获得徽章 0
赞了这篇文章
赞了这篇沸点
更新一下最新进展也是最终章哈哈哈，我带了一束特别好看的小花束去出站口等她，她拿到花特别开心，帮她提行李打车一起送回小区，她把行李和花送回家就下楼和我一起去吃饭，说庆祝我订车她考试结束请我吃大餐，一起去景区里找了一家云贵bistro很好吃价格也很美丽哈，然后饭后散步我就一直在找机会，奈何旁边很多公园里都满是广场舞和唱歌大爷大妈没找到好机会，突然有一条很长的安静的宽敞步道，我就和她表白啦，也是很紧张的忘词了哈，她满脸笑意耐心看着我哈哈哈，我说完了后就立马答应我啦，顺势就把手正式牵上了，很冰哈哈哈，然后带她去一起挑有纪念意义的礼物，她一开始觉得太贵了压力大，后来想通了是认真和我相处也希望和我好好在一起，也很开心挑到了中意的手链，一直在给我显摆哈，她妈妈也很喜欢我送的花，拍了很多照片晒朋友圈，完美的周末！
展开
500
309
赞了这篇文章
赞了这篇文章
赞了这篇文章
赞了这篇文章
#豆包MarsCode AI练中学#
指令（Instuction）告诉模型这个任务大概要做什么、怎么做，比如如何使用提供的外部信息、如何处理查询以及如何构造输出。这通常是一个提示模板中比较固定的部分。一个常见用例是告诉模型“你是一个有用的XX助手”，这会让他更认真地对待自己的角色。
上下文（Context）则充当模型的额外知识来源。这些信息可以手动插入到提示中，通过矢量数据库检索得来，或通过其他方式（如调用API、计算器等工具）拉入。一个常见的用例时是把从向量数据库查询到的知识作为上下文传递给模型。
提示输入（Prompt Input）通常就是具体的问题或者需要大模型做的具体事情，这个部分和“指令”部分其实也可以合二为一。但是拆分出来成为一个独立的组件，就更加结构化，便于复用模板。这通常是作为变量，在调用模型之前传递给提示模板，以形成具体的提示。
输出指示器（Output Indicator）标记要生成的文本的开始。这就像我们小时候的数学考卷，先写一个“解”，就代表你要开始答题了。如果生成 Python 代码，可以使用 “import” 向模型表明它必须开始编写 Python 代码（因为大多数 Python 脚本以import开头）。这部分在我们和ChatGPT对话时往往是可有可无的，当然LangChain中的代理在构建提示模板时，经常性的会用一个“Thought：”（思考）作为引导词，指示模型开始输出自己的推理（Reasoning）。
指令（Instuction）告诉模型这个任务大概要做什么、怎么做，比如如何使用提供的外部信息、如何处理查询以及如何构造输出。这通常是一个提示模板中比较固定的部分。一个常见用例是告诉模型“你是一个有用的XX助手”，这会让他更认真地对待自己的角色。
上下文（Context）则充当模型的额外知识来源。这些信息可以手动插入到提示中，通过矢量数据库检索得来，或通过其他方式（如调用API、计算器等工具）拉入。一个常见的用例时是把从向量数据库查询到的知识作为上下文传递给模型。
提示输入（Prompt Input）通常就是具体的问题或者需要大模型做的具体事情，这个部分和“指令”部分其实也可以合二为一。但是拆分出来成为一个独立的组件，就更加结构化，便于复用模板。这通常是作为变量，在调用模型之前传递给提示模板，以形成具体的提示。
输出指示器（Output Indicator）标记要生成的文本的开始。这就像我们小时候的数学考卷，先写一个“解”，就代表你要开始答题了。如果生成 Python 代码，可以使用 “import” 向模型表明它必须开始编写 Python 代码（因为大多数 Python 脚本以import开头）。这部分在我们和ChatGPT对话时往往是可有可无的，当然LangChain中的代理在构建提示模板时，经常性的会用一个“Thought：”（思考）作为引导词，指示模型开始输出自己的推理（Reasoning）。
展开
评论
点赞
#豆包MarsCode AI练中学# #豆包MarsCode AI练中学 Loading：文档加载器把Documents 加载为以LangChain能够读取的形式。
Splitting：文本分割器把Documents 切分为指定大小的分割，我把它们称为“文档块”或者“文档片”。
Storage：将上一步中分割好的“文档块”以“嵌入”（Embedding）的形式存储到向量数据库（Vector DB）中，形成一个个的“嵌入片”。
Retrieval：应用程序从存储中检索分割后的文档（例如通过比较余弦相似度，找到与输入问题类似的嵌入片）。
Output：把问题和相似的嵌入片传递给语言模型（LLM），使用包含问题和检索到的分割的提示生成答案。
Splitting：文本分割器把Documents 切分为指定大小的分割，我把它们称为“文档块”或者“文档片”。
Storage：将上一步中分割好的“文档块”以“嵌入”（Embedding）的形式存储到向量数据库（Vector DB）中，形成一个个的“嵌入片”。
Retrieval：应用程序从存储中检索分割后的文档（例如通过比较余弦相似度，找到与输入问题类似的嵌入片）。
Output：把问题和相似的嵌入片传递给语言模型（LLM），使用包含问题和检索到的分割的提示生成答案。
展开
评论
点赞
#豆包MarsCode AI练中学 AI相关概念：如何理解Agents？智能体（Agent） 可以简单理解为一个能够感知周围环境并采取行动的实体。这个实体可以是一个软件程序、一个机器人，甚至是一个虚拟助手。智能体的主要特点是它能够自主地做出决策，以达到某种目标。
评论
点赞
赞了这篇文章
赞了这篇文章
赞了这篇文章