樣本儲存庫可儲存及動態擷取少量樣本。您可透過少量樣本向 LLM 展示預期的回覆模式,提升對類似查詢的回覆品質、準確率和一致性。
什麼是少樣本範例?
少樣本範例是指專為 LLM 用途標記的資料。當中包含輸入/輸出組合,可呈現模型要求預期的模型回覆。您可以透過範例向 LLM 展示預期的行為或回覆模式。
只要使用幾個相關範例,就能涵蓋更多可能的結果、預期行為和使用者輸入內容,而不會相應增加提示的大小或複雜度。方法包括只納入相關範例 (減少納入的範例數量),以及「展示而非說明」預期行為。
使用少量樣本範例是情境式學習的一種形式。範例會顯示清楚的輸入和輸出模式,但不會說明模型如何生成內容。您只需提供相對較少的範例,就能涵蓋更多可能的結果或使用者查詢,不必增加提示大小或程式碼複雜度。使用範例時,不需要更新預先訓練模型的參數,也不會影響 LLM 的知識廣度。因此,透過範例進行脈絡學習,是相對輕量且簡潔的方法,可自訂、修正或改善 LLM 對未見過提示的推理和回覆。
收集與使用者查詢相關的代表性範例,有助於模型維持注意力、展現預期模式,以及修正不正確或非預期的行為。這不會影響其他要求,也不會影響預期回應。
與所有提示工程策略一樣,使用少量樣本可輔助其他 LLM 最佳化技術,例如微調或 RAG。
如何使用範例商店
以下步驟大致說明如何使用範例商店:
建立或重複使用
ExampleStore
資源,也稱為「範例商店執行個體」。- 每個區域和專案最多可有 50 個 Example Store 執行個體。
根據 LLM 回覆撰寫並上傳範例。可能的情境有兩種:
如果 LLM 的行為和回覆模式符合預期,請根據這些回覆編寫範例,並上傳至範例商店執行個體。
如果 LLM 顯示非預期的行為或回覆模式,請編寫範例,說明如何修正回覆,然後上傳至範例商店執行個體。
上傳的範例會立即提供給與範例商店執行個體相關聯的代理程式或 LLM 應用程式。
如果以 Vertex AI Agent Development Kit 為基礎的代理程式已連結至 Example Store 執行個體,代理程式就會自動擷取範例,並將其納入 LLM 要求。
如果是其他 LLM 應用程式,您必須搜尋並擷取範例,然後將其納入提示。
每當您發現 LLM 效能不符預期,或是遇到對抗性或非預期的使用者查詢時,都可以繼續將範例疊代新增至 Example Store 執行個體。您不需要更新程式碼或重新部署新版 LLM 應用程式。只要將範例上傳至範例商店執行個體,代理程式或應用程式就能立即使用。
此外,你還可以執行下列操作:
在儲存的範例和查詢中的範例之間執行餘弦相似度搜尋,即可擷取範例。
依函式名稱篩選範例,並將候選範例清單縮減為代表大型語言模型可能回應的範例。
反覆改進代理程式或 LLM 應用程式。
與多個代理程式或 LLM 應用程式分享範例。
撰寫少量樣本的指南
範例對模型效能的影響取決於提示中包含的範例類型和納入方式。
以下是撰寫範例時的一般建議做法:
相關性和相似性:範例必須與特定工作或領域密切相關。這有助於模型專注於知識中最相關的層面、減少權杖用量,並維持甚至提升效能。如果這些範例與對話相關,您只需要較少的範例。可用的範例集必須能代表可能的使用者查詢。此外,範例必須與特定使用者查詢相關。
複雜度:為協助 LLM 提升效能,請使用複雜度較低的範例,展示預期的推理過程。
代表模型可能產生的結果:範例中的預期回應必須與可能結果一致。這樣一來,範例就能清楚展示與提示的 LLM 預期推理結果一致的推理過程。
格式:為獲得最佳成效,請在提示中以與 LLM 訓練資料一致的方式,格式化少量樣本,並與對話記錄有所區別。提示中的範例格式會大幅影響 LLM 效能。
使用範例:函式呼叫
您可以使用少樣本範例,提升函式呼叫成效。
您可以採用一致的模式,指出使用者查詢的預期函式呼叫。範例可以模擬對要求的預期回應,包括需要呼叫的函式,以及函式呼叫中要加入的引數。假設函式 get_store_location
會傳回商店位置和說明。如果查詢未如預期叫用此函式,或顯示非預期的輸出內容,您可以提供少量範例,修正後續查詢的這類行為。
如要進一步瞭解函式呼叫,請參閱「函式呼叫」。
詳情請參閱「範例商店快速入門」。
後續步驟
瞭解如何建立範例商店。
瞭解如何透過範例訓練代理程式