Bis zum Vorjahr wurde eine schnelle Engineering als entscheidende F?higkeit zur Interaktion mit gro?artigen Modellen (LLMs) angesehen. In jüngster Zeit sind LLM jedoch in ihren Argumentations- und Verst?ndnisf?higkeiten erheblich fortgeschritten. Natürlich haben sich unsere Erwartungen auch dramatisch weiterentwickelt. Vor einem Jahr waren wir zufrieden, wenn Chatgpt eine anst?ndige E -Mail für uns verfassen k?nnte. Heute erwarten wir, dass es unsere Daten analysiert, unsere Systeme automatisiert und Pipelines entworfen hat. Allein so schnell reicht allein nicht aus, um skalierbare KI -L?sungen zu erstellen. Um das Potenzial von LLMs vollst?ndig zu nutzen, empfehlen Experten nun, kontextreiche Eingabeaufforderungen einzubeziehen, die einigerma?en genaue, zuverl?ssige und geeignete Outputs erzeugen. Dieser Prozess wird nun als ?Kontext -Engineering“ bezeichnet. In diesem Artikel werden wir untersuchen, welche Kontext-Engineering es beinhaltet, wie es sich vom schnellen Engineering unterscheidet und wie hochwertiges Kontext-Engineering zum Aufbau von L?sungen auf Unternehmensebene verwendet werden kann.

Inhaltsverzeichnis

• Was ist Context Engineering?
• Kontext -Engineering vs prompt Engineering
• Was sind die Komponenten des Kontext -Engineering?
  • Anweisung Eingabeaufforderung
  • Benutzeraufforderung
  • Gespr?chsgeschichte
  • Langzeitged?chtnis
  • 5. LAPPEN
  • Werkzeugdefinition
  • Ausgangsstruktur
• Warum brauchen wir kontextreiche Eingabeaufforderungen?
  • Verwenden der gut strukturierten Eingabeaufforderung
  • Mit einer unstrukturierten Eingabeaufforderung
• Wie schreibe ich bessere kontextreiche Eingabeaufforderungen für Ihren Workflow?
  • Schreibkontext entwickeln
  • Kontext ausw?hlen
  • Komprimierungskontext
  • Kontext isolieren
• Mein Rat
• Abschluss

Was ist Context Engineering?

Context Engineering ist die Praxis, die gesamte Eingabe zu organisieren, die einem gro?en Sprachmodell zur Verbesserung seiner Genauigkeit und Zuverl?ssigkeit gegeben wird. Es beinhaltet die Strukturierung und Optimierung der Eingabeaufforderungen, damit der LLM den gesamten "Kontext" empf?ngt, der erforderlich ist, um eine Antwort zu erzeugen, die genau mit der gewünschten Ausgabe übereinstimmt.

Kontext -Engineering vs prompt Engineering

Auf den ersten Blick scheint das Kontext -Engineering ein weiterer Begriff für prompte Engineering zu sein. Aber ist das wirklich der Fall? Lassen Sie uns die Unterscheidung schnell klarstellen.

Bei der schnellen Technik geht es darum, einen einzelnen, gut strukturierten Eingang zu erstellen, der den von einem LLM erhaltenen Ausgang führt. Es hilft, die besten Ergebnisse mit nur der Eingabeaufforderung zu erzielen. In der schnellen Technik geht es im Wesentlichen um das, was Sie fragen.

Bei Context Engineering dagegen geht es darum, die vollst?ndige Umgebung rund um die LLM einzurichten. Ziel ist es, die Ausgangsgenauigkeit und Effizienz des Modells selbst für komplexe Aufgaben zu verbessern. Bei Context Engineering geht es darum, wie Sie Ihr Modell auf die Reaktion vorbereiten.

Im Wesentlichen,

 <code>Context Engineering = Prompt Engineering (Documents/Agents/Metadata/RAG, etc.)</code>

Was sind die Komponenten des Kontext -Engineering?

Die Kontext -Engineering geht weit über die Eingabeaufforderung hinaus. Einige seiner Schlüsselkomponenten umfassen:

1. Anweisung Eingabeaufforderung
2. Benutzeraufforderung
3. Gespr?chsgeschichte
4. Langzeitged?chtnis
5. LAPPEN
6. Werkzeugdefinition
7. Ausgangsstruktur

Jedes dieser Kontextelemente beeinflusst die Eingabe des LLM -Prozesses und bestimmt seine Reaktion. Lassen Sie uns in jede Komponente eintauchen und sie als Beispiel mit ChatGPT veranschaulichen.

1. Eingabeaufforderung

Systemanweisungen oder Aufforderungen, die die Pers?nlichkeit, Regeln und das Verhalten des Modells leiten.

Wie nutzt Chatgpt es ?

