Was wir aus einem Jahr der Arbeit mit LLMs gelernt haben

Kapitel 1. Taktik: Der entstehende LLM-Stapel

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

In diesem Kapitel stellen wir bewährte Methoden für die Kernkomponenten des LLM vor: Tipps für Eingabeaufforderungen zur Verbesserung der Qualität und Zuverlässigkeit, Bewertungsstrategien zur Beurteilung des Outputs, Ideen für die abruferweiterte Generierung zur Verbesserung der Grundkenntnisse und mehr. Wir untersuchen auch, wie man Human-in-the-Loop (HITL)-Workflows gestaltet. Auch wenn sich die Technologie noch immer rasant entwickelt, hoffen wir, dass diese Lektionen, die das Ergebnis unzähliger Experimente sind, die wir gemeinsam durchgeführt haben, den Test der Zeit bestehen und dir dabei helfen werden, robuste LLM-Anwendungen zu entwickeln und zu veröffentlichen.

Eingabeaufforderung

Wir empfehlen, bei der Entwicklung neuer Anwendungen mit Eingabeaufforderungen zu beginnen. Es ist leicht, seine Bedeutung sowohl zu unterschätzen als auch zu überschätzen. Sie wird unterschätzt, weil die richtigen Eingabeaufforderungen, wenn sie richtig eingesetzt werden, uns sehr weit bringen können. Sie wird überschätzt, weil selbst Prompt-basierte Anwendungen ein umfangreiches Prompt-Engineering erfordern, damit sie gut funktionieren.

Konzentriere dich darauf, das Beste aus den grundlegenden Eingabeaufforderungen herauszuholen

Einige wenige Eingabeaufforderungen haben sich bei verschiedenen Modellen und Aufgaben ...