ایجاد کتابخانه سریع و گردش کار پایان به انتها

سود:

• منطق نوشتن سریع قابل حمل را که در ابزارهای هوش مصنوعی مختلف کار می کند، درک می کند
• می تواند یک کتابخانه سریع نسخه شده و قابل استفاده مجدد برای تیم بسازد
• می تواند یک جریان سرتاسر طراحی کند که یک کسب و کار را از ابتدا تا انتها با هوش مصنوعی اداره کند

ما این ماژول را با تبدیل همه چیزهایی که یاد گرفتیم به ارزش دائمی و مقیاس پذیر به پایان می رسانیم. ما یاد گرفتیم که چگونه یک به یک پیام های خوب بنویسیم. اما قدرت واقعی شرکت در تبدیل پیام‌های خوب به دارایی قابل استفاده مجدد، به اشتراک گذاشتن آنها با تیم و ایجاد جریانی است که کار را از ابتدا تا انتها با هوش مصنوعی اجرا می‌کند. در این بخش، نحوه نوشتن یک اعلان قابل حمل، ساختن یک کتابخانه سریع و طراحی یک گردش کار پایان به انتها را یاد خواهیم گرفت.

اعلان قابل حمل (فروشنده-آگنوستیک).

ابزارهای هوش مصنوعی متعددی در بازار وجود دارد و با گذشت زمان تغییر می کنند. اگر بر اساس اعداد خاص یک وسیله نقلیه، درخواستی بنویسید، هنگام تغییر وسیله نقلیه، درخواست شما خراب می شود. با این حال، یک اعلان مبتنی بر یک ساختار واضح، زمینه روشن و مثال‌های خوب، بدون توجه به اینکه در چه ابزاری اجرا می‌شود، نتایج خوبی به دست می‌دهد. زیرا منطق آموزش خوب جهانی است. قوانین نوشتن دستورات قابل حمل:

• بر اساس اجزای آناتومی (نقش، زمینه، وظیفه، قالب، محدودیت)؛ میانبرهای مخصوص ابزار نیست.
• دستورالعمل ها را به زبان ساده و واضح بنویسید. به اظهارات مخفیانه "تقلب" اعتماد نکنید.
• با مثال آموزش دهید؛ نمونه ها روی هر مدلی کار می کنند.
• فرمت را به وضوح بیان کنید؛ انتظار فرم مستقل از رسانه است.

Prompt Library چیست و چرا ارزشمند است؟

یک کتابخانه سریع مجموعه سازمان یافته ای از دستورات آزمایش شده و آزمایش شده است (می تواند یک سند، جدول یا ابزار مشترک باشد). ارزش این است: همه اعضای تیم یک کار را از ابتدا شروع نمی کنند. بهترین دستور یک بار نوشته می شود و بارها استفاده می شود. این امر ثبات (هرکسی خروجی با کیفیت یکسانی دریافت می کند) و کارایی (بدون اختراع مجدد چرخ) را تضمین می کند.

در یک رکورد خوب کتابخانه چه چیزی باید باشد؟

منطقه

توضیحات

عنوان

کاری که انجام می دهد (به عنوان مثال "ایمیل رد")

هدف

در چه شرایطی استفاده می شود؟

سریع

متغیرهایی که با [پرانتز] مشخص شده اند

خروجی نمونه

نمونه ای از یک نتیجه خوب

یادداشت ها

چیزهایی که باید در نظر گرفت، محدودیت ها

نسخه/تاریخ

کی آپدیت شد

علامت‌گذاری متغیرها با براکت‌های مربع، مانند [نام مشتری]، [محصول]، درخواست را به یک الگوی «پر کردن و رفتن» تبدیل می‌کند.

گردش کار پایان به انتها

کارایی واقعی نه از یک دستور، بلکه از یک جریان از مراحل به هم پیوسته ناشی می شود. چارچوب کلی برای راه اندازی یک کسب و کار از ابتدا تا انتها با هوش مصنوعی:

1. جمع آوری ورودی: داده ها/متن خام را آماده کنید، داده های محرمانه را ناشناس کنید.
2. پیکربندی: از مدل بخواهید ورودی خام را به یک ساختار سازمان یافته (جدول/JSON) تبدیل کند.
3. تولید: کار واقعی (خلاصه، پیش نویس، تجزیه و تحلیل) تولید شود.
4. انتقاد/بهبود: از مدل بخواهید خروجی خود را نقد کرده و تکرار کند.
5. تأیید: حقایق، اعداد، منابع را به عنوان انسان بررسی کنید.
6. نهایی کردن: قالب را با هدف مطابقت دهید و درسی را که باید در کتابخانه ذخیره شود یادداشت کنید.

