Напреднали Техники
Овладей когнитивните модели, които превръщат чатботовете в надеждни системи за разсъждение.
Zero-Shot (Без примери)
Базовото поведение на LLM, при което те разчитат единствено на предварителното си обучение, за да отговорят на заявка без конкретни примери.
Теория
"LLM са вероятностни машини, които предсказват следващия токен на базата на статистическа вероятност. При Zero-shot моделът прави извод за намерението на задачата само от семантиката на инструкцията. Макар и ефективно, това е податливо на халюцинации, ако задачата се отклонява от разпределението на обучителните данни."
Few-Shot (Учене в контекст)
Предоставяне на набор от висококачествени демонстрации (двойки вход-изход), които да насочват поведението на модела.
Теория
"Тази техника използва 'In-Context Learning' (Учене в контекст). Виждайки примери, моделът коригира вътрешните си състояния на активация, за да имитира модела, форматирането и стила на разсъждение на примерите. Това драстично намалява грешките във форматирането и подобрява спазването на сложни правила."
Chain-of-Thought (Верига от мисли)
Инструкция към модела да раздели проблема на междинни стъпки на разсъждение, преди да даде финалния отговор.
Теория
"Стандартните LLM се опитват да стигнат до отговора директно. CoT принуждава модела да 'изчислява' чрез генерирани токени, ефективно давайки му повече 'време за мислене'. Това е от решаващо значение за аритметика, логически задачи и сложни разсъждения."
Tree-of-Thoughts (ToT)
Изследвай няколко клона на разсъждение, оцени ги и избери най-силния път—полезно при планиране и неясни проблеми.
Теория
"За разлика от линейния CoT, ToT поддържа дърво от частични решения. Моделът предлага алтернативи, оценява ги и разширява обещаващите клони. Това разменя токени за по-добро изследване."
Self-Consistency
Генерирай няколко пътя на разсъждение и вземи мнозинствения или най-добре подкрепения отговор.
Теория
"CoT пак може да е крехък. Self-consistency пуска няколко независими CoT проби и агрегира отговорите. Съгласието е евтин сигнал за надеждност."
Prompt Chaining
Раздели сложната работа на последователни промптове, където изходът от всяка стъпка храни следващата.
Теория
"Дългите монолитни промптове смесват цели и водят до отклонение. Chaining изолира извличане, анализ, писане и критика. Можеш да вмъкнеш човешка проверка между стъпките."
ReAct (Разсъждение + Действие)
Парадигма, при която моделът действа като агент, итериращ между разсъждение и действие върху външния свят.
Теория
"При ReAct моделът генерира 'Мисъл' (Thought - разсъждение какво да прави), 'Действие' (Action - използване на инструмент като Търсене или Калкулатор) и след това наблюдава 'Наблюдението' (Observation - резултат от инструмента). Този цикъл продължава до решаване на задачата."