Prompt 丰富

提示丰富化是指在用户的初始输入中自动添加相关的上下文、数据或指令，然后再将其提交给系统。 指令，然后再提交给人工智能（AI）模型。 人工智能（AI）模型。通过 注入用户可能遗漏的特定细节，这种技术可确保 大型语言模型（LLM）和视觉 系统收到全面的查询，从而获得更准确、个性化和可操作的输出结果。它作为一个 智能中间件层，可优化人类与机器之间的交互，而无需用户成为制作详细提示的专家。 成为制作详细提示的专家。

丰富机制

提示丰富化的核心功能是弥合用户可能模糊的意图与人工智能所需的精确输入之间的差距。 人工智能所需的精确输入之间架起一座桥梁。当收到查询时，系统会检索补充信息，如用户偏好、历史数据或实时传感器读数、 历史数据或实时传感器读数。 知识图谱或数据库。这些检索到的数据 以编程方式格式化并附加到原始查询中。

例如 自然语言处理 (NLP)、 对于一个模型来说，"状态如何？"这样一个简单的问题是不够的。通过丰富功能，系统 识别用户的活动会话 ID，在一个 矢量数据库中的最新交易，并将提示改写为 "用户（ID：5521）询问的是目前正在运输中的订单号 998。请根据 此跟踪数据提供最新状态"。

实际应用

要在各行各业部署强大的 生成式人工智能应用至关重要：

1. 情境感知客户支持：在自动服务台中 聊天机器人会使用增强功能访问客户的购买历史和技术环境。 历史和技术环境。系统不会询问用户的设备版本，而是从账户元数据中获取这一信息并注入到提示中。 从账户元数据中获取并注入到提示中。这使得 人工智能代理可立即提供针对特定设备的 故障排除步骤，大大改善了客户体验。 客户体验。
2. 动态计算机视觉配置：在安全操作中，用户可以简单地切换 "夜间模式 "设置。 "夜间模式 "设置。在幕后，提示丰富功能会将这一高层次意图转化为具体的 对象类 视觉语言模型（VLM） 或开放词汇检测器的特定对象类。系统会丰富提示内容，以专门查找 "手电筒"、"可疑移动 "或 "未授权"。 "可疑动作 "或 "未经授权的人"，使模型能够动态调整其对象检测重点。 对象检测重点。

实例：用YOLO 丰富动态课堂

下面的Python 示例使用 Ultralytics YOLO提示丰富化概念。在这里，用户简单的 "模式 "选择以编程方式丰富为模型扫描的特定描述类列表。 扫描的特定描述类列表。

from ultralytics import YOLO


def run_enriched_inference(user_mode):
    """Enriches a simple user mode into specific detection prompts."""
    # Load an open-vocabulary YOLO model
    model = YOLO("yolov8s-world.pt")

    # Enrichment Logic: Map simple user intent to detailed class prompts
    context_map = {
        "site_safety": ["hard hat", "safety vest", "gloves"],
        "traffic": ["car", "bus", "traffic light", "pedestrian"],
    }

    # Inject the enriched context into the model
    enriched_classes = context_map.get(user_mode, ["object"])
    model.set_classes(enriched_classes)

    # The model now looks for the specific enriched terms
    # model.predict("site_image.jpg") # Run inference
    print(f"Mode: {user_mode} -> Enriched Prompt: {enriched_classes}")


# Example usage
run_enriched_inference("site_safety")

Prompt 丰富与相关概念

要实施有效的 要实施有效的机器学习操作 (MLOps)，最好将及时充实与类似术语区分开来：

• 检索增强生成（RAG）： RAG 是一种特定的增强方法。严格来说，它指的是从外部语料库中获取相关文档的机制。 严格来说，它指的是从外部语料库中获取相关文档作为模型响应基础的机制。丰富是一个更宽泛的概念，它包括 RAG，但也 包括注入静态会话数据、用户元数据或系统时间，而不一定要执行复杂的 语义搜索。
• 提示工程：这是 设计有效提示的手工工艺。丰富化是一种自动化流程，可在运行时动态应用提示 工程原则。
• 提示调整：这是一种 参数高效微调（PEFT） 技术，在训练过程中优化 "软提示"（可学习张量）。提示丰富 完全发生在 实时推理过程中进行，不会改变 模型权重。
• 快速学习：这 包括在提示中提供示例，教模型完成任务。增强系统通常会根据任务类型 这些少量示例是根据任务类型动态注入的，有效地结合了这两个概念。

现代人工智能系统的相关性

由于 Ultralytics YOLO11和 GPT-4 等模型的能力越来越强 能力，瓶颈往往会转移到输入的质量上。及时丰富 的幻觉。 的幻觉。在 在计算机视觉（CV）中，它可以实现灵活的零镜头检测系统、 在计算机视觉（CV）中，只需修改输入系统的文本提示，就能实现灵活的零误差检测系统，无需重新训练就能立即适应新环境。 输入系统的文本提示。这种灵活性对于构建可扩展的 多模式人工智能解决方案至关重要。 文本和图像进行推理。