Prompt Chaining

Prompt 链接是一种强大的技术，通过将复杂任务分解为一系列较小的、相互连接的 人工智能 (AI) 模型的 prompt 来管理这些复杂任务。它不是依靠单个大型 prompt 来解决多步骤问题，而是创建一个链，其中一个 prompt 的输出成为下一个 prompt 的输入。这种模块化方法提高了 AI 系统的可靠性、透明度和整体性能，尤其是大型语言模型 (LLM)。它能够构建复杂的工作流程，这些工作流程可能涉及逻辑、外部工具，甚至多个不同的 AI 模型。

Prompt Chaining 的工作原理

提示链的核心在于编排对一个或多个 AI 模型的调用序列。该过程遵循一个逻辑流程：首先向模型发送一个初始提示，处理其响应，并从该响应中提取关键信息，用于构建序列中的下一个提示。这个循环持续进行，直到达到最终目标。这种方法对于构建能够推理和行动的 AI 代理至关重要。

这种方法允许任务分解，链中的每个步骤都针对特定的子任务进行优化。例如，一个提示可能被设计用于信息提取，下一个用于数据总结，最后一个用于创造性的文本生成。诸如LangChain之类的框架专门用于通过管理状态、提示和外部工具的集成来简化这些链的开发。

实际应用

Prompt 链接用途广泛，在机器学习 (ML)和工作流程自动化中具有许多实际应用。

1. 自动客户支持代理：用户提交一个复杂的支持请求。

   • 提示 1（分类）：LLM 分析用户的消息以对问题进行分类（例如，“账单”、“技术”、“帐户访问”）。
   • 提示 2（数据检索）：根据“技术性”分类，系统执行检索增强生成 (RAG)步骤。新的提示会要求 AI 在技术知识库中搜索相关文档。
   • 提示 3（答案生成）：检索到的文档被馈送到最终提示中，该提示指示 LLM 综合信息并为用户生成清晰的、逐步的解决方案。了解更多关于 RAG 系统机制的信息。

2. 多模态内容创作：营销人员想要为新产品创建一个社交媒体活动。

   • 提示 1（文本生成）：营销人员提供产品详细信息，提示要求 LLM 生成五个引人注目的营销口号。
   • 提示 2（图像生成）：然后，将选择的标语用作新提示的种子，该提示针对文本到图像模型（如 Stable Diffusion）以创建相应的视觉效果。
   • 提示 3（视觉分析）：计算机视觉模型（例如自定义训练的 Ultralytics YOLO 模型）随后可用于确保生成的图像符合品牌指南（例如，确认存在正确的徽标）。此类模型可以通过 Ultralytics HUB 等平台进行管理和部署。

提示链与相关概念

区分提示链与类似技术是有帮助的：

• Prompt 工程（Prompt Engineering）：这是设计有效 prompt 的广泛实践。Prompt 链接是 prompt 工程中一种特定的技术，它侧重于按顺序构建多个 prompt。

• 思维链 (CoT) 提示: CoT 旨在通过要求 LLM “逐步思考”来提高 LLM 在单个提示中的推理能力。 相比之下，提示链将任务分解为多个不同的提示步骤，这可能涉及不同的模型或每个步骤的工具。

• 检索增强生成 (RAG): RAG 是一种 AI 在生成响应之前从外部来源检索信息的技术。RAG 通常用作更大提示链中的一个特定步骤，而不是作为链接机制本身。

• Prompt Enrichment（提示丰富）: 指在用户的初始提示发送给 AI 之前，自动向其添加上下文。它增强的是单个提示，而不是编排多个相互连接的提示的顺序处理。

• Prompt Tuning（提示调优）: 一种参数高效微调（PEFT）方法，可在模型训练期间学习“软提示”（嵌入（embeddings））。它是一种模型定制技术，不同于提示链的运行时执行结构。

Prompt 链接是一种强大的方法，用于构建与高级 AI 模型（如 LLM） 的交互，甚至将它们与其他 AI 系统集成，包括用于 图像分类 或 实例分割 的系统。这使得复杂的任务更易于管理，并提高了各种机器学习应用中结果的可靠性，从基本的数据分析到复杂的多模态 AI 系统。端到端平台有助于部署可以形成此类链的组件的专用模型。您可以探索各种可以集成到这些高级工作流程中的计算机视觉任务。