prompts royale

提示皇家

及時工程是一個極其迭代的過程。即使我們設法在提示下安定下來，也很難根據測試案例和其他可能的提示來確保我們為模型提供最佳說明。

提示Royale是一個應用程序，可讓您真正輕鬆創建許多及時的候選人，寫自己的候選人，並使其戰鬥，直到出現明顯的贏家為止。它使及時迭代的過程感覺更容易和可靠。

您將描述您想完成的工作，給它一些場景和預期的輸出，然後坐下來觀看他們爭奪＃1的戰鬥。

提示。Royale.mp4

它可以做什麼

• 自動及時生成：允許從用戶的描述和測試案例場景中創建及時的候選者。用戶還可以輸入自己的。
• 自動測試用例生成：啟用自動從描述中創建測試用例以使果汁流動！
• Monte Carlo Matchmaking + Elo評級：它使用Monte Carlo方法進行對決，以確保您獲得最少的戰鬥的信息，ELO評級根據他們的勝利來對候選人進行適當排名
• 一切都是可自定義的：設置頁面允許您修改應用程序的每個參數
• 本地和安全：所有內容都是在本地存儲的，並且請求是從瀏覽器到LLMS API的。

用法

您可以在提示中使用它，也可以克隆存儲庫並在本地運行。

要求：

• 節點V16+

克隆存儲庫：

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

安裝依賴項。我們正在使用BUN來管理依賴關係，這太棒了。

bun i

運行服務器：

bun run dev

例子

這是用例的示例：

描述

 Write a prompt that creates a headline for a website.

示例1

設想

汽車經銷店的網站

預期輸出

以最優惠的價格找到夢想中的汽車

示例2

設想

SaaS的網站用於數據分析

預期輸出

您的數據，您的見解，您的方式

示例3

設想

動物園的網站

預期輸出

世界動物，在一個地方

借助要完成的任務的信息和測試用例，用戶可以生成及時的候選人，這些候選者會考慮到這些候選者，並輸出n個候選者，這些候選者將通過系統通過戰鬥系統對系統進行排名。

如果用戶對自己想要的內容有特定的想法，也可以自己編寫提示候選人。如果您有特定的想法，那麼編寫提示始終是適合您打算的最佳選擇。

單擊以查看生成的提示的示例

提示a

為網站的不同類別設計引人注目的標題。了解網站的使命，預定的受眾及其提供的解決方案。標題應引起關注，是相關的，並將網站的核心概念提煉成簡潔的陳述。利用您的語言水平，促銷策略和特定領域的知識來創造誘人的標題。”

提示b

您的指示是為特定類型的網站制定有吸引力的標題。請注意網站的目標，其針對性的人口統計以及其提供的服務。標題應該引人入勝，具有隱密性，並能夠簡短地總結該網站的主要主張。使用您的語言理解，廣告策略和特定於行業的見解來創建引人注目的標題。

它如何工作

每個提示表示為正態分佈，最初平均值 $ mu $的 $ 1000 $和標準偏差 $ sigma $的 $ 350 $ 。此分佈代表提示的ELO分數。

然後，我們重複以下週期：

我們使用蒙特卡洛採樣器來製作兩種選定的提示相互戰鬥的決鬥。為決鬥吸引的機會與該提示是最好的機會或更數學術語的機會成正比，我們使用其概率密度的加權分佈來定義該曲線在組中具有最高真實均值的可能性。

在每個對決中，兩個提示都回答每個測試用例，並單獨的提示評估哪個答案是最好的。然後根據以下公式更新提示的ELO分數：

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

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

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

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

在哪裡：

• $ LR $是學習率。學習率越低，“學習”越快。通過減少標準偏差，您可以使結果更有意義。這意味著系統將更快地收斂到贏家，但這也意味著它將不太可能找到最佳結果。我們建議 $ 0.96 $ 。

• $ k $是每場戰鬥的積分數量。

• $ n $是測試用例的數量

• $ dfrac {k} {n} $是每輪危險的積分數量嗎

  • 如果兩個提示 $ mu $戰鬥和一提 $ dfrac {k} {2} $要點和另一個會輸 $ dfrac {k} {2} $點。

• $得分$是 $ 1 $如果 $ a $勝利和 $ 0 $如果 $ b $勝利，

• $預期 _score（a，b）$是預期的機會 $ a $獲勝 $ b $鑑於它們的正常分佈。這是由以下公式計算的： $$預期 _score（a，b）= frac {1} {1 + 10^{ frac { mu_ {b} - mu_ {a}}} {400}}}}} $$

我們更新的原因 $ sigma $每個提示是我們在每場比賽后的分佈方面都有更確定的確定性，因此它應該具有較小的標準偏差。

學分

我們受到https://github.com/mshumer/gpt-prompt-wenderer的啟發，感謝您的工作！