From 21a72ad4f3cbe1d0cdac7ca75c79768354c5e740 Mon Sep 17 00:00:00 2001
From: xuhu0115 <64852985+xuhu0115@users.noreply.github.com>
Date: Mon, 31 Jul 2023 00:07:23 +0800
Subject: [PATCH] =?UTF-8?q?=E7=AC=AC=E5=85=AD=E7=AB=A0---=E6=96=87?=
 =?UTF-8?q?=E5=AD=97=E4=BF=AE=E6=94=B9?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

---
 ...¤„ç�†è¾“å…¥-链å¼� Prompt Chaining Prompts.ipynb | 95 +++++++++++++------
 1 file changed, 64 insertions(+), 31 deletions(-)

diff --git a/docs/content/C2 Building Systems with the ChatGPT API/6.处�输入-链� Prompt Chaining Prompts.ipynb b/docs/content/C2 Building Systems with the ChatGPT API/6.处�输入-链� Prompt Chaining Prompts.ipynb
index e0368a1..3a2e5a8 100644
--- a/docs/content/C2 Building Systems with the ChatGPT API/6.处�输入-链� Prompt Chaining Prompts.ipynb	
+++ b/docs/content/C2 Building Systems with the ChatGPT API/6.处�输入-链� Prompt Chaining Prompts.ipynb	
@@ -11,22 +11,21 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "在本章中，我们将学习如何通过使用链� Prompt 将��任务拆分为一系列简�的�任务。\n",
+    "链��示是将��任务分解为多个简�Prompt的策略。在本章中，我们将学习如何通过使用链� Prompt 将��任务拆分为一系列简�的�任务。你�能会想，如果我们�以通过�维链推�一次性完�，那为什么�将任务拆分为多个 Prompt 呢？\n",
     "\n",
-    "你�能会想，如果我们�以通过�维链推�一次性完�，那为什么�将任务拆分为多个 Prompt 呢？让我们用以下两个比喻�比较�维链推�和链�Prompt，从而�解释链�Prompt的必�性。 \n",
+    "主�是因为链��示它具有以下优点:\n",
     "\n",
-    "- 将任务拆分为多个 Prompt 就�是一次性烹饪���肴与分阶段烹饪的区别。使用一个长而��的 Prompt �能就�一次性烹饪��的�肴，您必须�时管�多个�分�烹饪技巧和时间。这�能很具有挑战性，难以跟踪�个部分并确��个组�部分都烹饪得�到好处。�一方�，链� Prompt 就�分阶段烹饪�点，你专注于一个组�部分，确��个部分都正确烹饪��进行下一个。这�方法�以分解任务的��性，使其更易于管�，并�少错误的�能性。但是，对于�常简�的食谱，这�方法则�能因为过于��而�适用。\n",
+    "1. 分解��度，�个 Prompt 仅处�一个具体�任务，��过于宽泛的�求，�高�功率。这类似于分阶段烹饪，而�是试图一次完�全部。\n",
     "\n",
-    "- �维链推�和链�Prompt的区别就�一长串袋�和简�的模�化程�。相比使用简�的模�化程�，一长串代�之���的�赖关系会导致代��得混乱且难以调试。\n",
+    "2. �低计算�本。过长的 Prompt 使用更多 tokens ，增加�本。拆分 Prompt �以���必�的计算。\n",
     "\n",
-    "当你的工作�程包�多个步骤和多个状�，在��状�下需�采����作的时，链� Prompt 就�为一�强大的策略。比如在对客户的查询进行分类�，获得查询的类别：是账户问题还是产�问题。然��以根���的类别采���的行动。\n",
+    "3. 更容易测试和调试。�以�步分��个环节的性能。\n",
     "\n",
-    "在链�Prompt中，��任务被拆分为�任务，�个�任务仅包�执行对应任务所需的指令，这使得系统更易于管�，确�模型具备执行任务所需的所有信�，并�低了出错的�能性。此外，链�Prompt还有有以下好处\n",
-    "- �低�本。因为更长的 Prompt 和更多的 tokens 会导致更高的�行�本，并且在�些情况下�能�需�概述所有步骤。\n",
-    "- 更容易测试哪些步骤�能更容易出错，或者在特定步骤中需�人工干预。\n",
-    "- 使用外部工具。例如，在其中的�一步，你�以去产�目录中查找�些内容，调用外部 API 或�索知识库，这些使用�个 Prompt 无法实现的。\n",
+    "4. �入外部工具。�� Prompt �以调用 API �数�库等外部资�。\n",
     "\n",
