prompts royale

يطالب رويال

الهندسة الفوري هي عملية تكرارية للغاية. حتى عندما نتمكن من الاستقرار في موجه ، من الصعب للغاية اختباره ضد حالات الاختبار وغيرها من المطالبات الممكنة للتأكد من أننا نقدم أفضل التعليمات للنموذج.

مطالبات Royale هو تطبيق يسمح لك بإنشاء العديد من المرشحين السريع بسهولة ، وكتابة الرسوم الخاصة بك ، وجعلهم يقاتلون حتى يظهر فائز واضح. يجعل عملية التكرار على مطالبة أكثر سهولة وموثوقية.

أنت تعطي وصفًا لما تريد إنجازه ، وتعطيه بعض السيناريوهات والمخرجات المتوقعة ، ثم الجلوس فقط ومشاهدتها معركة رقم 1.

prompss.royale.mp4

ماذا يمكن أن تفعل

• توليد المطالبات التلقائي: يسمح بإنشاء مرشحين موجه من وصف المستخدم واختبار سيناريوهات حالة الاختبار. يمكن للمستخدم أيضا إدخال خاص بهم.
• حالات الاختبار التلقائية: تمكين إنشاء حالات اختبار تلقائيًا من الوصف لتدفق العصائر!
• Monte Carlo Matchmaking + Elo Rating: إنه يستخدم طريقة Monte Carlo لضمان حصولك على الكثير من المعلومات بأقل قدر من المعارك ، وتصنيف ELO لتصنيف المرشحين بشكل صحيح على أساس انتصاراتهم ومن يفوزون ضدهم
• كل شيء قابل للتخصيص: تسمح لك صفحة الإعدادات بالعبث مع كل معلمة واحدة من التطبيق
• محلي وآمن : يتم تخزين كل شيء محليًا ويتم تقديم الطلبات من متصفحك إلى واجهة برمجة تطبيقات LLMS.

الاستخدام

يمكنك استخدامه في ProserSroyale.com ، أو يمكنك استنساخ المستودع وتشغيله محليًا.

متطلبات:

• العقدة V16+

استنساخ المستودع:

git clone [email protected]:meistrari/prompts-royale.git

تثبيت التبعيات. نحن نستخدم BUN لإدارة التبعيات ، إنه رائع.

bun i

قم بتشغيل الخادم:

bun run dev

مثال

إليك مثال على شكل حالة الاستخدام:

وصف

 Write a prompt that creates a headline for a website.

مثال 1

سيناريو

موقع ويب لبيع السيارات

الإخراج المتوقع

ابحث عن سيارة أحلامك بأفضل سعر

مثال 2

سيناريو

موقع SaaS لتحليل البيانات

الإخراج المتوقع

بياناتك ، رؤىك ، طريقك

مثال 3

سيناريو

موقع على شبكة الإنترنت لحديقة الحيوان

الإخراج المتوقع

حيوانات العالم ، في مكان واحد

من خلال معلومات المهمة التي سيتم إنجازها وحالات الاختبار ، يمكن للمستخدم بعد ذلك إنشاء مرشحين موجهين ، والذين يأخذون في الاعتبار ويخرج المرشحين الذين سيتم تصنيفهم من قبل النظام من خلال نظام قتالي.

يمكن للمستخدم أيضًا كتابة المرشحين المطالبين إذا كان لديهم فكرة محددة عما يريدون. إذا كان لديك شيء محدد في الاعتبار ، فإن كتابة المطالبات الخاصة بك هي دائمًا الخيار الأفضل لتناسب ما تنوي.

