chatgpt patterns

Patrick Nicolas - Dernière mise à jour 07.10.2023

L'objectif est que ce référentiel est d'évaluer et d'étendre le framework de données de l'API , Langchain et Llamaindex pour créer des applications. Ces techniques incluent

• Modèles d'ingénierie rapides: l'automatique de sortie , le personnage , le modèle de vérification des faits et le vérificateur cognitif
• Invite dactylographiée à l'aide de chaînes Langchain
• Flux de travail génératif utilisant des agents Langchain , Openai et Llama .

Références

• Extension des séquences de Langchain avec des types de données
• Chatgpt Invite Modèles pour la génération de code
• Introduction de Langchain
• INTRODUCTION DE LAMA
• L'incitation de la chaîne de pensées suscite du raisonnement dans des modèles de grande langue
• Openai Chatgpt

Environnement

Emballer	Version
python	3.9.16
torche	2.0.1
Openai	0,27.1
matplotlib	3.7.1
scikit-apprend	1.2.2
nombant	1.24.3
pandas	2.0.2
lubriole	0.0.227
polaires	0.17.0
fastapi	0,97.0
index lama	0.7.4

Mises à jour

Date	Version
06.07.2023	0.1
06.18.2023	0,2

Packages

Emballer	Description
user	Classe de services publics
Openai	Cours liés à l'utilisation et à un réglage fin pour le chatppt
llm_langchain	Classes liées au chargeur, au séparateur, à la chaîne et aux agents utilisant le cadre de Langchain
llm_llama	Cours liés à la chaîne et aux agents à l'aide du cadre Llamaindex
domaine	Code d'application cible spécifique au domaine à des fins de test

Motifs rapides

À partir du papier séminal "Un catalogue de motifs rapides pour améliorer l'ingénierie rapide avec Chatgpt".

Nom	Aperçu	Déclarations contextuelles
Personnage	Personnalisation de la sortie Attribuez un expert en personnage, rôle ou domaine à LLM. Le personnage peut être exprimé comme un rôle, une description de poste, un titre, une figure historique ou connue.	- J'aimerais que vous me posiez des questions pour réaliser X. - Vous devez poser des questions jusqu'à ce que X soit atteint ou que la condition X soit remplie. Posez-moi des questions concernant X One à l'époque.
Modèle	Personnalisation de la sortie Assurez-vous que la sortie suit un modèle précis (c.-à-d. Format, URL, exemple…). Ce modèle demande à LLM d'utiliser un format unique dans une partie spécifique de la réponse.	Je vais vous fournir un modèle pour votre sortie X est mon porte-lieu pour le contenu Essayez d'adapter la sortie dans un ou plusieurs espaces réservés que j'ai énumérés Veuillez préserver le formatage et le modèle que j'ai fourni Voici le modèle à suivre: Modèle avec l'espace réservé.
Liste de vérification des faits	Identification des erreurs Demandez à LLM de fournir / ajoute une liste de faits / hypothèses à la réponse, afin que l'utilisateur puisse effectuer la diligence.	Générer un ensemble de faits contenus dans la sortie L'ensemble des faits doit être inséré / annexé à la sortie L'ensemble des faits devrait être les faits fondamentaux qui pourraient saper la véracité de la production si l'un d'eux est incorrect.
Réflexion	Identification des erreurs Demandez à LLM d'expliquer automatiquement la justification derrière une réponse donnée à l'utilisateur. Le modèle clarifie tous les points de confusion, les hypothèses sous-jacentes, les lacunes dans les connaissances….	Chaque fois que vous générez une réponse, expliquez le raisonnement et les hypothèses derrière votre réponse, afin que je puisse améliorer ma question.
Automatique	Personnalisation de la sortie Le fait que LLM génère un script ou une tâche automatisée qui peut être exécuté toutes les étapes que LLM recommande.	Chaque fois que vous produisez une sortie avec des étapes, faites-le toujours. Produisez un artefact exécutable de type X qui automatisera ces étapes.
Générateur de visualisation	Personnalisation de la sortie Utilisez du texte généré pour créer une visualisation car les concepts complexes sont plus faciles à saisir avec des diagrammes et des images. La sortie LLM doit créer une voie pour l'outil pour produire des images.	Générez un X que je peux fournir à l'outil Y pour le visualiser.