتشر شده از طریق به سمت هوش مصنوعی
منبع: https://towardsai.net/p/l/designing-customized-and-dynamic-prompts-for-large-language-models