انقر لرؤية مثال على المطالبات التي تم إنشاؤها

موجه أ

تصميم عنوان مقنع لفئة مميزة من موقع الويب. فهم مهمة الموقع ، جمهوره المقصود ، والحلول التي يقدمها. يجب أن يجذب العنوان الانتباه ، وأن يكون وثيق الصلة ، وتقطير المفهوم الأساسي للموقع في بيان موجز. استفد من كفاءتك اللغوية ، والتكتيكات الترويجية ، والمعرفة الخاصة بالمجال لإنشاء عنوان مغرية. "

موجه ب

توجيهك هو صياغة عنوان جذاب لنوع معين من موقع الويب. انتبه إلى أهداف موقع الويب ، والديموغرافيا المستهدفة ، والخدمات التي يقدمها. يجب أن يكون العنوان آسرًا وصالحًا وقادرًا على تلخيص الاقتراح الأساسي للموقع في خط قصير. استخدم فهم لغتك ، واستراتيجيات الإعلان ، والرؤى الخاصة بالصناعة لإنشاء عنوان مقنع.

كيف تعمل

يتم تمثيل كل مطالبة كتوزيع طبيعي بمتوسط ​​أولي $ mu $ ل 1000 دولار وانحراف معياري $ sigma $ ل 350 دولار . يمثل هذا التوزيع درجة ELO للمطالبة.

ثم نكرر الدورة التالية:

نستخدم عينة Monte Carlo لصنع المبارزات حيث كل من المطالبات المختارة معركة بعضها البعض. تتناسب فرص رسم المبارزة للمبارزة مع فرصة أن تكون هذه المطالبة هي الأفضل ، أو بعبارات رياضية أكثر ، نستخدم التوزيع المرجح لكثافة احتمالاتها لتحديد احتمال أن يكون هذا المنحنى لديه أعلى متوسط ​​حقيقي داخل المجموعة .

في كل مبارزة ، يجيب كلاهما على الإجابة على كل حالة من حالات الاختبار ومطالبة منفصلة التي كانت الإجابة هي الأفضل. ثم يتم تحديث عشرات ELO للمطالبات وفقًا للصيغ التالية:

$$ mu_ {a} '= mu_ {a} + frac {k} {n} cdot

$$ mu_ {b} '= mu_ {b} + frac {k} {n} cdot (1 - SCORE - متوقع _score (b ، a)) $$

$$ sigma_ {a} '= sigma_ {a} cdot lr $$

$$ sigma_ {b} '= sigma_ {b} cdot lr $$

أين:

• $ LR $ هو معدل التعلم. كلما انخفض معدل التعلم أسرع "التعلم". عن طريق تقليل الانحراف المعياري ، فإنك تجعل النتائج أكثر جدوى. هذا يعني أن النظام سيتقارب بشكل أسرع مع الفائز ، ولكنه يعني أيضًا أنه سيكون من غير المرجح أن يجد أفضل نتيجة. نوصي 0.96 دولار .

• $ k $ هو عدد النقاط لكل معركة على المحك.

• $ n $ هو عدد حالات الاختبار

• $ dfrac {k} {n} $ هو مقدار النقاط التي كل جولة على المحك

  • إذا كان هناك مطالبات مع نفس $ mu $ المعركة ووجبة واحدة تفوز بجميع الجولات التي ستكسبها $ dfrac {k} {2} $ النقاط والآخر سوف يخسر $ dfrac {k} {2} $ نقاط.

• درجة $ $ يكون $ 1 $ لو $ a $ يفوز و $ 0 $ لو $ b $ يفوز ،

• $ المتوقع _score (a ، b) $ هي الفرصة المتوقعة ل $ a $ الفوز مقابل $ b $ بالنظر إلى توزيعاتها العادية. يتم حساب هذا بواسطة الصيغة التالية: $$ المتوقع _score (a ، b) = frac {1} {1 + 10^{ frac { mu_ {b} - mu_ {a}} {400}}} $$

سبب تحديث $ sigma $ من كل موجه هو أن لدينا المزيد من اليقين في التوزيع بعد كل مباراة ، وبالتالي يجب أن يكون لها انحراف معياري أصغر.

الاعتمادات

لقد استلهمنا بشدة https://github.com/mshumer/gpt-prompt-engineer ، شكرًا على عملك!