หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>ซอร์สโค้ดอื่น ๆ
ดาวน์โหลด

แจ้ง Royale

วิศวกรรมที่รวดเร็วเป็นกระบวนการวนซ้ำอย่างมาก แม้ว่าเราจะจัดการเพื่อให้ได้มาพร้อมกับการแจ้งเตือนมันก็ยากที่จะทดสอบกับกรณีทดสอบและแจ้งเตือนอื่น ๆ ที่เป็นไปได้เพื่อให้แน่ใจว่าเราให้คำแนะนำที่ดีที่สุดกับโมเดล

Prompts Royale เป็นแอปพลิเคชั่นที่ช่วยให้คุณสร้างผู้สมัครที่ได้รับแจ้งจำนวนมากเขียนคนของคุณเองและทำให้พวกเขาต่อสู้จนกว่าผู้ชนะที่ชัดเจนจะปรากฏขึ้น มันทำให้กระบวนการวนซ้ำบนความรู้สึกนั้นรู้สึกง่ายและเชื่อถือได้มากขึ้น

คุณให้คำอธิบายเกี่ยวกับสิ่งที่คุณต้องการให้สำเร็จให้สถานการณ์สองสามอย่างและผลลัพธ์ที่คาดหวังจากนั้นนั่งลงและดูพวกเขาต่อสู้เพื่อ #1

pretcheds.royale.mp4

มันสามารถทำอะไรได้บ้าง

  • การสร้างพรอมต์อัตโนมัติ: อนุญาตให้มีการสร้างผู้สมัครพรอมต์จากคำอธิบายของผู้ใช้และสถานการณ์กรณีทดสอบ ผู้ใช้ยังสามารถป้อนข้อมูลของตนเองได้
  • การสร้างกรณีทดสอบอัตโนมัติ: เปิดใช้งานการสร้างกรณีทดสอบโดยอัตโนมัติจากคำอธิบายเพื่อให้น้ำผลไม้ไหล!
  • Monte Carlo Matchmaking + Elo Rating: ใช้วิธี Monte Carlo สำหรับการจับคู่เพื่อให้แน่ใจว่าคุณได้รับข้อมูลมากขึ้นด้วยจำนวนการต่อสู้น้อยที่สุดและการจัดอันดับ ELO เพื่อจัดอันดับผู้สมัครอย่างเหมาะสมตามชัยชนะของพวกเขา
  • ทุกอย่างสามารถปรับแต่งได้: หน้าการตั้งค่าอนุญาตให้คุณ tinker กับทุกพารามิเตอร์เดียวของแอปพลิเคชัน
  • ท้องถิ่น & ปลอดภัย : ทุกอย่างถูกจัดเก็บในพื้นที่และคำขอทำจากเบราว์เซอร์ของคุณไปยัง LLMS API

การใช้งาน

คุณสามารถใช้ได้ที่ ProftsRoyale.com หรือคุณสามารถโคลนพื้นที่เก็บข้อมูลและเรียกใช้ในพื้นที่

ความต้องการ:

  • โหนด V16+

โคลนที่เก็บ: 

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

ติดตั้งการพึ่งพา เรากำลังใช้ Bun สำหรับการจัดการการพึ่งพามันยอดเยี่ยมมาก 

bun i

เรียกใช้เซิร์ฟเวอร์: 

bun run dev

ตัวอย่าง

นี่คือตัวอย่างของกรณีการใช้งานจะเป็นอย่างไร:

คำอธิบาย 

 Write a prompt that creates a headline for a website.

ตัวอย่างที่ 1

สถานการณ์

เว็บไซต์ของตัวแทนจำหน่ายรถยนต์

ผลผลิตที่คาดหวัง

ค้นหารถในฝันของคุณในราคาที่ดีที่สุด

ตัวอย่างที่ 2

สถานการณ์

เว็บไซต์ของ SaaS สำหรับการวิเคราะห์ข้อมูล

ผลผลิตที่คาดหวัง

ข้อมูลข้อมูลเชิงลึกของคุณในแบบของคุณ

ตัวอย่างที่ 3

สถานการณ์

เว็บไซต์สำหรับสวนสัตว์

ผลผลิตที่คาดหวัง

สัตว์ทั่วโลกในที่เดียว

ด้วยข้อมูลของงานที่จะทำให้สำเร็จและกรณีทดสอบผู้ใช้สามารถ สร้างผู้สมัครที่ได้รับแจ้ง ซึ่งจะคำนึงถึงผู้ที่เข้าร่วมและส่งออก ผู้ สมัครที่จะได้รับการจัดอันดับโดยระบบผ่านระบบการต่อสู้

ผู้ใช้ยังสามารถเขียนผู้สมัครที่รวดเร็วด้วยตนเองหากพวกเขามีความคิดเฉพาะเกี่ยวกับสิ่งที่พวกเขาต้องการ หากคุณมีสิ่งที่เฉพาะเจาะจงในใจการเขียนพรอมต์ของคุณเป็นตัวเลือกที่ดีที่สุดเสมอเพื่อให้เหมาะกับสิ่งที่คุณตั้งใจ