نکته مهم این شش مرحله این است: بین مراحل کنترل انسانی وجود دارد. هوش مصنوعی شتاب می گیرد؛ انسان هدایت و تایید می کند.

چهار قالب قابل کپی

1) کارت ثبت نام کتابخانه:

عنوان: [نام درخواست] هدف: [زمان استفاده] درخواست: """نقش: ... زمینه: [متغیر] وظیفه: ... قالب: ... محدودیت: ...""" خروجی نمونه: [نتیجه خوب] نکات: [محدود/احتیاط] نسخه: v1 - [تاریخ]

2) جریان انتها به انتها (در تک کار):

این کار را در 3 مرحله انجام دهید و در پایان هر مرحله توقف کنید: 1) یادداشت خامی که دادم را به جدول "Person/Request/Urgency" تبدیل کنید. 2) هنگامی که تأیید می کنید، یک پیش نویس پاسخ برای کسانی که فوریت بالایی دارند بنویسید. 3) وقتی تأیید کردید، همه آنها را در یک جدول خلاصه جمع کنید. یادداشت خام: [متن]

3) تست قابلیت حمل:

این ابزار سریع را مستقل از ابزار کنید: هیچ عبارت خاص یا مبهم برای ابزار باقی نمانده است. فقط با نقش، زمینه، وظیفه، قالب و محدودیت بازنویسی کنید. درخواست: [اعلان فعلی]

4) ایجاد استانداردهای تیمی:

دستورات نوشته شده توسط 3 کارمند مختلف برای یک شغل را در زیر در یک الگوی استاندارد ترکیب کنید. بهترین قسمت ها را نگه دارید، متغیرها را با [پرانتز] علامت گذاری کنید، یک یادداشت استفاده کوتاه اضافه کنید. درخواست ها: [3 درخواست]

اعلان ضعیف / اعلان قوی

ضعیف (یک بار، شخصی):

این پیشنهاد را برای علی بنویس، می دانی چگونه می توانیم این کار را انجام دهیم.

قدرتمند (قالب قابل حمل):

نقش: نماینده فروش سازمانی. زمینه: خریدار [نوع مشتری]؛ رابطه [وضعیت]؛ محصول [محصول].وظیفه: ایمیل نقل قول را بنویسید. قالب: 3 پاراگراف کوتاه، مرحله بعدی را در پایان مشخص کنید. محدودیت: قیمت وعده. اغراق؛ حداکثر 130 کلمه

نسخه دوم به شخص و روز بستگی ندارد. با پر کردن متغیرها، همه اعضای تیم می توانند یک پیشنهاد با کیفیت ارائه دهند. این چیزی است که وارد کتابخانه می شود.

سه کیف کوچک

مورد 1 - اثر کتابخانه. یک تیم پشتیبانی 15 درخواست پاسخ را که بیشترین استفاده را داشتند در یک کتابخانه مشترک گردآوری کردند. کارمندی که به تازگی به آن ملحق شده است، از اولین هفته خود با استفاده از کتابخانه به جای یادگیری از ابتدا، پاسخ های استاندارد تیمی را ارائه کرد. ثبات خروجی تیم به طرز محسوسی افزایش یافته است.

مورد 2 - جریان انتها به انتها. یک تیم بازاریابی هنگام تلاش برای تولید یک خبرنامه هفتگی تنها با یک اعلان، نتایج آشفته ای به دست می آورد. با تقسیم جریان به پنج مرحله (مجموعه موضوع ← طرح کلی ← نقد سرمقاله ← بررسی واقعیت ← قالب)، خبرنامه هم باکیفیت و هم سازماندهی شد و زمان تولید قابل پیش بینی بود.

مورد 3 - قابلیت حمل. یک شرکت ابزار هوش مصنوعی مورد استفاده خود را تغییر داد. از آنجایی که دستورات آن بر اساس آناتومی تمیز بود، نه ترفندهای خاص ابزار، آنها بر روی ابزار جدید تقریباً بدون نیاز به تغییر کار کردند. انتقال بدون درد بود.

نکته: هنگامی که یک دستور کار کرد، آن را در "حافظه" نگه ندارید. بلافاصله آن را با متغیرهایش در کتابخانه ذخیره کنید. صرف 2 دقیقه امروز ده ها دور تکرار را در آینده حذف می کند.

