Minstrel自动生成结构化提示，让AI为AI写提示词的多代理提示生成框架

最新推荐文章于 2024-10-11 17:20:12 发布

数据派THU

最新推荐文章于 2024-10-11 17:20:12 发布

阅读量4

点赞数

文章标签：人工智能大数据

版权

来源：Deephub Imba

本文约3000字，建议阅读5分钟本文提出了LangGPT结构化提示框架和Minstrel多代理提示生成系统，为非AI专家使用LLMs提供了强大支持。

在人工智能快速发展的今天，如何有效利用大型语言模型（LLMs）成为了一个普遍关注的话题。这是9月份的一篇论文，提出了LangGPT结构化提示框架和Minstrel多代理提示生成系统，为非AI专家使用LLMs提供了强大支持。

对于非人工智能专家来说，构建高质量的提示以充分利用LLMs的能力仍然是一个巨大的挑战。现有的提示工程研究主要集中在总结设计技巧和设计自动优化方法上，但这些方法往往缺乏系统性的设计，导致学习成本高昂，且不利于提示的迭代更新。

为了解决这些问题，论文的作者提出了LangGPT，一个结构化的提示设计框架，以及Minstrel，一个基于多代理协作的结构化提示生成工具。研究的主要目的包括：

LangGPT借鉴了面向对象编程语言的设计思想，提出了一个双层结构的提示设计框架：

LangGPT定义了以下基本模块：

LangGPT设计了三种基本元素类型：

模拟赋值的模板：The ⟨PROPERTY⟩ is ⟨VALUE⟩.
指定输入信息、任务和输出的模板（输入和输出可选）
模拟函数的形式：For the given ⟨PROPERTY⟩ of ⟨VALUE⟩, please execute the following actions: ⟨ACTIONS⟩; Return the ⟨RESULT⟩

论文中提供了一个示例表格，展示了不同模块中基本元素的示例：

Minstrel是一个通过多个生成代理协作来生成结构化提示的工具。它引入了工作组的概念，将提示生成任务分解为低耦合且灵活的子任务。

Minstrel包含三个主要的工作组：

论文中提供了一个图表，展示了Minstrel的整体框架：

每个工作组中包含不同的代理：

分析组（A）：
- 分析器A(m)：分析用户的任务需求并激活相应的模块设计代理。
- 反思器A(r)：总结测试反馈和用户反馈，并将其反馈给相应的模块设计代理。
设计组（D）：
- 包含多个对应LangGPT模块的专门代理，如D(cons.)负责生成约束内容，D(bkgd.)负责生成背景内容等。
测试组（T）：
- 模拟器T(s)：按照生成的提示充当助手。
- 提问者T(q)：与模拟器进行对话，产生测试对话。
- 评论员T(c)：评估助手的表现，并能相互辩论。

Minstrel的工作流程包括设计和反思两个主要阶段：

设计阶段：

Sa = Am(t),
 M[k] = D(k)(t) for k in Sa,

‍‍

其中Sa表示模块激活状态，M表示存储生成的LangGPT模块内容的列表。

反思阶段：

Ct = T(c)(T(s)(∑M), T(q)(t)),
 Sr = A(r)(Ct + Cu),
 M[k] = M[k] + Am(Sr),

其中Ct表示测试组得出的评论，Cu表示用户的评论，Sr表示基于评论生成的模块激活状态。

通过这种设计，Minstrel能够不断优化生成的提示，以更好地满足用户需求和任务要求。

为了验证LangGPT和Minstrel的有效性，论文作者进行了一系列实验。以下是实验设置的主要内容：