徐昊 · AI 时代的软件工程
徐昊
Thoughtworks 全球技术策略顾问
2250 人已学习
新⼈⾸单¥98
徐昊 · AI 时代的软件工程
15
15
1.0x
00:00/00:00
登录|注册

09|LLM辅助建模(一):构造反馈循环

你好,我是徐昊,今天我们来继续学习 AI 时代的软件工程。
上节课,我们介绍了如何使用 LLM 辅助进行模型展开,从而应用业务知识。具体做法是通过 Mermaid 将业务模型转化为大语言模型(Large Language Model,LLM)易于理解的方式,再用半结构化自然语言补充上下文,让思维链的构造更加简单。
但是如果我们没有模型要怎么处理呢?利用 LLM 辅助建模是否也能比传统建模方法更有效率呢?这是我们今天要讨论的问题。

构造反馈循环

建模的过程,是学习业务知识并提炼知识的过程。我们在第六节课提到使用 LLM 时,可以通过缩短反馈周期提高知识学习的效率。那么我们可以通过构造一个反馈循环,使用 LLM 帮助我们完成建模的过程。
在反馈循环的过程中,我们处在复杂的认知模式下,也就是遵循探测(Probe)- 感知(Sense)- 响应(Respond)的认知行为模式。
我们之前提到过,由于探测环节费力费时,往往会成为整个反馈周期的瓶颈。但是有了 LLM 的辅助,我们可以在探测阶段快速产生初始结果,或是根据反馈重新执行任务。那么感知这一环节就可能会成为新的瓶颈。
在我们前面课程的例子里,我们希望 LLM 帮助我们把一个基于关系型数据的解决方案,改造为使用 MongoDB 的解决方案。感知就比较直接了:将 LLM 生成的代码直接执行就可以了。但对于模型就没有这么简单了。
确认放弃笔记?
放弃后所记笔记将不保留。
新功能上线,你的历史笔记已初始化为私密笔记,是否一键批量公开?
批量公开的笔记不会为你同步至部落
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线
笔记
复制
AI
  • 深入了解
  • 翻译
    • 英语
    • 中文简体
    • 中文繁体
    • 法语
    • 德语
    • 日语
    • 韩语
    • 俄语
    • 西班牙语
    • 阿拉伯语
  • 解释
  • 总结

本文介绍了如何使用LLM辅助建模的过程中构造反馈循环,以提高知识学习的效率。通过构建反馈循环,利用LLM在建模过程中快速产生初始结果,并在不同业务场景中展开模型,收集反馈再调整模型。文章提到了探测-感知-响应的认知行为模式,并强调了在建模过程中的反馈循环中,模型的适用度和应对变化的能力的重要性。作者还提供了建模任务模板、模型检查任务模板和模型展开任务模板,并通过实例展示了如何使用这些模板完成建模过程。最后,文章强调了构造复杂认知模式的反馈循环并通过LLM加速的重要性,并提出了思考题,鼓励读者分享其他构造反馈循环的方式。整体而言,本文通过实例详细介绍了如何利用LLM辅助建模,并强调了构建反馈循环的重要性。

仅可试看部分内容,如需阅读全部内容,请付费购买文章所属专栏
《徐昊 · AI 时代的软件工程》
新⼈⾸单¥98
立即购买
登录 后留言

精选留言

由作者筛选后的优质留言将会公开显示,欢迎踊跃留言。
收起评论
显示
设置
留言
收藏
沉浸
阅读
分享
手机端
快捷键
回顶部
文章页面操作
MAC
windows
作用
esc
esc
退出沉浸式阅读
shift + f
f11
进入/退出沉浸式
command + ⬆️
home
滚动到页面顶部
command + ⬇️
end
滚动到页面底部
⬅️ (仅针对订阅)
⬅️ (仅针对订阅)
上一篇
➡️ (仅针对订阅)
➡️ (仅针对订阅)
下一篇
command + j
page up
向下滚动一屏
command + k
page down
向上滚动一屏
p
p
音频播放/暂停
j
j
向下滚动一点
k
k
向上滚动一点
空格
空格
向下滚动一屏
播放器操作
MAC
windows
作用
esc
esc
退出全屏
⬅️
⬅️
快退
➡️
➡️
快进
空格
空格
视频播放/暂停(视频全屏时生效)