Datawhale AI+X夏令营活动大模型技术（AI+逻辑推理）——task4_上分加油站

学习链接：Datawhale

我们在跑通了baseline01和baseline02取得一定分数后，考虑新的提分方法，本次task主要是提分思路、agent设计案例、Docker相关资料、赛题一些限制和模型选择、数据集扩充这样的思路。

提分思路

关于prompt优化，task4的文档里给了一篇很全面的GitHub文章：https://github.com/datawhalechina/llm-cookbook/blob/main/content/%E5%BF%85%E4%BF%AE%E4%B8%80-Prompt%20Engineering%20For%20Developers/1.%20%E7%AE%80%E4%BB%8B.md

举个例子比如优化提示语，增加更明确的提示：你是一个逻辑推理专家，擅长解决逻辑推理问题。以下是一个逻辑推理题目，形式为单项选择题。所有的问题都是基于闭世界假设（close-world assumption），即未观测到的事实都被视为假。请详细逐步分析问题，并在最后一行输出答案。答案的格式为："答案是：A"。请注意逐步分析的逻辑清晰且有条理。题目如下：

也可以用test文件跑一下看一下回答，然后通过回答来修改微调prompt。

agent优化思路：

agent可以看成一个对象，包括llm和他的行为。agent学习链接：GitHub - datawhalechina/hugging-multi-agent: A tutorial based on MetaGPT to quickly help you understand the concept of agent and muti-agent and get started with coding development. 基于MetaGPT的多智能体入门与开发教程

 agent设计可以通过分析器、评分器来构建，分别对题目进行分析，给出可能的结果、对答案的合理性排序，最后给出可能性最大的答案。

用以train的数据集作为输入样例喂给强大的大模型来训练，得到第一个agent结果后封装送入第二个agent在生成，最后将两套数据准备好。按照baseline2的流程进行训练。注意这里不能用test数据，是犯规的。

关于Docker

docker的环境部署：零基础入门Docker-cuda练习场_学习赛_天池大赛-阿里云天池的赛制

50G以内一般的模型限制在20b之内，例如书生·浦语2-20B，模型文件为40G。Qwen1.5-14b，模型文件为30G，推荐模型使用20b以下。