-    "��您与这些模型的构建和交互�断深入，您将��培养出何时�用链� Prompt策略的直觉。\n"
+    "5. 更�活的工作�程。根���情况�以进行���作。\n",
+    "\n",
+    "综上，链��示通过将��任务进行科学拆分，实现了更高效���的�示设计。它使语言模型集中处��一�任务，�少认知负�，�时�留了多步骤任务的能力。���验增长，开�者�以��掌��用链��示的精髓。\n"
    ]
   },
   {
@@ -130,7 +129,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "�以看到，输出是一个对象列表，�个对象都有一个类别和一些产�。如\"SmartX ProPhone\" 和 \"Fotosnap DSLR Camera\"�\"CineView 4K TV\"。\n",
+    "�以看到，输出是一个对象列表，�个对象都有一个类别和一些产�。如 \"SmartX ProPhone\" 和 \"Fotosnap DSLR Camera\" �\"CineView 4K TV\"。\n",
     "\n",
     "我们��看一个例�。"
    ]
@@ -167,11 +166,9 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "我们�供大�的产�信�作为示例，�求模型��产�和对应的详细信�。�于篇幅，我们产�信�存储在 products.json 中，通过 Python 代�读�该信�。\n",
+    "我们�供大�的产�信�作为示例，�求模型��产�和对应的详细信�。�于篇幅，我们产�信�存储在 products.json 中。\n",
     "\n",
-    "如下是产�信�的少�展示：\n",
-    "\n",
-    "![](../../../figures/docs/C2/ch6-products.png)"
+    "首先，让我们通过 Python 代�读�产�信�。"
    ]
   },
   {
@@ -186,6 +183,13 @@
     "    products = json.load(file)"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "接下�，定义 get_product_by_name 函数，是我们能够根�产��称获�产�："
+   ]
+  },
   {
    "cell_type": "code",
    "execution_count": 5,
@@ -211,6 +215,13 @@
     "    return [product for product in products.values() if product[\"类别\"] == category]"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "调用 get_product_by_name 函数，输入产��称 “TechPro Ultrabook�： "
+   ]
+  },
   {
    "cell_type": "code",
    "execution_count": 7,
@@ -239,6 +250,13 @@
     "get_product_by_name(\"TechPro Ultrabook\")"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "接下�，我们�看一个例�，调用 get_product_by_name 函数，输入产��称 “电脑和笔记本�： "
+   ]
+  },
   {
    "cell_type": "code",
    "execution_count": 8,
@@ -323,6 +341,13 @@
     "### 3.1 解�输入字符串"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "定义一个 read_string_to_list 函数，将输入的字符串转�为 Python 列表"
+   ]
+  },
   {
    "cell_type": "code",
    "execution_count": 6,
@@ -377,6 +402,13 @@
     "### 3.2 进行检索"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "定义函数 generate_output_string 函数，根�输入的数�列表生�包�产�或类别信�的字符串："
+   ]
+  },
   {
    "cell_type": "code",
    "execution_count": 10,
@@ -632,6 +664,15 @@
     "print(final_response)"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "在这个例�中，我们�添加了一个特定函数或函数的调用，以通过产��称获�产��述或通过类别�称获�类别产�。但是，模型实际上擅长决定何时使用����的工具，并�以正确地使用它们。这就是 ChatGPT �件背�的�想。我们告诉模型它�以访问哪些工具以�它们的作用，它会在需�从特定��获�信�或想�采�其他适当的�作时选择使用它们。在这个例�中，我们�能通过精确的产�和类别�称匹�查找信�，但还有更高级的信�检索技术。检索信�的最有效方法之一是使用自然语言处�技术，例如命�实体识别和关系��。\n",
