Promptimizer: eine experimentelle Bibliothek zur Optimierung großer Modell-Prompt-Wörter, die Prompt automatisch optimiert

Allgemeine Einführung

Promptimizer ist eine experimentelle Bibliothek zur Optimierung von Stichwortwörtern, die Benutzern helfen soll, die Stichwortwörter ihrer KI-Systeme systematisch zu verbessern. Durch die Automatisierung des Optimierungsprozesses kann Promptimizer die Leistung von Cue Words bei bestimmten Aufgaben verbessern. Benutzer stellen einfach ein anfängliches Stichwort, einen Datensatz und einen benutzerdefinierten Evaluator (mit optionalem menschlichen Feedback) zur Verfügung, und Promptimizer führt eine Optimierungsschleife durch, die ein optimiertes Stichwort erzeugt, das das ursprüngliche Stichwort übertrifft.

Funktionsliste

• Stichwortoptimierung: automatische Optimierung von Stichwörtern, um die Leistung des KI-Systems bei bestimmten Aufgaben zu verbessern.
• Datensatzunterstützung: Unterstützt mehrere Datensatzformate zur benutzerfreundlichen Optimierung von Stichwörtern.
• Benutzerdefinierte Bewerter: Benutzer können benutzerdefinierte Bewerter definieren, um die Leistung von Stichwörtern zu quantifizieren.
• Menschliches Feedback: Menschliches Feedback wird unterstützt, um die Schlagwortoptimierung weiter zu verbessern.
• Schnellstartanleitung: Eine ausführliche Schnellstartanleitung hilft den Anwendern, schnell loszulegen.

Hilfe verwenden

Montage

1. Installieren Sie zunächst das CLI-Tool:

   pip install -U promptim
   

2. Stellen Sie sicher, dass Sie einen gültigen LangSmith API-Schlüssel in Ihrer Umgebung haben:

   export LANGSMITH_API_KEY=Ihr API_KEY
   export ANTHROPIC_API_KEY=Ihr API_KEY
   

Aufgaben erstellen

1. Erstellen Sie eine Optimierungsaufgabe:

   promptim create task . /my-tweet-task \
   --name meine-tweet-aufgabe \
   --prompt langchain-ai/tweet-generator-beispiel-mit-nichts:starter \
   --dataset https://smith.langchain.com/public/6ed521df-c0d8-42b7-a0db-48dd73a0c680/d \
   --description "Schreibe informative Tweets zu einem beliebigen Thema." \
   \ --y
   

   Mit diesem Befehl wird ein Verzeichnis erzeugt, das die Aufgabenkonfigurationsdatei und den Aufgabencode enthält.

Definition des Evaluators

1. Öffnen Sie das generierte Aufgabenverzeichnis im task.py Datei, um den Abschnitt mit der Auswertungslogik zu finden:

   score = len(str(predicted.content)) < 180
   

2. Änderung der Bewertungslogik, z. B. Bestrafung von Ausgaben, die Etiketten enthalten:

   Ergebnis = int("#" nicht in Ergebnis)
   

Zug

1. Führen Sie den Trainingsbefehl aus, um mit der Optimierung des Stichworts zu beginnen:

   promptim train --task . /my-tweet-task/config.json
   

   Sobald das Training abgeschlossen ist, gibt das Terminal das endgültige optimierte Stichwort aus.

Manuelle Tags hinzufügen

1. Richten Sie die Warteschlange für die Anmerkungen ein:

   promptim train ---task . /my-tweet-task/config.json --annotation-queue my_queue
   

2. Rufen Sie die LangSmith-Benutzeroberfläche auf und navigieren Sie zu der für die manuelle Beschriftung vorgesehenen Warteschlange.

Der Leitfaden für Laien zum Einstieg in die KI

Hilft Ihnen, die Nutzung von KI-Tools kostengünstig und von Null an zu erlernen.KI ist, wie Bürosoftware, eine wesentliche Fähigkeit für jeden. Die Beherrschung von KI verschafft Ihnen einen Vorteil bei der Stellensuche und die Hälfte des Aufwands bei Ihrer zukünftigen Arbeit und Ihrem Studium.

Details ansehen>