提示链

提示链如何工作

提示链背后的核心理念是任务分解。对于人工智能来说，一个复杂的问题可能很难在一个步骤中准确解决，这时就需要将其划分为更小、更易于管理的子任务。每个子任务都由链中的特定提示来处理。人工智能处理第一个提示，生成一个输出，然后这个输出（或其处理版本）成为第二个提示的部分输入，以此类推。这个循序渐进的过程引导人工智能完成任务，确保每个阶段都在前一个阶段的逻辑基础上进行。这种方法与尝试使用单一提示解决整个问题的方法形成了鲜明对比，后者通常比较复杂，可靠性也较低。像LangChain这样的框架通常用于实现这种链，从而简化了这些多步骤流程的协调工作。提示符之间的信息流是链条成功的关键。

优势和应用

提示链为开发复杂的人工智能系统提供了多项优势：

• 提高准确性和可靠性：分解任务可降低每一步的复杂性，从而获得更准确的中间和最终结果。这种逐步完善的方法可最大限度地减少错误或人工智能幻觉的发生。
• 增强控制和调试：链中的每个步骤都可单独监控、评估和调试，与排除单个单一提示的故障相比，更容易定位和解决问题。这符合MLOps 的最佳实践。
• 处理复杂性：使人工智能能够处理需要多阶段推理、信息检索或转换的任务，而这些任务对于单个提示符来说过于复杂。这对于构建高级人工智能代理至关重要。
• 模块化和可重用性：单个提示或子链有可能在不同的工作流程中重复使用，从而提高开发效率。模块化是软件工程的核心原则。

真实世界的例子

1. 客户支持自动化： A 聊天机器人 使用提示链处理用户查询。
   • 提示 1：分析用户请求以确定意图和关键实体（如产品名称、问题类型）。
   • 提示 2：使用提取的实体在知识库中搜索相关的故障排除文章或常见问题。
   • 提示 3：根据具体的用户问题总结检索到的信息。
   • 提示 4：结合摘要，对用户做出清晰、感同身受的回应。
2. 将视觉与语言结合起来进行报告： 从计算机拍摄的图像中生成描述性报告 安全系统.
   • 提示 1（输入：图像）：使用 Ultralytics YOLO模型来识别物体及其位置（边界框）。
   • 提示 2（输入：物体列表）：将检测到的物体和位置列表输入 LLM，以生成场景的描述性文本摘要。
   • 提示 3（输入：现场摘要 + 背景）：使用场景描述和其他上下文（如时间、地点），利用文本生成功能生成结构化事件报告。这结合了计算机视觉和自然语言处理 (NLP)。

提示链与相关概念

将提示链与类似技术区分开来很有帮助：

• 提示工程：这是一种为人工智能模型设计有效提示的广泛实践。提示链是提示工程中的一种特定技术，侧重于按顺序构建多个提示。
• 思维链（CoT）提示：CoT旨在通过要求 LLM "逐步思考"，在单个提示中提高 LLM 的推理能力。反之，"提示链 "则将任务分解为多个不同的提示步骤，每个步骤都可能涉及不同的模型或工具。
• 检索-增强生成（RAG）：RAG 是一种人工智能模型在生成响应之前从外部知识源检索相关信息的技术。RAG 通常用作更大提示链中的一个特定步骤（例如，客户支持示例中的知识库搜索）。了解有关RAG 系统的更多信息。
• 丰富提示：这包括在用户的初始提示发送给人工智能之前，自动添加上下文或细节。虽然它能增强单个提示，但并不像连锁提示那样涉及多个相互关联的提示的连续处理。
• 提示调整：一种参数效率微调（PEFT）方法，涉及学习特定的 "软提示"（嵌入），而不是制作文本提示。这是一种模型训练技术，有别于提示链的运行时执行结构。

提示链是一种功能强大的方法，可用于构建与 LLM 等高级人工智能模型的交互，甚至将它们与用于图像分类或实例分割的其他人工智能系统集成。它使复杂的任务变得更容易处理，并提高了从基础数据分析到复杂的多模式人工智能系统等各种机器学习应用中结果的可靠性。Ultralytics HUB等平台有助于训练和部署可构成此类链的模型。