Prompt Chaining
Узнай, как цепочки промптов разбивают сложные задачи ИИ на надежные рабочие процессы. Изучи, как интегрировать Ultralytics YOLO26 с большими языковыми моделями для создания продвинутых ИИ-агентов.
Цепочка промптов — это продвинутый архитектурный шаблон в разработке искусственного интеллекта (AI), в котором сложная задача разбивается на последовательность небольших, управляемых подзадач. В этом рабочем процессе результат одного шага — часто сгенерированный большой языковой моделью (LLM) или системой компьютерного зрения — служит входными данными для следующего шага. В отличие от одного монолитного промпта, который пытается решить многогранную проблему целиком, цепочка позволяет разработчикам создавать более надежные, тестируемые и функциональные приложения. Такой модульный подход необходим для создания сложных AI-агентов, способных рассуждать, просматривать веб-страницы или взаимодействовать с физической средой.
Механика построения цепочек#
По своей сути цепочка промптов устраняет ограничения контекстных окон и возможностей рассуждения базовых моделей. Когда модель просят выполнить слишком много разных операций в рамках одного запроса (например: «Проанализируй это изображение, извлеки текст, переведи его на испанский и отформатируй как счет в формате JSON»), вероятность ошибки возрастает. Разделив задачу на конвейер, разработчики могут проверять точность каждого этапа.
Эффективные цепочки часто используют «связующий код», написанный на Python, или управляются библиотеками оркестрации, такими как LangChain, для преобразования данных между этапами. Это позволяет интегрировать разнородные технологии, например объединять возможности обнаружения объектов в области компьютерного зрения с лингвистической беглостью генеративных текстовых моделей.
Практические применения#
Цепочка промптов особенно эффективна при объединении разных модальностей данных, позволяя мультимодальным моделям работать в динамичных промышленных и коммерческих средах.
-
Автоматизированная отчетность по результатам визуального анализа: В умном производстве система контроля качества может объединить модель компьютерного зрения с LLM. Сначала высокоскоростная модель, такая как Ultralytics YOLO26, сканирует компоненты на сборочной линии. Структурированный результат (например, «Class: Dented_Can, Confidence: 0.92») преобразуется в текстовую строку. Затем этот текст передается языковой модели с промптом вроде «Составь заявку на техническое обслуживание на основе этого дефекта», которая генерирует понятное человеку электронное письмо для начальника производственного участка.
-
Контекстная поддержка клиентов: Интеллектуальные чат-боты часто используют цепочки для обработки сложных запросов пользователей. В первом звене цепочки может применяться обработка естественного языка (NLP) для классификации намерения пользователя. Если намерение связано с техническим вопросом, система запускает рабочий процесс генерации с дополнением поиска (RAG): она создает эмбеддинги для запроса, ищет документацию в векторной базе данных и, наконец, передает LLM запрос на обобщение найденных фрагментов в полезный ответ.
Пример кода преобразования визуальных данных в язык#
В следующем примере демонстрируется первое «звено» цепочки: использование компьютерного зрения (CV) для генерации структурированных данных, которые служат контекстом для последующего промпта.
from ultralytics import YOLO
# Load the YOLO26 model (natively end-to-end and highly efficient)
model = YOLO("yolo26n.pt")
# Step 1: Run inference to 'see' the environment
results = model("https://ultralytics.com/images/bus.jpg")
# Step 2: Format visual detections into a natural language string
det_names = [model.names[int(c)] for c in results[0].boxes.cls]
prompt_context = f"The scene contains: {', '.join(det_names)}. Please describe the likely activity."
# The 'prompt_context' variable is now ready to be sent to an LLM API
print(prompt_context)Различие между связанными понятиями#
Для реализации эффективных архитектур машинного обучения (ML) полезно отличать цепочку промптов от схожих терминов в области AI:
- В сравнении с побуждением по методу цепочки рассуждений: Chain-of-Thought (CoT) — это техника, используемая внутри одного промпта, чтобы побудить модель «показать ход своих рассуждений» (например, «Рассуждай пошагово»). Цепочка промптов включает несколько отдельных вызовов API, при этом входные данные шага B зависят от результата шага A.
- В сравнении с инженерией промптов: Инженерия промптов — это более широкая дисциплина оптимизации текстовых входных данных для повышения качества работы модели. Цепочка — это конкретный инженерный шаблон, сфокусированный на последовательном выполнении операций и управлении логикой.
- В сравнении с настройкой промптов: Настройка промптов — это метод оптимизации модели, при котором обучаемые параметры (мягкие промпты) обновляются на этапе обучения. Цепочка промптов полностью выполняется во время вывода в реальном времени и не изменяет веса модели.
Используя цепочки промптов, команды могут создавать надежные приложения, объединяющие логику, извлечение данных и распознавание действий. Для управления наборами данных и обучения моделей компьютерного зрения, на которых работают эти цепочки, платформа Ultralytics предлагает централизованное решение для аннотирования, обучения и развертывания.
