mt4api开发包_下载？mt4平台开发！

6、链式提示

在本节中，我们将学习如何将复杂任务拆分为一系列更简单的子任务，将多个提示链接在一起。

我们已经证明语言模型非常擅长遵循复杂的指令，特别是更高级的模型，如 GPT-4。

为什么我们会用两个比较思维链推理的类比来做这个并链接多个提示。

比如做一顿复杂的饭菜之间的区别，一次完成而不是分阶段烹饪。使用一条又长又复杂的指令就像尝试做一顿复杂的饭菜，必须同时管理多种配料、烹饪技术和时间安排。跟踪所有内容并确保每个组件都完美烹饪可能具有挑战性。另一方面，链示提示就像在您专注的阶段做饭一次在一个组件上，确保在移动之前每个部分都正确煮熟再继续下一个。这种方法分解了任务的复杂性，使其更易于管理并减少错误的可能性。

然而，对于一个非常简单的食谱来说，这种方法可能是不必要的并且过于复杂。

当您拥有可以维护的工作流时，链示提示是一种强大的策略。系统在任何给定点的状态，并根据当前状态（当前状态的一个示例是在您对传入的客户查询进行分类之后，状态将是分类，所以它是一个帐户问题或者它是一个产品问题）。然后根据状态，您可能会做一些不同的事情。

每个子任务仅包含任务的单个状态所需的指令，这使系统更易于管理，确保模型具有所需的所有信息执行任务，并减少错误的可能性。这种方法还可以减少和降低成本，因为更长的提示需要更多的令牌成本。

这种方法的另一个好处是它也更容易测试哪些步骤可能是更频繁地失败，或者在特定步骤中有人参与循环。

另外，它还允许模型使用在工作流程的某些点使用外部工具。例如，它可能决定在产品目录中查找某些内容，或者调用 API，或者搜索知识库。一个提示无法实现的东西。

因此，让我们深入研究一个例子。

用户输入提示词：告诉我有关 smartx pro 手机的信息和\ fotoSnap 相机，单反相机。 \ 还告诉我有关您的电视的信息“””

Gpt返回结果

[{'category': 'Smartphones and Accessories', 'products': ['SmartX ProPhone']}, {'category': 'Cameras and Camcorders', 'products': ['FotoSnap DSLR Camera']}, {'category': 'Televisions and Home Theater Systems'}]

另一个示例。

第二条用户消息是，我的路由器不工作。如果您在列表中注意到，我们实际上没有任何路由器。在本例中，输出是一个空列表。

所以现在我们有这个步骤来识别类别和产品，如果我们发现任何产品和类别，我们要加载有关那些请求的产品的一些信息并将类别放入提示中，以便我们更好地回答客户的问题。

在我们的工作流程中，运行此提示后的状态是产品有已上市或未上市。在那种情况下，我们不会尝试查找任何东西，因为没有什么可看的。真的要把它构建到一个系统中，我可能会使用类别名称，也许是什么像电脑和笔记本电脑之类的东西，以避免任何空间和特殊的怪异人物。

因此，对于每种产品，我们都有几个不同的领域。我们有名称、类别、品牌、保修等。

产品只是一个从产品名称到这个包含的对象的字典有关产品的信息。

当输入需要获取TechPro Ultrabook 的产品信息，

Gpt返回结果：'名称'：'TechPro Ultrabook'，'类别'：'计算机和笔记本电脑'，'品牌'：'TechPro'，'型号'：'TP-UB100'，'保修'：'1年'，'评级'： 4.5，'功能'：['13.3英寸显示屏'，'8GB RAM'，'256GB SSD'，'英特尔酷睿i5处理器']，'描述'：'适合日常使用的时尚轻巧的超级本。'，'价格 '：799.99

另外一个案例，告诉gpt是一个客户服务助理，解答问题

用户输入：告诉我有关 smartx pro 手机的信息和\ fotosnap 相机，单反相机。 \ 还告诉我关于你的电视的信息"""

GPT返回结果：

首先它告诉用户有关 Smart X Pro 手机的信息，然后告诉用户有关 PhotoSnap 的信息

相机，然后谈论我们库存的不同电视机。如您所见，通过将其分解为一系列步骤，我们能够加载信息与用户查询相关，为模型提供回答问题所需的相关上下文有效提问。

所以为什么我们要有选择地将产品描述加载到提示中，而不是包括所有这些并让模型使用它需要的信息？这有几个原因。

首先，包括所有产品描述可能会使上下文更加混乱模型，就像一个人试图处理大量信息一样

一次。不过与 GPT-4 等更高级的模型不太相关，尤其是当上下文像本例中那样结构良好且模型很智能时足以忽略明显不相关的信息。

第二个原因是语言模型有上下文限制，即固定数量允许作为输入和输出的标记数。所以如果你有大量的产品，想象一下你有一个巨大的产品目录，您甚至无法将所有描述都放入上下文窗口中。

最后一个原因是包括所有产品描述可能很昂贵当您使用语言模型时按令牌付费。

因此，通过有选择地加载信息，您可以降低生成响应的成本。

通常，确定何时将信息动态加载到模型的上下文中允许模型决定何时需要更多信息是最好的方法之一增强这些模型的能力。您应该将语言模型视为推理代理，它需要必要的上下文来得出有用的结论和执行有用的任务。所以在这种情况下，我们必须给模型提供产品信息，然后它才能推理该产品信息以为用户创建有用的答案。

而在这个例子中，我们只添加了对特定函数或函数的调用以获取按产品名称获取产品描述，或按类别名称获取类别产品。但这些模型实际上擅长决定何时使用各种不同的工具，并能按照说明正确使用。这就是 chat-gbt 插件背后的想法。我们告诉模型它可以访问哪些工具以及它们做什么，然后它选择使用。在我们的示例中，我们只能通过精确的产品和类别名称匹配来查找信息，但也有更先进的信息检索技术。

检索信息最有效的方法之一是使用文本嵌入。嵌入可用于在大型语料库上实现高效的知识检索，以查找与给定查询相关的信息。使用文本嵌入的主要优点之一是它们支持模糊或语义搜索，这使您无需使用确切的关键字即可找到相关信息。

免费进罗张恩期货实战群，观摩外汇外盘期货/国内商品期货-实时行情分析、每天实盘晒单5次，添加QQ微信：1785751138 备注：期货！

本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，请发送邮件至罗张恩波浪理论邮箱：836168951@qq.com 举报，一经查实，本站将立刻删除。
如若转载，请注明出处：https://www.luzen6.com/9160.html

mt4api开发包_下载？mt4平台开发！

相关推荐