prompts royale

Meminta Royale

Teknik yang cepat adalah proses yang sangat berulang. Bahkan ketika kami berhasil menetap pada prompt, sangat sulit untuk mengujinya terhadap kasus uji dan kemungkinan lain yang mungkin untuk memastikan kami memberikan instruksi terbaik kepada model.

Prompts Royale adalah aplikasi yang memungkinkan Anda untuk benar -benar membuat banyak kandidat yang cepat, menulis yang Anda sendiri, dan membuatnya bertarung sampai pemenang yang jelas muncul. Itu membuat proses iterasi pada prompt merasa jauh lebih mudah dan dapat diandalkan.

Anda memberikan deskripsi tentang apa yang ingin Anda capai, memberikan beberapa skenario dan hasil yang diharapkan, dan kemudian hanya duduk dan menonton mereka bertarung untuk #1.

prompts.royale.mp4

Apa yang bisa dilakukan

• Automatic Prompt Generation: Memungkinkan pembuatan kandidat prompt dari deskripsi pengguna dan skenario kasus uji. Pengguna juga dapat memasukkannya sendiri.
• Pembuatan Kasus Uji Otomatis: Mengaktifkan secara otomatis membuat kasus uji dari deskripsi untuk membuat jus mengalir!
• Monte Carlo Matchmaking + ELO Rating: Ini menggunakan metode Monte Carlo untuk perjodoh
• Semuanya Dapat Disesuaikan: Halaman Pengaturan memungkinkan Anda untuk mengotak -atik setiap parameter aplikasi
• Lokal & Aman : Semuanya disimpan secara lokal dan permintaan dibuat dari browser Anda ke LLMS API.

Penggunaan

Anda dapat menggunakannya di promptsRoyale.com, atau Anda dapat mengkloning repositori dan menjalankannya secara lokal.

Persyaratan:

• Node v16+

Klon Repositori:

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

Instal dependensi. Kami menggunakan roti untuk mengelola dependensi, ini luar biasa.

bun i

Jalankan server:

bun run dev

Contoh

Berikut adalah contoh seperti apa kasus penggunaan nantinya:

Keterangan

 Write a prompt that creates a headline for a website.

Contoh 1

Skenario

Situs web dealer mobil

Output yang diharapkan

Temukan mobil impian Anda dengan harga terbaik

Contoh 2

Skenario

Situs Web SaaS untuk Analisis Data

Output yang diharapkan

Data Anda, wawasan Anda, jalan Anda

Contoh 3

Skenario

Situs web untuk kebun binatang

Output yang diharapkan

Hewan dunia, di satu tempat

Dengan informasi tugas yang akan diselesaikan dan kasus uji, pengguna kemudian dapat menghasilkan kandidat yang cepat , yang memperhitungkannya dan menghasilkan kandidat yang akan diperingkat oleh sistem melalui sistem tempur.

Pengguna juga dapat menulis kandidat yang cepat sendiri jika mereka memiliki gagasan khusus tentang apa yang mereka inginkan. Jika Anda memiliki sesuatu yang spesifik dalam pikiran, menuliskan permintaan Anda selalu merupakan pilihan terbaik untuk menyesuaikan apa yang Anda maksudkan.

Klik untuk melihat contoh prompt yang dihasilkan

Prompt a

Desain berita utama yang menarik untuk kategori situs web yang berbeda. Memahami misi situs web, audiens yang dituju, dan solusi yang diberikannya. Judul harus menarik perhatian, relevan, dan menyaring konsep inti situs web menjadi pernyataan yang ringkas. Manfaatkan kemahiran linguistik Anda, taktik promosi, dan pengetahuan khusus domain untuk membuat judul yang memikat. "

Prompt b

Petunjuk Anda adalah untuk merumuskan tajuk yang menarik untuk jenis situs web tertentu. Perhatikan tujuan situs web, demografi yang ditargetkan, dan layanan yang ditawarkannya. Judulnya harus menawan, melantunkan, dan mampu merangkum proposisi utama situs web dalam baris singkat. Gunakan pemahaman bahasa Anda, strategi periklanan, dan wawasan khusus industri untuk membuat judul yang menarik.

Cara kerjanya

Setiap prompt direpresentasikan sebagai distribusi normal dengan rata -rata awal $ mu $ dari $ 1000 $ dan standar deviasi $ sigma $ dari $ 350 $ . Distribusi ini mewakili skor ELO dari prompt.

Kami kemudian mengulangi siklus berikut:

Kami menggunakan sampler Monte Carlo untuk membuat duel di mana masing -masing dari 2 petunjuk yang dipilih saling bertarung. Peluang untuk ditarik untuk duel sebanding dengan kesempatan bahwa dorongan itu adalah yang terbaik, atau dalam istilah yang lebih matematis, kami menggunakan distribusi tertimbang dari kepadatan probabilitas mereka untuk menentukan kemungkinan bahwa kurva itu memiliki rata -rata sejati tertinggi dalam kelompok .

Dalam setiap duel, kedua prompt menjawab masing -masing kasus uji dan prompt terpisah mengevaluasi jawaban mana yang terbaik. Skor ELO dari petunjuk kemudian diperbarui sesuai dengan formula berikut:

$$ mu_ {a} '= mu_ {a} + frac {k} {n} cdot (skor - diharapkan _score (a, b)) $$

$$ mu_ {b} '= mu_ {b} + frac {k} {n} cdot (1 - skor - diharapkan _score (b, a)) $$

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

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

Di mana:

• $ LR $ adalah tingkat pembelajaran. Semakin rendah tingkat pembelajaran semakin cepat "pembelajaran". Dengan mengurangi standar deviasi, Anda membuat hasil lebih bermakna. Ini berarti bahwa sistem akan bertemu lebih cepat ke pemenang, tetapi juga berarti bahwa ia akan lebih kecil kemungkinannya untuk menemukan hasil terbaik. Kami merekomendasikan $ 0,96 $ .

• $ K $ adalah jumlah poin yang dipertaruhkan setiap pertempuran.

• $ N $ adalah jumlah kasus uji

• $ dfrac {k} {n} $ adalah jumlah poin yang dipertaruhkan setiap putaran

  • Jika dua diminta dengan hal yang sama $ mu $ pertempuran dan satu prompt memenangkan semua putaran yang akan diperolehnya $ dfrac {k} {2} $ poin dan yang lainnya akan kalah $ dfrac {k} {2} $ poin.

• $ skor $ adalah $ 1 $ jika $ A $ menang dan $ 0 $ jika $ B $ menang,

• $ diharapkan _score (a, b) $ adalah peluang yang diharapkan $ A $ menang versus $ B $ mengingat distribusi normal mereka. Ini dihitung dengan rumus berikut: $$ diharapkan _score (a, b) = frac {1} {1 + 10^{ frac { mu_ {b} - mu_ {a}} {400}} $$

Alasan mengapa kami memperbarui $ sigma $ Dari setiap prompt adalah bahwa kami memiliki lebih banyak kepastian pada distribusi setelah setiap pertandingan, sehingga harus memiliki standar deviasi yang lebih kecil.

Kredit

Kami sangat terinspirasi oleh https://github.com/mshumer/gpt-promppt-engineer, terima kasih atas pekerjaan Anda!