Geçen yıl sentetik veri üretimiyle ilgili makalem Tekhnotekst 7 ödülünün kısa listesine girdi. Gelenekleri bozmamalıyız.

Habr'daki yeni uzun yazım yakın zamanda Tekhnotekst 8 için seçildi. Orada, LLM'lerin Python ve LangChain ile kod örnekleriyle daha kaliteli ve öngörülebilir çalışmasını sağlayan mimari desenleri inceledim.

İçindekiler:
🔵 XML izolasyonu: sistem talimatlarını kullanıcı girdisinden yapısal olarak nasıl ayırabilir ve temel olarak prompt enjeksiyonlarına karşı nasıl korunabilirsiniz.
🔵 Negatif Kısıtlamalar: ceza sistemi [PENALTY] aracılığıyla LLM'yi nasıl itaat ettirebilirsiniz.
🔵 Format Zorlama: yanıtı önceden doldurma. Modele fiziksel olarak JSON dizesini devam ettirmeye nasıl zorlayarak "Tabii ki, işte cevabınız" yazma olasılığını kesersiniz.
🔵 Üretilen Bilgi ve Kendi Kendine Tutarlılık: iki aşamalı üretim ve çoğunluk oylamasıyla halüsinasyonları nasıl tedavi edersiniz.
🔵 Düşünce Ağacı: hata maliyetinin bütçeyi tüketmek olduğu görevler için yönlendirilmiş strateji arama.
🔵 Meta-prompting: prompt yazmayı modele nasıl devredersiniz, böylece model sizin katı çerçevenize göre promptlar üretir.

Sürpriz: Birçok kişinin sevdiği "20 yıllık kıdemli" tekniği, ayırt edici görevlerde genellikle kaliteyi düşürür. Makalede, araştırmalardan kanıtlarla bunun neden olduğunu açıklıyorum.

👉🏻 Oku: Prompt Mühendisliği Desenleri: LLM Sistemlerini Production'da Nasıl Tasarlamalı
Tabii ki kazanmayı beklemiyorum, ama bu sefer kısa listeye girip girmeyeceğini göreceğiz. Beğenmeyi unutmayın 🤗

İçerik, Toplama Noktası'ndaki geçmiş yayınlardan birine dayanıyordu. İşte seviye bu, sizi davet ediyorum: t.me/TScompiler_bot ☕️