احتیاط: کتابخانه یک موجود زنده است. اگر نصب شود و فراموش شود کهنه می شود. نسخه (v1, v2) درخواست می کند، آنها را تاریخ گذاری می کند و مرتباً آنها را مرور می کند. علاوه بر این، هیچ الگوی کنترل انسان را از بین نمی‌برد: حتی با جریان سرتاسر، تأیید نهایی همیشه انسانی است.

اشتباهات رایج

• عدم ضبط اعلان خوب هر بار از صفر شروع کنید.
• وابستگی به تقلب های خاص ابزار. تصادف سریع هنگام تعویض وسیله نقلیه
• رفع متغیرها گذاشتن الگو برای یک اسم واحد و غیرقابل استفاده کردن آن.
• عدم به روز رسانی کتابخانه حمل پیام های قدیمی و بی فایده.
• حذف کنترل انسان از جریان. رد شدن از مرحله تأیید در اتوماسیون سرتاسر.

به طور خلاصه

• دستور قابل حمل بر اساس آناتومی واضح است، نه ترفندهای خاص خودرو، و بر روی هر مدلی کار می کند.
• کتابخانه سریع با به اشتراک گذاشتن درخواست های آزمایش شده با تیم، سازگاری و کارایی را تضمین می کند.
• یک رکورد کتابخانه خوب شامل عنوان، هدف، اعلان متغیر، خروجی نمونه، یادداشت ها و نسخه است.
• جریان انتها به انتها کار را به شش مرحله تقسیم می کند و کنترل انسان را در هر مرحله حفظ می کند.
• ذخیره یک درخواست خوب در حین پرواز، با متغیرهایش، تلاش آینده را به طور تصاعدی کاهش می دهد.

وظیفه کاربردی

سه کار تکرار شونده را در شغل خود شناسایی کنید و برای هر کدام یک اعلان قابل حمل و بررسی شده بنویسید و آن را در کارت کتابخانه ذخیره کنید. سپس یکی از این وظایف را در یک جریان انتها به انتها قرار دهید (جمع آوری → پیکربندی → تولید → نقد → تأیید → نهایی کردن) و آن را از ابتدا تا انتها با یک مثال واقعی اجرا کنید.

چک لیست

• [ ] من می توانم قوانین نوشتن سریع قابل حمل را دنبال کنم.
• من می توانم یک کارت کتابخانه با متغیرهای [ ] مشخص شده ایجاد کنم.
• [ ] می توانم یک کار را به یک جریان سرتاسر تقسیم کنم.
• [ ] من کنترل انسان را در هر مرحله جریان حفظ می کنم.
• [ ] من فوراً درخواست های خوب را در کتابخانه ذخیره می کنم.

امتحان ماژول

1. سبک کار اصلی مدل زبان بزرگ کدام یک از موارد زیر است؟

• الف) به صورت زنده در اینترنت جستجو می کند و صفحه ای را که پیدا می کند همان طور که هست کپی می کند.
• ب) با حدس زدن محتمل ترین کلمه ای که پس از متن داده شده متنی را ایجاد می کند ✔
• ج) پاسخ های آماده از پیش نوشته شده را از پایگاه داده انتخاب می کند
• د) هر سوال را به یک نفر هدایت می کند و پاسخ را برمی گرداند

توضیحات: مدل زبان بزرگ با پیش‌بینی آماری کلمه (ژتون) متنی را تولید می‌کند که به احتمال زیاد متنی را که ارائه می‌دهید دنبال می‌کند. پاسخ‌های آماده را از پایگاه داده نمی‌گیرد. بنابراین، دستورالعملی که می‌دهید، قوی‌ترین عامل پیش‌بینی است.

2. کارکرد جزء «نقش» در آناتومی یک اعلان مؤثر چیست؟

• الف) افزایش سرعت پاسخگویی مدل
• ب) کاهش تعداد توکن های اعلان
• ج) لحن و عمق پاسخ را با دادن چارچوبی از دیدگاه و تخصص به مدل هدایت کنید
• د) امکان دسترسی مدل به داده های شخصی

توضیح: تعیین نقش به مدل (مثلاً «مانند یک مشاور مالی با تجربه عمل کنید») او را با دیدگاه، اصطلاحات، لحن و عمق مناسب آشنا می‌کند. سرعت، هزینه یا دسترسی به داده پاسخ را تغییر نمی دهد.

