prompts royale prompts royale

prompts royale

その他のソースコード

1.0.0

ダウンロード

Royaleをプロンプトします

迅速なエンジニアリングは非常に反復的なプロセスです。プロンプトに落ち着くことができたとしても、テストケースやその他の可能なプロンプトに対してテストすることは非常に困難です。

Prompts Royaleは、多くの迅速な候補者を非常に簡単に作成し、自分の候補者を書いて、明確な勝者が出現するまで戦闘することを可能にするアプリケーションです。これにより、プロンプトの反復プロセスが、はるかに簡単で信頼性が高くなります。

達成したいことの説明を与え、いくつかのシナリオと予想される出力を与えてから、ただ座って＃1の戦いを見るだけです。

PROMPTS.ROYALE.MP4

それができること

自動プロンプト生成：ユーザーの説明およびテストケースシナリオから迅速な候補者を作成できます。ユーザーは自分で入力することもできます。
自動テストケースの生成：説明からテストケースを自動的に作成して、ジュースを流れるようにします！
モンテカルロマッチメイキング +エロレーティング：マッチメイキングにモンテカルロ法を使用して、戦闘の量が最小限の情報とELOレーティングを確実に取得し、勝利に基づいて候補者を適切にランク付けし、誰に対して勝つかを適切にランク付けします
すべてがカスタマイズ可能です：設定ページを使用すると、アプリケーションのすべてのパラメーターをいじくり回すことができます
ローカルおよびセキュア：すべてがローカルに保存され、リクエストはブラウザからLLMS APIに作成されます。

使用法

PromptSroyale.comで使用することも、リポジトリをクローンしてローカルに実行することもできます。

要件：

ノードV16+

リポジトリをクローンします：

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

依存関係をインストールします。依存関係を管理するためにBunを使用しています。それは素晴らしいことです。

bun i

サーバーを実行します：

bun run dev

例

ユースケースがどのように見えるかの例は次のとおりです。

説明

 Write a prompt that creates a headline for a website.

例1

シナリオ

自動車ディーラーのウェブサイト

予想出力

最高の価格であなたの夢の車を見つける

例2

シナリオ

データ分析のためのSaaSのWebサイト

予想出力

あなたのデータ、あなたの洞察、あなたの方法

例3

シナリオ

動物園のウェブサイト

予想出力

世界の動物、1か所

実行するタスクの情報とテストケースを使用すると、ユーザーは迅速な候補を生成し、それらを考慮し、戦闘システムを通じてシステムによってランク付けされる候補を出力します。

ユーザーは、自分が何を望んでいるかについて特定のアイデアを持っている場合、迅速な候補者自身を書くこともできます。具体的なことを念頭に置いている場合、プロンプトを書くことは、常にあなたが意図するものに合う最良の選択肢です。

クリックして、生成されたプロンプトの例を表示します

プロンプトa

Webサイトの明確なカテゴリに魅力的な見出しを設計します。ウェブサイトの使命、意図した視聴者、およびそれが提供するソリューションを理解してください。見出しは注意を引き付け、適切にし、ウェブサイトのコアコンセプトを簡潔な声明に蒸留する必要があります。言語学的能力、宣伝戦術、ドメイン固有の知識を活用して、魅力的な見出しを作成します。」

プロンプトb

あなたの指令は、特定の種類のウェブサイトの魅力的な見出しを策定することです。ウェブサイトの目標、ターゲットを絞った人口統計、およびそれが提供するサービスに注意してください。見出しは、魅力的で、密接な、そしてウェブサイトの主要な提案を短い行で要約できる必要があります。言語の理解、広告戦略、業界固有の洞察を使用して、説得力のある見出しを作成します。

それがどのように機能するか

各プロンプトは、初期平均の正規分布として表されます $ mu $の $ 1000 $および標準偏差 $ sigma $の $ 350 $ 。この分布は、プロンプトのELOスコアを表します。

次に、次のサイクルを繰り返します。

モンテカルロサンプラーを使用して、選択した2つのプロンプトのそれぞれが互いに戦うことになります。決闘のために描かれる可能性は、そのプロンプトが最良であるか、より数学的な用語であるという可能性に比例します。確率密度の加重分布を使用して、その曲線がグループ内で最高の真の平均を持つ可能性を定義します。。

各決闘では、両方のプロンプトが各テストケースに答え、別のプロンプトがどの答えが最適かを評価します。プロンプトのELOスコアは、次の式に従って更新されます。

$$ mu_ {a} '= mu_ {a} + frac {k} {n} cdot（score -score -edicted _score（a、b））$$

$$ mu_ {b} '= mu_ {b} + frac {k} {n} cdot（1-スコア - 期待 _score（b、a））$$

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

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

どこ：

$ lr $学習率です。学習率が低いほど、「学習」が速くなります。標準偏差を減らすことにより、結果をより意味のあるものにします。これは、システムが勝者に速く収束することを意味しますが、最良の結果を見つける可能性が低くなることも意味します。お勧めします $ 0.96 $ 。
$ k $各戦闘が危機にatしているポイントの数です。
$ n $テストケースの数です
$ dfrac {k} {n} $各ラウンドが危機にatしているポイントの量です
- 同じプロンプトが同じ場合 $ mu $戦いと1つのプロンプトが得るすべてのラウンドに勝つ $ dfrac {k} {2} $ポイントと他の人は失うでしょう $ dfrac {k} {2} $ポイント。
$スコア$は $ 1 $もし $ a $勝利と $ 0 $もし $ b $勝ち、
$ secides _score（a、b）$予想されるチャンスです $ a $勝利と $ b $通常の分布を考えると。これは、次の式で計算されます。 $$ secides _score（a、b）= frac {1} {1 + 10^{ frac { mu_ {b} - mu_ {a}} {400}}} $$