大语言模型应用价值创造与发展的四个阶段 [译]

原文：4 stages of LLM app value creation and development.
作者：

Shchegrikovich

从提示设计到智能体流程

第 1 阶段 - 提示设计（Prompt Engineering）

在开发新的大语言模型应用原型时，通常首先构建一个围绕特定提示的简单应用。我们利用 API 调用这个简单提示，并将结果返回给用户。这是一种基础实践，帮助我们评估对用户的价值。然而，这一阶段容易被竞争对手复制。

第 2 阶段 - 提示架构（Prompt Architecture）

例如，思维链（Chain of Thought）、自洽提示（Self-consistency prompting）、退后提示（Step-back prompting）和验证链（Chain of Verification）等，是一些先进的提示技术。这些技术需要多步骤的执行。其核心理念是接收用户请求，并通过一系列的推理过程进行处理。

第 3 阶段 - 知识管理平台（Knowledge Management Platform）

此阶段，我们引入了 RAG（Retrieval-Augmented Generation，检索增强生成）、记忆和知识库。我们的应用通过提供外部信息或实时信息并能够记忆之前的交互，从而得到增强。这可以被视作是一个具备状态记忆的大语言模型应用，但其实远不止于此。通过为知识库创建和整理内容，我们为用户提供了更高层次的价值，并为竞争者设置了进入障碍。

第 4 阶段 - 智能体流程（Agent Pipeline）

大语言模型智能体是一个系统，它通过推理来决定执行哪些操作和使用哪些工具来完成当前的任务。这与基于角色的提示设计（例如：“你是律师，请回答这个问题 - ”）相比，智能体拥有更大的差异。从我的观察来看，为了解决一个任务，我们通常需要构建多个智能体，并将它们按照处理流程进行组织。这种流程可以类比为带有中间件的 Web 请求处理流程。

应用案例

以构建一个“与 txt 文件对话”的应用为例，其阶段包括：

  1. “这里有一个文档：{DOCUMENT}。请回答用户的问题 - {QUESTION}”

  2. “这里有一个文档：{DOCUMENT}。{STEPBACK_CONTEXT}请回答用户的问题 - {QUESTION}”，其中 STEPBACK_CONTEXT 是对大语言模型的额外调用，用以根据用户问题生成一个退后问题，并将其作为上下文嵌入。

  3. “这里有一个文档：{DOCUMENT}。这里是额外的上下文：{MEMORY}。{STEPBACK_CONTEXT}请回答用户的问题 - {QUESTION}” - 在这里，我们增加了 MEMORY，它可以是来自知识库的额外信息或是与用户之前对话的摘要。

  4. “这里有一系列工具：WEB_SEARCH, DOCUMENT, …. 。选择合适的工具并提出一个算法来回答用户的问题 - {QUESTION}”

关于这个主题的一些文章包括：

  1. https://cobusgreyling.medium.com/large-language-model-llm-disruption-of-chatbots-8115fffadc22 - 大语言模型（LLM）对聊天机器人的颠覆

  2. https://towardsdatascience.com/prompt-architecture-bd8a07117dab - 是时候开始讨论大语言模型中的提示架构了吗？

  3. https://www.ionio.ai/blog/what-is-llm-agent-ultimate-guide-to-llm-agent-with-technical-breakdown - 什么是大语言模型智能体？大语言模型智能体的终极指南【技术分解】

See all posts