3. کدام یک از دستورالعمل های زیر برای وضوح بهتر است؟

• الف) چیز خوبی در مورد این محصول بنویسید
• ب) محصول را به خوبی توضیح دهید
• ج) من به یک متن در این مورد نیاز دارم
• د) این محصول را در یک لیست 3 موردی برای مشتریان غیر فنی تبلیغ کنید که هر مورد حداکثر شامل 15 کلمه باشد ✔

توضیحات: دستورالعمل ها را پاک کنید. محدودیت‌های قابل اندازه‌گیری مانند طول، مخاطب هدف و قالب را مشخص می‌کند و بر صفت‌های مبهم مانند «زیبا» یا «خوب» تکیه نمی‌کند.

4. نمونه برداری "چند شات" به چه معناست؟

• الف) افزودن چند جفت نمونه ورودی-خروجی به اعلان برای نشان دادن الگوی مورد نظر به مدل ✔
• ب) سوال پرسیدن از مدل بدون ذکر مثال
• ج) چندین بار پرسیدن یک سوال
• د) اجازه دهید مدل برای چند ثانیه صبر کند

توضیحات: Few-shot با نشان دادن چند جفت نمونه ورودی-خروجی در اعلان، الگوی مورد نظر را به مدل آموزش می دهد. ذکر نکردن هیچ مثالی "شات صفر" است.

5. کدام یک از گزینه های زیر برای انتخاب نمونه های چند شات مناسب تر است؟

• الف) آوردن مثال هایی که تا حد امکان متناقض و در قالب های مختلف باشد
• ب) نمونه هایی را انتخاب کنید که به طور مداوم فرمت و کیفیت مورد نظر را منعکس کنند
• ج) همیشه حداقل 50 نمونه قرار دهید
• د) کیفیت نمونه ها بی اهمیت است، فقط تعداد کافی است

توضیحات: از آنجایی که مدل از نمونه ها تقلید می کند، نمونه ها باید به طور مداوم فرمت خروجی، لحن و کیفیت مورد نظر را منعکس کنند. مثال های متناقض مدل را گیج می کند.

6. تکنیک زنجیره فکر در کدام موقعیت بیشتر کاربرد دارد؟

• الف) هنگامی که یک ترجمه ساده تک کلمه ای درخواست می شود
• ب) فقط زمانی که می خواهید خروجی را افزایش دهید
• ج) در کارهای پیچیده که نیاز به چند مرحله یا استدلال منطقی دارد ✔
• د) زمانی که می خواهید زبان پاسخ مدل را تغییر دهید

توضیحات: این تکنیک دقت را در کارهای پیچیده ای که نیاز به چند مرحله یا استدلال منطقی دارند، بهبود می بخشد. در کارهای ساده یک مرحله ای طول غیر ضروری ایجاد می کند.

7. مزیت اصلی مشخص کردن صریح فرمت خروجی (به عنوان مثال "صادر کردن به عنوان JSON") چیست؟

• الف) قابل پیش‌بینی و ادغام کردن خروجی در سایر سیستم‌ها/جریان‌های کاری ✔
• ب) مدل برق کمتری مصرف می کند
• ج) پاسخ همیشه کوتاهتر است
• د) مدل خلاقیت بیشتری دارد

توضیحات: نیاز به یک فرمت خاص خروجی را قابل پیش بینی و به راحتی قابل استفاده با سایر سیستم ها یا گردش کار می کند. نیاز به اصلاح دستی را کاهش می دهد.

8. اگر خروجی اولیه هوش مصنوعی آن چیزی نباشد که شما می خواهید بهترین رویکرد چیست؟

• الف) فوراً تصمیم بگیرید که هوش مصنوعی برای این کار خوب نیست و منصرف شوید
• ب) ارسال چندین بار همان درخواست بدون تغییر آن
• ج) بهبود درخواست با بازخورد هدفمند که نشان می دهد چه چیزی گم شده یا اشتباه است ✔
• د) استفاده از خروجی همانطور که هست، بدون تایید آن

توضیح: تکرار طبیعی است. بهترین کار این است که درخواست را با بازخورد هدفمند بهبود بخشید که به شما می گوید چه چیزی را در مورد خروجی دوست ندارید. ارسال مجدد همان اعلان نتیجه را تغییر نمی دهد.

