chatgpt patterns

Patrick Nicolas - Última atualização 07.10.2023

O objetivo é que este repositório é avaliar e estender a estrutura de dados do ChatGPT API , Langchain e Llamaindex para criar aplicativos. Essas técnicas incluem

• Padrões de engenharia rápidos: automatista de saída , persona , modelo de verificação de fatos e verificador cognitivo
• Prompt digitado usando cadeias Langchain
• Fluxo de trabalho generativo usando agentes Langchain , Openai e Llama .

Referências

• Estendendo sequências de Langchain com tipos de dados
• Padrões imediatos de chatgpt para geração de código
• Introdução de Langchain
• INTRODUÇÃO DE LLAMA
• Cadeia de pensamento provocando provas o raciocínio em grandes modelos de idiomas
• Openai chatgpt

Ambiente

Pacote	Versão
Python	3.9.16
tocha	2.0.1
Openai	0.27.1
matplotlib	3.7.1
Scikit-Learn	1.2.2
Numpy	1.24.3
Pandas	2.0.2
Langchain	0.0.227
Polars	0.17.0
FASTAPI	0,97.0
ÍNDICE DE LLAMA	0.7.4

Atualizações

Data	Versão
06.07.2023	0.1
06.18.2023	0,2

Pacotes

Pacote	Descrição
util	Classe de utilitários
Openai	Aulas relacionadas ao uso e ajuste fino para chatgpt
llm_langchain	Classes relacionadas ao carregador, divisor, cadeia e agentes usando a estrutura de Langchain
llm_llama	Classes relacionadas à cadeia e agentes usando a estrutura do Llandeindex
domínio	Código de aplicativo de destino específico do domínio para fins de teste

Padrões rápidos

No artigo seminal "Um catálogo de padrão rápido para aprimorar a engenharia imediata com o ChatGPT".

Nome	Visão geral	Declarações contextuais
Persona	Personalização de saída Atribua uma persona, função ou especialista em domínio ao LLM. A persona pode ser expressa como uma função, descrição do trabalho, título, figura histórica ou conhecida.	- Gostaria que você me fizesse perguntas para alcançar X. - Você deve fazer perguntas até que X seja alcançado ou a condição x seja atendida. Faça -me perguntas sobre x um na época.
Modelo	Personalização de saída Verifique se a saída segue um modelo preciso (ou seja, formato, URL, exemplo ...). Esse padrão instrui a LLM a usar um formato exclusivo em parte específica da resposta.	Vou fornecer a você um modelo para sua saída X é o meu suporte para conteúdo Tente encaixar a saída em um ou mais dos espaços reservados que listei Preserve a formatação e o modelo que forneci Aqui está o modelo a seguir: padrão com espaço reservado.
Lista de verificação de fatos	Identificação de erro Solicite o LLM para fornecer/anexar uma lista de fatos/suposições à resposta, para que o usuário possa executar a due diligence.	Gerar um conjunto de fatos contidos na saída O conjunto de fatos deve ser inserido/anexado à saída O conjunto de fatos deve ser os fatos fundamentais que podem minar a veracidade da saída se algum deles estiver incorreto.
Reflexão	Identificação de erro Peça ao LLM que explique automaticamente a lógica por trás de uma determinada respostas ao usuário. O padrão esclarece qualquer ponto de confusão, suposições subjacentes, lacunas no conhecimento….	Sempre que você gerar uma resposta, explique o raciocínio e as suposições por trás de sua resposta, para que eu possa melhorar minha pergunta.
Saída de saída	Personalização de saída Ter LLM gerar um script ou tarefa automatizada que possa ser executada em todas as etapas que o LLM recomenda.	Sempre que você produz uma saída com etapas, sempre faça isso. Produza um artefato executável do tipo X que automatize essas etapas.
Gerador de visualização	Personalização de saída Use o texto gerado para criar uma visualização, pois conceitos complexos são mais fáceis de entender com diagramas e imagens. A saída LLM deve criar um caminho para a ferramenta produzir imagens.	Gere um X que eu possa fornecer para ferramenta y para visualizá -lo.