有时候单一的提示词模版无法满足复杂的任务需求,因此需要结合选择器使大模型有更加准确的判断,尤其是在高度上下文依赖性的对话或生成任务时,动态的选择最合适的示例或者提示词时尤其重要。本文同样使用langchain组件开发多用选择器方法。
长度智能选择器
在langchain组件中LengthBasedExampleSelector是根据长度要求智能选择示例。这种方法专门用于根据文本长度来选择适当的示例器,这种方法适用于控制文本长度的场景,例如某些Api限制字符数的情况下。
def base_length_choose_prompt(self,example_group,prompt):
#example_group表示示例组,prompt表示提示词模板
example_selector = LengthBasedExampleSelector(
#传入提示词示例组
examples = example_group,
#传入提示词模板
example_prompt = prompt,
max_length = 25,
)
#使用小样本提示词模板来实现动态示例调用
dynamic_group = FewShotPromptTemplate(
example_selector = example_selector,
example_prompt=prompt,
prefix = "请根据给出的句诗取一个男孩和女孩名",
suffix = "诗句:{adjective}\n男孩名:\n女孩名:",
input_variables= ["adjective"]
)
return dynamic_group
在本示例中引用了LengthBasedExampleSelector选择器,其中参数有example_group(提示词示例组),prompt(提示词模板),max_length(最大长度)。返回一个选择器对象,然后使用小样本提示词模板来实现动态示例调用,并返回动态示例组,根据长度要求返回对应长度的示例组,最后将结果返回。
相似度选择示例器-最大边际相关性
MaxMarginalRelevanceExampleSelector也是langchain中的一个选择示例器,旨在根据最大边际相关性(MMR)原则选择示例器。MMR结合了相关性和多样性的原则多用于信息检索和文本生成的任务中。适用于,信息检索、推荐系统和多轮对话等任务中。
def base_mmr_prompt(self,example_group,prompt,model_name='all-MiniLM-L6-v2',k=2):
#使用SentenceTransformer 加载模型
#自定义嵌入搜索
embeddings = CustomEmbeddings(model_name= model_name)
# mmr
example_selector = MaxMarginalRelevanceExampleSelector.from_examples(
#传入示例组
example_group,
# 使用自定义嵌入搜索
embeddings,
# 设置使用的向量数据库
FAISS,
k=k,
)
# 使用小样本提示词模板来实现动态示例调用
mmr_prompt = FewShotPromptTemplate(
example_selector = example_selector,
example_prompt= prompt,
prefix="请根据给出的句诗取一个男孩和女孩名",
suffix="诗句:{adjective}\n男孩名:\n女孩名:",
input_variables=["adjective"]
)
return mmr_prompt
这里同样的引用方式,只是从第二个参数开始变化,embeddings是嵌入式搜索对象,FAISS是2一种向量数据库,k是保留多样性示例数。这里同样使用小样本提示词模板实现动态示例调用。
相似性选择示例器-最大余弦相似度
SemanticSimilarityExampleSelector也是langchain中的一个选择示例器,用于基于语义相似度选择与输入最相关的示例。它使用嵌入模型计算输入与每个示例之间的语义相似度,然后选择最相似的示例。这种选择器特别适用于需要根据上下文找到最相关内容的自然语言处理任务。
def base_chroma_prompt(self,example_group,prompt,model_name='all-MiniLM-L6-v2',k=2):
embeddings = CustomEmbeddings(model_name=model_name)
example_selector = SemanticSimilarityExampleSelector.from_examples(
example_group,
embeddings,
Chroma,
k=k,
)
#小样本提示词模板
similar_prompt = FewShotPromptTemplate(
example_selector= example_selector,
example_prompt = prompt,
prefix="请根据给出的句诗取一个男孩和女孩名",
suffix="诗句:{adjective}\n男孩名:\n女孩名:",
input_variables=["adjective"]
)
return similar_prompt
这里引用的方式和参数解释与MMR一样,只是向量数据库换成了Chroma,其他含义和模型与MMR一致。
总结
总的来说,在特殊场景和多轮对话中,使用选择示例器,可以动态的选择提示词模板,使大模型能够输出更加稳定和准确的答案。
如何系统的去学习大模型LLM ?
大模型时代,火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业
?”“谁的饭碗又将不保了?
”等问题热议不断。
事实上,抢你饭碗的不是AI,而是会利用AI的人。
继科大讯飞、阿里、华为
等巨头公司发布AI产品后,很多中小企业也陆续进场!超高年薪,挖掘AI大模型人才! 如今大厂老板们,也更倾向于会AI的人,普通程序员,还有应对的机会吗?
与其焦虑……
不如成为「掌握AI工具的技术人
」,毕竟AI时代,谁先尝试,谁就能占得先机!
但是LLM相关的内容很多,现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学,学习成本和门槛很高。
针对所有自学遇到困难的同学们,我帮大家系统梳理大模型学习脉络,将这份 LLM大模型资料
分享出来:包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程
等, 😝有需要的小伙伴,可以 扫描下方二维码领取🆓↓↓↓
一、LLM大模型经典书籍
AI大模型已经成为了当今科技领域的一大热点,那以下这些大模型书籍就是非常不错的学习资源。
二、640套LLM大模型报告合集
这套包含640份报告的合集,涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
三、LLM大模型系列视频教程
四、LLM大模型开源教程(LLaLA/Meta/chatglm/chatgpt)
LLM大模型学习路线 ↓
阶段1:AI大模型时代的基础理解
-
目标:了解AI大模型的基本概念、发展历程和核心原理。
-
内容:
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例
阶段2:AI大模型API应用开发工程
-
目标:掌握AI大模型API的使用和开发,以及相关的编程技能。
-
内容:
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望
阶段3:AI大模型应用架构实践
-
目标:深入理解AI大模型的应用架构,并能够进行私有化部署。
-
内容:
- L3.1 Agent模型框架
- L3.2 MetaGPT
- L3.3 ChatGLM
- L3.4 LLAMA
- L3.5 其他大模型介绍
阶段4:AI大模型私有化部署
-
目标:掌握多种AI大模型的私有化部署,包括多模态和特定领域模型。
-
内容:
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
这份 LLM大模型资料
包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程
等, 😝有需要的小伙伴,可以 扫描下方二维码领取🆓↓↓↓