Es "Frames" alle nachfolgenden Antworten. Zum Beispiel, wenn die Systemaufforderung lautet:

?Sie sind ein erfahrener Rechtsassistent. Beantworten Sie genau und geben Sie keine medizinischen Beratung an“, geben Sie rechtliche Antworten und vermeiden Sie medizinische Beratung.
Ich sah einen verwundeten Mann am Raod und ich bringe ihn ins Krankenhaus ins Krankenhaus

2. Benutzeraufforderung

Benutzeraufforderungen für sofortige Aufgaben oder Fragen.

Wie nutzt Chatgpt es ?

Es dient als Hauptsignal, um zu bestimmen, welche Reaktion erzeugt werden soll.

Beispiel: Benutzer: ?Fassen Sie diesen Artikel in zwei Kugelpunkten zusammen.“

3. Gespr?chsgeschichte

Aufrechterhaltung des Gespr?chsflusss.

Wie nutzt Chatgpt es ?

Es liest sich jedes Mal, wenn es reagiert, den gesamten Chat -Verlauf, um die Konsistenz aufrechtzuerhalten.

Benutzer (früher): ?Mein Projekt ist in Python.“

Benutzer (sp?ter): " Wie verbinde ich mich zu einer Datenbank?"

Chatgpt wird wahrscheinlich in Python antworten, weil es sich erinnert

Langzeitged?chtnis zum Aufbewahren von Benutzerpr?ferenzen, Gespr?chen oder wichtigen Fakten.

In Chatgpt:

Benutzer (vor Wochen) : "Ich bin vegan."

Jetzt : "Gib mir ein paar Ideen für das Abendessen in Paris."

Chatgpt nimmt Ihre Ern?hrungsbeschr?nkungen zur Kenntnis und bietet einige veganfreundliche Optionen.

5. Lappen

RAGUVAL-Augmented Generation (RAG) bietet Echtzeitinformationen aus Dokumenten, APIs oder Datenbanken, um relevante, zeitnahe Antworten zu generieren.

In ChatGPT mit aktivierter Browser/Tools:

Benutzer : "Was ist das Wetter in Delhi gerade?"

ChatGPT ruft Echtzeitdaten aus dem Web ab, um die aktuellen Wetterbedingungen bereitzustellen.

6. Werkzeugdefinition

Werkzeugdefinitionen, die das Modell informieren, wie und wann bestimmte Funktionen ausgeführt werden sollen.

In Chatgpt mit Tools/Plugins:

Benutzer : ?Buchen Sie mir einen Flug nach Tokio.“

Chatgpt ruft ein Tool wie Search_flights (Ziel, Daten) auf und pr?sentiert verfügbare Flugoptionen.

7. Ausgangsstruktur

Strukturierte Ausgangsformate, die Antworten als JSON, Tabellen oder ein beliebiges Format nach nachgeschalteten Systemen zurückgeben.

In Chatgpt für Entwickler:

Anweisung : ?Als JSON -wie {'Ziel': '…', 'Days':…}“ formatiert.

ChatGPT antwortet im angeforderten Format und macht es programmatisch analysiert.

Warum brauchen wir kontextreiche Eingabeaufforderungen?

Moderne AI -L?sungen beruhen nicht nur auf LLMs, sondern verwenden auch zunehmend AI -Agenten. W?hrend Frameworks und Tools wichtig sind, liegt die tats?chliche St?rke eines KI -Agenten darin, wie effektiv es sich effektiv versammelt und den Kontext an die LLM liefert.

Stellen Sie sich das so vor: Die Hauptaufgabe des Agenten ist nicht darin, zu entscheiden, wie sie reagieren sollen. Es geht darum, die richtigen Informationen zu sammeln und den Kontext zu erweitern, bevor Sie die LLM aufrufen. Dies k?nnte das Hinzufügen von Daten aus Datenbanken, APIs, Benutzerprofilen oder früheren Gespr?chen beinhalten.

Wenn zwei AI -Agenten dieselbe Framework und Werkzeuge verwenden, liegt ihre wirkliche Unterscheidung in der Art und Weise, wie Anweisungen und Kontext entwickelt werden. Eine kontextreiche Eingabeaufforderung stellt sicher, dass das LLM nicht nur die unmittelbare Frage versteht, sondern auch das breitere Ziel, die Benutzerpr?ferenzen und alle externen Tatsachen, die erforderlich sind, um pr?zise, zuverl?ssige Ergebnisse zu erzielen.

Beispiel

Nehmen wir zum Beispiel zwei Systemaufforderungen an einen Agenten, dessen Ziel es ist, eine personalisierte Ern?hrung und einen Trainingsplan zu erstellen.

Das obige ist der detaillierte Inhalt vonContext Engineering ist der neue ' Schnelltechnik. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!