在GPT模型进入到4.0时代之后,语言模型的逻辑判断和处理能力都得到了显著的提高。Claude 2.1以及百度文心一言4等模型在逻辑判断上都持续发力,逻辑判断方面基本达到实用的层面。特别是跟用户的语言交互结合,加上不错的逻辑判断能力,也为我们的程序开发提供了一种新的可能。
任何开发语言中,逻辑处理都是其中非常核心的内容,大量的if, else, switch, case已经融入到了编程的呼吸中,平时甚至已经不会可以感受到了。但是一些复杂场景的逻辑处理也在挑战我们的脑力,和测试小伙伴的耐性。
借助AI语言大模型的接口,和提示词工程(Prompt Engineering)我们对这个问题可以有一个新的解法。使用AI语言模型API接口,借助大模型的逻辑判断能力来简化甚至提高编程的逻辑处理能力。
我们可以借助几个例子来具体看一下效果。
例子一: 目标像素目标选择
场景描述:在使用stable xl模型进行图片处理时对于原图像像素有限定,仅能支持1024x1024, 1152x896, 1216x832, 1344x768, 1536x640, 640x1536, 768x1344, 832x1216, 896x1152这些像素的图片,所以我们需要对图片进行预处理,找到满足要求的像素目标。
在我们的常规处理中,可能会通过原始图片的长宽逐级匹配找到能够匹配上的长宽组合,或者进一步通过匹配总像素,然后找到最近的对应长宽组合。不论哪种一方方法都会涉及到一大堆的逻辑判断(附送一大堆bug)。
下面我们来看一下通过调用AI大模型接口如果优雅的解决这个问题。
我们这里使用的提示词函数如下:
def get_image_dimensions_for_stable_xl_template(width, height):
template = f"""
The image original width is: '{width}', height is: '{height}', which is {width}x{height} for short, the required image dimensions are:
1024x1024, 1152x896, 1216x832, 1344x768, 1536x640, 640x1536, 768x1344, 832x1216, 896x1152. They are all in the widthxheight format.
please pick one and only one suitable dimensions for the image, and return the target dimensions in the plain text format:
target_width x target_height
Do NOT need to explain or give any conversation, just extract the target image dimensions in the above JSON format.
"""
return template
传入原始图像的长宽之后就可以获取到对目标的结果值。比如传入width: 500, height: 750, 返回对应的选择为896x1152。
例子二: 客服工单系统决定问题路由到哪个具体部门。
场景描述:在客服系统中,如果遇到客户问题升级需要转到具体对应部门处理时,或者是依靠人工判断,如果要自动判断,需要涉及到大量的NLP关键词处理。本身语言和客户情况都比较复杂,会导致NLP处理和逻辑处理都非常复杂。
但是这种跟自然语言融合的逻辑处理,对于AI大模型来说却会轻松很多。
我们设定的场景会略微复杂一些,初步设定了5个不同的部门"售后处理部门", "产品咨询部门", "打假部门", "投诉部门", "VIP特别通道", 中间会有一些交叉。
You are an online customer router, you need to decide which department should be routed.
The user problem is: <我在你们平台上买的口红, 发货之后发现口红是假的,卖家死活不承认,已经跟我拉扯了3天了,我要投诉你们>.
The user info is: <VIP, spent 30000 in this year>
We have the following departments:
1. 售后处理部门: 处理用户产品质量问题,退货退款等问题
2. 产品咨询部门: 处理用户对产品的咨询,包括产品的使用,产品的功能等
3. 打假部门: 处理平台上的假货事件
4. 投诉部门: 处理用户对平台的投诉,包括卖家的服务态度,平台的服务态度等
5. VIP特别通道: 专门处理今年消费超过10000的VIP用户的问题
Please decide which department should be routed, and return in the following JSON format:
{
"department": <department_name>,
"product": <product_name>
"user_requirement": <user_requirement>
}
Do NOT need to explain or give any conversation, just return the JSON result.
通过使用GPT4模型,我们很快就可以得到返回结果
{
"department": "VIP特别通道",
"product": "口红",
"user_requirement": "处理假货投诉并要求退款"
}
ps: 使用GPT3.5模型返回的是“打假部门”。
通过使用AI大模型接口,和提示词工程技巧,我们非常简化我们的逻辑处理过程,效果反倒可能得到提升,甚至实现了通过中文编程。在系统维护的时候也不需要维护非常复杂的逻辑,可以理解为维护注释就行了,后面的小伙伴看的时候更是一目了然。
我们在大幅度简化编程复杂度的同时,更提高了处理的效果,降低了维护的复杂度。相信必然会成为未来一种新的编程范式。
现有主流AI大模型逻辑处理能力比对
笔者也对现在几款顶流的语言AI大模型的逻辑处理能力做了实测,简单对比如下供大家参考。
模型 | 逻辑处理效果 |
GPT4 | |
Claude 2.1 | |
文言一心4 | |
谷歌Gemini | |
ChatGLM3 | |
GPT3.5 |
从目前的效果上看GPT4还是当之无愧的第一,比其他几款顶流模型的效果更好。谷歌的Gemini模型虽然Deepmind亲自操刀,不过也才刚展露头脚,效果上目前略逊一筹。Claude 2.1与我们的文言一心4.0版本效果也都还不错。ChatGLM3的效果上还是略有差距,比GPT3.5略好一点。
(以上评测仅为笔者个人有限场景使用体验,就像一首诗每个人的解读都不一样,属于您的理解还得您亲自读完方可)
“日月摘星”助您比竞争对手更快一步完成编程范式升级。
“日月摘星”为您整合了顶流的语言大模型AI,为您提供便捷的接口访问,仅需要10分钟就可以接入顶流的语言AI大模型,图形处理AI大模型,以及智能知识库接口等。
您可以一站式试用,组合选择适合您的AI语言大模型,上述的语言大模型“日月摘星”您可以接入访问。(Gemini模型近期即将上线,敬请期待)。
现在注册认证更送6.66元体验金,还等什么,马上点击注册“日月摘星”,比竞争对手更快一步进入AI新时代!
点击了解日月摘星更多能力介绍。
无需东奔西走,日月摘星统一API接口助您10分钟接入AI新时代!文章来源:https://www.toymoban.com/news/detail-773859.html
文章来源地址https://www.toymoban.com/news/detail-773859.html
到了这里,关于基于AI语言大模型的新编程范式的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!