คลิกเพื่อดูตัวอย่างของพรอมต์ที่สร้างขึ้น

กระตุ้น

ออกแบบพาดหัวที่น่าสนใจสำหรับเว็บไซต์หมวดหมู่ที่แตกต่างกัน ทำความเข้าใจกับภารกิจของเว็บไซต์ผู้ชมที่ตั้งใจและโซลูชั่นที่ให้ไว้ พาดหัวควรดึงดูดความสนใจเกี่ยวข้องและกลั่นแนวคิดหลักของเว็บไซต์ลงในแถลงการณ์สั้น ๆ ใช้ประโยชน์จากความสามารถทางภาษาของคุณกลยุทธ์การส่งเสริมการขายและความรู้เฉพาะโดเมนเพื่อสร้างพาดหัวที่น่าดึงดูด "

แจ้ง B

คำสั่งของคุณคือการกำหนดพาดหัวที่น่าสนใจสำหรับเว็บไซต์ประเภทเฉพาะ ให้ความสนใจกับวัตถุประสงค์ของเว็บไซต์ประชากรเป้าหมายและบริการที่เสนอ พาดหัวควรจะน่าดึงดูดใจและสามารถสรุปข้อเสนอหลักของเว็บไซต์ในบรรทัดสั้น ๆ ใช้ความเข้าใจภาษาของคุณกลยุทธ์การโฆษณาและข้อมูลเชิงลึกเฉพาะอุตสาหกรรมเพื่อสร้างพาดหัวที่น่าสนใจ

มันทำงานอย่างไร

แต่ละพรอมต์จะแสดงเป็นการแจกแจงแบบปกติที่มีค่าเฉลี่ยเริ่มต้น $ mu $ ของ $ 1,000 $ และค่าเบี่ยงเบนมาตรฐาน $ sigma $ ของ $ 350 $ - การกระจายนี้แสดงถึงคะแนน ELO ของพรอมต์

จากนั้นเราทำซ้ำรอบต่อไปนี้:

เราใช้ Sampler Monte Carlo เพื่อสร้างการดวลซึ่งแต่ละ 2 รายการที่เลือกนั้นจะต้องต่อสู้กัน โอกาสที่จะถูกดึงดูดสำหรับการดวลเป็นสัดส่วนกับโอกาสที่พรอมต์นั้นดีที่สุดหรือในแง่ทางคณิตศาสตร์มากขึ้นเราใช้การกระจายถ่วงน้ำหนักของความหนาแน่นของความน่าจะเป็นเพื่อกำหนดโอกาสที่เส้นโค้งนั้นมีค่าเฉลี่ยที่แท้จริงสูงสุดภายในกลุ่ม .

ในการดวลแต่ละครั้งพร้อมท์ทั้งสองตอบกลับแต่ละกรณีทดสอบและการประเมินผลที่แยกต่างหากแยกต่างหากว่าคำตอบที่ดีที่สุด คะแนน ELO ของพรอมต์จะได้รับการปรับปรุงตามสูตรต่อไปนี้:

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

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

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

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

ที่ไหน:

  • $ lr $ คืออัตราการเรียนรู้ ยิ่งอัตราการเรียนรู้ลดลงก็ยิ่งเร็วขึ้น "การเรียนรู้" ด้วยการลดค่าเบี่ยงเบนมาตรฐานคุณจะทำให้ผลลัพธ์มีความหมายมากขึ้น ซึ่งหมายความว่าระบบจะมาบรรจบกันได้เร็วขึ้นกับผู้ชนะ แต่ก็หมายความว่ามันจะมีโอกาสน้อยที่จะหาผลลัพธ์ที่ดีที่สุด เราแนะนำ $ 0.96 $ -

  • $ k $ คือจำนวนคะแนนที่แต่ละการต่อสู้มีความเสี่ยง

  • $ n $ คือจำนวนกรณีทดสอบ

  • $ dfrac {k} {n} $ จำนวนคะแนนในแต่ละรอบมีความเสี่ยง

    • ถ้าสองแจ้งด้วยเดียวกัน $ mu $ การต่อสู้และหนึ่งพรอมต์ชนะรอบทั้งหมดมันจะได้รับ $ dfrac {k} {2} $ คะแนนและอื่น ๆ จะสูญเสีย $ dfrac {k} {2} $ คะแนน.

  • $ คะแนน $ เป็น $ 1 $ ถ้า $ a $ ชนะและ $ 0 $ ถ้า $ b $ ชนะ

  • $ คาดหวัง _score (a, b) $ เป็นโอกาสที่คาดหวังของ $ a $ ชนะเมื่อเทียบกับ $ b $ ได้รับการแจกแจงแบบปกติ สิ่งนี้คำนวณโดยสูตรต่อไปนี้: $$ คาดหวัง _score (a, b) = frac {1} {1 + 10^{ frac { mu_ {b} - mu_ {a}} {400}}} $$

เหตุผลที่เราอัปเดตไฟล์ $ sigma $ ของแต่ละพรอมต์คือเรามีความมั่นใจมากขึ้นในการแจกแจงหลังจากการแข่งขันแต่ละครั้งดังนั้นจึงควรมีค่าเบี่ยงเบนมาตรฐานที่น้อยกว่า

เครดิต

เราได้รับแรงบันดาลใจอย่างมากจาก https://github.com/mshumer/gpt-prompt-engineer ขอบคุณสำหรับงานของคุณ!

ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด