09|LLM辅助建模(一):构造反馈循环
徐昊
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
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。
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
- 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
《徐昊 · AI 时代的软件工程》,新⼈⾸单¥98
立即购买
© 版权归极客邦科技所有,未经许可不得传播售卖。 页面已增加防盗追踪,如有侵权极客邦将依法追究其法律责任。
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