+    "\n",
+    "�一方法是使用文本嵌入（Embedding）�获�信�。嵌入�以用于实现对大型语料库的高效知识检索，以查找与给定查询相关的信�。使用文本嵌入的一个关键优势是它们�以实现模糊或语义�索，这使您能够在�使用精确关键字的情况下找到相关信�。因此，在此例�中，我们�一定需�产�的确切�称，而�以使用更一般的查询如 **“手机�** 进行�索。"
+   ]
+  },
   {
    "cell_type": "markdown",
    "metadata": {},
@@ -643,29 +684,21 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "我们讨论了如何通过一系列步骤加载与用户查询相关的信�，为模型�供所需的上下文，以有效回答问题。\n",
+    "在设计�示链时，我们并�需�也�建议将所有�能相关信�一次性全加载到模型中，而是采�动��按需�供信�的策略，原因如下:\n",
     "\n",
-    "您�能会想，为什么我们选择性地将产��述加载到�示中，而�是包�所有产��述，让模型使用它所需的信�呢？\n",
+    "1. 过多无关信�会使模型处�上下文时更加困惑。尤其是低级模型，处�大�数�会表现衰�。\n",
     "\n",
-    "这其中有几个原因。\n",
+    "2. 模型本身对上下文长度有�制，无法一次加载过多信�。\n",
     "\n",
-    "首先，包�过多的产��述�能会使模型在处�上下文时感到困惑，就�对于试图一次处�大�信�的人一样。当然，对于� GPT-4 这样更高级的模型�说，这个原因就�太��了。尤其是当上下文�这个例�一样具有良好的结构时，模型足够�明，能够巧妙地忽略那些明显�相关的信�。\n",
+    "3. 包�过多信�容易导致模型过拟�，处�新查询时效果较差。\n",
     "\n",
-    "接下�的原因更加具有说�力。\n",
+    "4. 动�加载信��以�低计算�本。\n",
     "\n",
-    "首先，包�所有产��述�能会使模型对上下文更加混乱，就�对于试图一次处�大�信�的人一样。当然，对于� GPT-4 这样更高级的模型�说，这个问题�太相关，特别是当上下文�这个例�一样结构良好时，模型足够�明，�会忽略明显�相关的信�。接下�的原因更有说�力。\n",
+    "5. �许模型主动决定何时需�更多信�，�以增强其推�能力。\n",
     "\n",
-    "第二个原因是，语言模型有上下文�制，�固定数�的 token �许作为输入和输出。如果您有一个巨大的产�目录，您甚至无法将所有�述都放入上下文窗�中。\n",
+    "6. 我们�以使用更智能的检索机制，而�仅是精确匹�，例如文本 Embedding 实现语义�索。\n",
     "\n",
-    "最�一个原因是，包�所有产��述�能会使模型过拟�，因为它会记�所有的产��述，而�是�记�与查询相关的信�。这�能会导致模型在处�新的查询时表现�佳。\n",
-    "\n",
-    "使用语言模型时，由于按 token 付费，�能会很昂贵。因此，通过有选择地加载信�，�以�少生��应的�本。一般�说，确定何时动�加载信�到模型的上下文中，并�许模型决定何时需�更多信�，是增强这些模型能力的最佳方法之一。\n",
-    "\n",
-    "并且��次强调，您应该将语言模型视为需�必�上下文�能得出有用结论和执行有用任务的推�代�。因此，在这�情况下，我们必须�模型�供产�信�，然�它�能根�该产�信�进行推�，为用户创建有用的答案。\n",
-    "\n",
-    "在这个例�中，我们�添加了一个特定函数或函数的调用，以通过产��称获�产��述或通过类别�称获�类别产�。但是，模型实际上擅长决定何时使用����的工具，并�以正确地使用它们。这就是 ChatGPT �件背�的�想。我们告诉模型它�以访问哪些工具以�它们的作用，它会在需�从特定��获�信�或想�采�其他适当的�作时选择使用它们。在这个例�中，我们�能通过精确的产�和类别�称匹�查找信�，但还有更高级的信�检索技术。检索信�的最有效方法之一是使用自然语言处�技术，例如命�实体识别和关系��。\n",
-    "\n",
-    "�一方法是使用文本嵌入（Embedding）�获�信�。嵌入�以用于实现对大型语料库的高效知识检索，以查找与给定查询相关的信�。使用文本嵌入的一个关键优势是它们�以实现模糊或语义�索，这使您能够在�使用精确关键字的情况下找到相关信�。因此，在此例�中，我们�一定需�产�的确切�称，而�以使用更一般的查询如 **“手机�** 进行�索。我们计划很快推出一门全�的课程，介�如何在��应用中使用嵌入，敬请关注。\n",
+    "因此，��设计�示链的信��供策略，既考虑模型的能力�制，也兼顾��其主动学习能力，是�示工程中需���考虑的点。希望这些�验�以帮助大家设计出�行高效且智能的�示链系统。\n",
     "\n",
     "在下一章中我们将讨论如何评估语言模型的输出。"
    ]