9. کدام یک از موارد زیر یک خطای معمولی است؟

• الف) دادن نقش و زمینه روشن به مدل
• ب) تعیین فرمت خروجی مورد نظر
• ج) خروجی نمونه را نشان دهید
• د) درخواست مبهم و تک جمله ای بدون مشخص کردن زمینه، مخاطب و قالب ✔

توضیح: ایجاد یک درخواست مبهم و تک جمله ای بدون زمینه یا قیود یک اشتباه معمولی است که باعث می شود مدل یک پاسخ کلی و نادرست با مفروضات تولید کند.

10. این که بگوییم مدل "توهمات" ایجاد کرد به چه معناست و این چه چیزی را شامل می شود؟

• الف) مدل با اطمینان اطلاعات غیر واقعی تولید می کند. بنابراین حقایق باید تأیید شوند ✔
• ب) مدل خیلی آهسته پاسخ می دهد. فقط باید صبر کرد
• ج) مدل پاسخ را کوتاه نگه می دارد. باید بیشتر بپرسید
• د) مدل اشتباه تایپی دارد. فقط باید تعمیر شود

توضیح: توهم زمانی است که مدل با اطمینان اطلاعاتی را تولید می کند که واقعی نیست (مثلاً منبعی که وجود ندارد، تاریخ نادرست). بنابراین لازم است حقایقی مانند اعداد، نام ها، تاریخ ها و نقل قول ها از منابع مستقل بررسی شود.

11. بهترین رویکرد قبل از وارد کردن متن حاوی داده های محرمانه مشتری یا داده های شخصی در ابزار هوش مصنوعی عمومی چیست؟

• الف) وارد کردن داده ها همانطور که هست، زیرا هوش مصنوعی به هر حال آن ها را فراموش می کند
• ب) ناشناس کردن/پوشاندن داده ها یا استفاده از ابزار ایمن مورد تایید موسسه ✔
• ج) فقط «محرمانه» را در آخر جمله بنویسید
• د) ترجمه داده ها به زبان دیگر و وارد کردن آن به این صورت

توضیح: داده های محرمانه و شخصی باید مطابق با خط مشی و قانون شرکت محافظت شوند (به عنوان مثال، KVKK). ایمن ترین راه این است که داده ها را ناشناس/مپوشان کنید یا از ابزار ایمن تایید شده توسط موسسه استفاده کنید.

12. منطق نوشتن اعلان مستقل از ارائه دهنده (قابل حمل) چیست؟

• الف) لازم است برای هر ابزار هوش مصنوعی یک دستور کاملا متفاوت و ناسازگار نوشته شود
• ب) دستور قابل حمل فقط به یک زبان قابل نوشتن است
• ج) اعلان‌های مبتنی بر ساختار، زمینه و مثال‌های واضح بر روی مدل‌های مختلف به خوبی کار می‌کنند بدون اینکه به یک ابزار متصل شوند.
• د) نگهداری یک کتابخانه سریع اتلاف وقت است

توضیحات: یک دستور مبتنی بر ساختار واضح، دستورالعمل‌ها و مثال‌های واضح نیز در ابزارهای مختلف هوش مصنوعی به خوبی کار می‌کند، زیرا به ترفندهای خاص یک ابزار خاص مرتبط نیست.

13. مهمترین مزیت نگهداری یک کتابخانه سریع قابل استفاده مجدد برای یک تیم چیست؟

• الف) اطمینان از ثبات و کارایی در تیم با به اشتراک گذاشتن دستورات آزمایش شده ✔
• ب) اطمینان از حفظ اطلاعات کارکنان از یکدیگر
• ج) حذف کامل هزینه ابزار هوش مصنوعی
• د) غیرضروری کردن کنترل انسان

توضیحات: کتابخانه با به اشتراک گذاشتن دستورات آزمایش شده و آزمایش شده، ثبات و کارایی را در سراسر تیم تضمین می کند. همه یک کسب و کار را از صفر شروع نمی کنند.

14. هنگام بهبود یک درخواست با تکرار، چرا توصیه می شود که هر بار یک تغییر ایجاد کنید؟

• الف) تنها تغییر این است که اعلان را کوتاهتر می کند.
• ب) برای اینکه به وضوح ببینید کدام تغییر بر خروجی تأثیر می گذارد ✔
• ج) زیرا مدل نمی تواند همزمان بیش از یک دستور را پردازش کند
• د) زیرا تنها تغییر باعث صفر شدن هزینه می شود

توضیح: اگر چندین چیز را همزمان تغییر دهید، نمی‌توانید تشخیص دهید که کدام تغییر خروجی را بهبود می‌بخشد یا می‌شکند. اصلاح تک متغیره به شما امکان می دهد یاد بگیرید چه چیزی کار می کند.