llms as method actors

Offizielles Repo von LLMs als Methodenakteure

Offizielle Implementierung für Paper LLMs als Methodenakteure: Ein Modell für schnelle Engineering und Architektur mit Code, Eingabeaufforderungen und Beispielausgaben.

Aufstellen

1. Richten Sie Ihre API -Schlüssel ein

Speichern Sie Ihren OpenAI -API -Schlüssel in Umgebungsvariablen OPENAI_API_KEY . (Folgen Sie diesem Link, um mehr über die Einrichtung eines OpenAI -API -Schlüssels zu erfahren.) Wenn Sie anthropische oder Gemini -Modelle verwenden möchten, speichern Sie diese Schlüssel in Umgebungsvariablen ANTHROPIC_API_KEY und GEMINI_API_KEY .

2. Installieren Sie die erforderlichen Pakete

pip install -r requirements.txt

Dadurch werden alle in requirements.txt aufgeführten Abhängigkeiten installiert.

Tutorials

Das Jupyter Notebook -Tutorial.Ipynb kann Sie durchführen, indem Sie jeden Ansätze aus dem Papier auf jedem Verbindungsrätsel ausführen.

Probenausgänge

Beispielausgänge für jeden der Ansätze sind im Ordner „sample_outputs“ als Markdown -Dateien verfügbar. Für die komplizierteren Ansätze werden Markdown -Dateien enthalten, die den Vermittlungsfortschritt für jede berücksichtigte Vermutung verfolgen. Markdown -Dateien mit dem Namen "Zusammenfassung" und "summary_detailed" fassen das Gesamtergebnis und die Ergebnisse der Zwischenschritte zusammen.

Die Beispielausgaben wurden erstellt, indem die Python -Skripte auf dem Verbindungsrätsel aus dem Tag ausführten, an dem das Papier am 11. November 2024 auf Arxiv.org bekannt gegeben wurde.

Die Ergebnisse waren wie folgt:

Ansatz	Erfolg?	# Richtige Vermutungen	# Falsche Vermutungen
Vanille	NEIN	0	4
Gedankenkette	NEIN	1	4
Gedankenkette (Skript)	Ja	4	3
Schauspieler	Ja	4	0
Schauspieler-2	Ja	4	1
Oneshot-O1	NEIN	2	2
Vanilla-o1	Ja	4	0
Schauspieler-O1	Ja	4	0

Zitate

Bitte zitieren Sie das Papier und spielen Sie dieses Repo, wenn Sie es interessant oder nützlich finden. Wenden Sie sich an [email protected], wenn Sie Fragen haben.

 @misc { doyle2024method ,
      title = { LLMs as Method Actors: A Model for Prompt Engineering and Architecture } , 
      author = { Colin Doyle } ,
      year = { 2024 } ,
      eprint = { 2411.05778 } ,
      archivePrefix = { arXiv } ,
      primaryClass = { cs.CL }
}