Prompt Zincirleme

Hızlı zincirleme, Yapay Zeka (AI) geliştirmede karmaşık bir görevin daha küçük, yönetilebilir alt görevler dizisine ayrıldığı gelişmiş bir mimari modeldir. Bu iş akışında, genellikle Büyük Dil Modeli (LLM) veya bilgisayar görüş sistemi tarafından üretilen bir adımın çıktısı, sonraki adımın girdisi olarak kullanılır. Çok yönlü bir sorunu tek seferde çözmeye çalışan tek bir monolitik komut isteminden farklı olarak, zincirleme, geliştiricilerin daha güvenilir, test edilebilir ve yetenekli uygulamalar oluşturmasına olanak tanır. Bu modüler yaklaşım, akıl yürütebilen, web'de gezinebilen veya fiziksel ortamlarla etkileşime girebilen gelişmiş AI Ajanları oluşturmak için gereklidir. .

Zincirleme Mekanizması

Temelde, hızlı zincirleme, bağlam pencerelerinin ve Temel Modellerdeki bağlam pencereleri ve akıl yürütme yeteneklerinin sınırlamalarını ele alır. Bir modelden tek bir istekte çok fazla farklı işlem yapması istendiğinde (örneğin, "Bu görüntüyü analiz et, metni çıkar, İspanyolca'ya çevir ve JSON fatura olarak biçimlendir"), hata olasılığı artar. Bunu bir boru hattına bölerek, geliştiriciler her bir aşamanın doğruluğunu

Etkili zincirler genellikle Python ile yazılmış "yapıştırıcı kod" kullanır. Python veya LangChain gibi orkestrasyon kütüphaneleri tarafından yönetilen "yapıştırıcı kod" kullanır. Bu, farklı teknolojilerin entegrasyonuna olanak tanır, örneğin Nesne Algılama'nın görsel keskinliği ile üretken metin modellerinin dilsel akıcılığını birleştirmek gibi.

Gerçek Dünya Uygulamaları

Hızlı zincirleme, farklı veri modaliteleri arasındaki boşluğu doldururken özellikle etkilidir ve Çok Modal Modellerin dinamik endüstriyel ve ticari ortamlarda çalışmasını sağlar.

1. Otomatik Görsel Raporlama: Akıllı Üretimde, bir kalite kontrol sistemi bir görsel modeli LLM ile zincirleyebilir. İlk olarak, Ultralytics gibi yüksek hızlı bir model, montaj hattındaki bileşenleri tarar. Yapısal çıktı (örneğin, "Sınıf: Dented_Can, Güven: 0,92") bir metin dizisine dönüştürülür. Yapılandırılmış çıktı (ör. "Sınıf: Dented_Can, Güven: 0,92") bir metin dizisine dönüştürülür. Bu metin daha sonra "Bu kusura dayalı bir bakım talebi taslağı hazırla" gibi bir komutla bir dil modeline aktarılır ve kat yöneticisi için insan tarafından okunabilir bir e-posta oluşturur.
2. Bağlam Duyarlı Müşteri Desteği: Akıllı sohbet robotları, karmaşık kullanıcı sorgularını yönlendirmek için genellikle zincirleme kullanır. Sorgular. Zincirin ilk halkası, Doğal Dil İşleme (NLP) kullanarak classify amacını classify . Amaç teknik ise, sistem bir Arama ile Güçlendirilmiş Üretim (RAG) iş akışını tetikler: sorgu için gömülü öğeler oluşturur, vektör veritabanında dokümantasyon arar ve son olarak bir LLM'ye, alınan parçaları yararlı bir cevap haline getirmesi için komut verir.

Görsel-Dil Kod Örneği

Aşağıdaki örnek, zincirin ilk "bağlantısını" göstermektedir: Bilgisayar Görme (CV) kullanarak, aşağı akış komut isteminin bağlamı olarak hizmet eden yapılandırılmış veriler oluşturmak.

from ultralytics import YOLO

# Load the YOLO26 model (natively end-to-end and highly efficient)
model = YOLO("yolo26n.pt")

# Step 1: Run inference to 'see' the environment
results = model("https://ultralytics.com/images/bus.jpg")

# Step 2: Format visual detections into a natural language string
det_names = [model.names[int(c)] for c in results[0].boxes.cls]
prompt_context = f"The scene contains: {', '.join(det_names)}. Please describe the likely activity."

# The 'prompt_context' variable is now ready to be sent to an LLM API
print(prompt_context)

İlgili Kavramları Ayırt Etme

Etkili Makine Öğrenimi (ML) mimarileri uygulamak için, AI alanında benzer terimlerden prompt chaining'i ayırt etmek yararlıdır:

• Vs. Düşünce Zinciri Uyarısı: Düşünce Zinciri (CoT), tek bir uyarı içinde modeli "çalışmasını göstermesi" için teşvik etmek amacıyla kullanılan bir tekniktir (örneğin, "Adım adım düşün"). Uyarı zincirleme, adım B'ye girdi adım A'nın çıktısına bağlı olan birden fazla farklı API çağrısını içerir.
• Vs. Prompt Mühendisliği: Prompt mühendisliği, daha iyi model performansı elde etmek için metin girdilerini optimize etmenin daha geniş bir disiplinidir. Zincirleme , işlemlerin ve mantık kontrolünün sıralı akışına odaklanan belirli bir mühendislik modelidir.
• Vs. Prompt Ayarlama: Prompt ayarlama , Model Optimizasyon yöntemidir ve eğitim aşamasında öğrenilebilir parametreleri (yumuşak promptlar) günceller. Prompt zincirleme tamamen Gerçek Zamanlı Çıkarım sırasında gerçekleşir ve modelin Model Ağırlıklarını değiştirmez.

Hızlı zincirlemeyi kullanarak, ekipler mantık, veri alma ve Eylem Tanıma'yı entegre eden sağlam uygulamalar geliştirebilirler. Veri kümelerini yönetmek ve bu zincirleri destekleyen görme modellerini eğitmek için Ultralytics , açıklama, eğitim ve dağıtım için merkezi bir çözüm sunar.