提示链

提示链如何工作

提示链的核心是协调对一个或多个人工智能模型的调用序列。这一过程遵循逻辑流程：向模型发送初始提示，处理模型的响应，从响应中提取关键信息并用于构建序列中的下一个提示。如此循环往复，直至实现最终目标。这种方法对于构建能够推理和行动的人工智能代理至关重要。

这种方法允许进行任务分解，其中链条中的每一步都针对特定的子任务进行了优化。例如，一个提示可能是为信息提取设计的，下一个提示可能是为数据总结设计的，最后一个提示可能是为创造性文本生成设计的。像LangChain这样的框架通过管理状态、提示和外部工具的集成，专门用于简化这些链的开发。

实际应用

提示链用途广泛，在机器学习（ML）和工作流程自动化中有许多实际应用。

1. 自动化客户支持代理：用户提交一份复杂的支持单。

   • 提示 1（分类）：LLM 分析用户信息，对问题进行分类（如 "计费"、"技术"、"账户访问"）。
   • 提示 2（数据检索）：根据 "技术 "分类，系统会执行一个 "检索-增强生成"（RAG）步骤。新的提示要求人工智能搜索技术知识库中的相关文档。
   • 提示 3（答案生成）：将检索到的文档输入到最后一个提示中，指示 LLM 综合信息，为用户生成一个清晰、逐步的解决方案。了解有关RAG 系统机制的更多信息。

2. 多模式内容创建：营销人员希望为一款新产品开展社交媒体营销活动。

   • 提示 1（文本生成）：营销人员提供产品详情，提示要求一名法律硕士生成五个朗朗上口的营销口号。
   • 提示 2（图像生成）：然后将选定的口号作为新提示的种子，针对文本到图像模式（如稳定扩散）创建相应的视觉效果。
   • 提示 3（视觉分析）：计算机视觉模型，如定制训练的Ultralytics YOLO模型，可用于后续步骤，以确保生成的图像符合品牌准则（例如，确认存在正确的徽标）。此类模型可通过Ultralytics HUB 等平台进行管理和部署。

提示链与相关概念

将提示链与类似技术区分开来很有帮助：

• 及时工程:这是设计有效提示的广泛实践。提示链是提示工程中的一种特定技术，其重点是按顺序编排多个提示。

• 思维链 (CoT) 提示:CoT 的目的是通过要求 LLM "逐步思考"，在单个提示中提高 LLM 的推理能力。相比之下，提示链将任务分解为多个不同的提示步骤，每个步骤可能涉及不同的模型或工具。

• 检索-增强生成（RAG）:RAG 是一种人工智能在生成响应之前从外部来源检索信息的技术。RAG 通常被用作一个更大的提示链中的一个特定步骤，而不是提示链机制本身。

• 提示丰富:这包括在用户的初始提示发送给人工智能之前自动添加上下文。它增强的是单个提示，而不是协调多个相互关联的提示的顺序处理。

• 提示调整:一种参数高效微调（PEFT）方法，可在模型训练过程中学习 "软提示"（嵌入）。这是一种模型定制技术，有别于提示链的运行时执行结构。

提示链是一种强大的方法，可用于构建与LLM 等高级人工智能模型的交互，甚至将它们与其他人工智能系统（包括用于图像分类或实例分割的系统）集成。这使得复杂的任务更易于管理，并提高了从基础数据分析到复杂的多模式人工智能系统等各种机器学习应用中结果的可靠性。端到端平台有助于部署可构成此类链组件的专用模型。您可以探索可集成到这些高级工作流程中的各种计算机视觉任务。