О чём урок
Создание эффективных промптов — критически важный навык при работе с моделями ИИ. Даже опытные пользователи могут непреднамеренно вносить противоречия, двусмысленности или несоответствия, что приводит к субоптимальным результатам. Представленная здесь система помогает выявлять и устранять распространённые проблемы, что приводит к созданию более надёжных и эффективных промптов. Процесс оптимизации использует многоагентный подход, при котором специализированные ИИ-агенты сотрудничают для анализа и переписывания промптов. Система автоматически выявляет и устраняет несколько типов распространённых проблем: Противоречия в инструкциях промпта Отсутствующие или нечёткие спецификации формата Несоответствия между промптом и few-shot примерами Цель: Этот cookbook демонстрирует лучшие практики использования Agents SDK совместно с Evals для создания ранней версии системы оптимизации промптов OpenAI. Вы можете оптимизировать свой prompt, используя этот код, или воспользоваться оптимизатором в нашей playground! Спросите ChatGPT Структура CookbookЭтот notebook имеет следующую структуру: Шаг 1. Обзор системы - Узнайте, как работает система оптимизации промптов Шаг 2. Модели данных - Поймите структуры данных, используемые системой Шаг 3. Определение агентов - Рассмотрите агентов, которые анализируют и улучшают промпты Шаг 4. Оценки - Используйте Evals для проверки выбора нашей модели агента и инструкций Шаг 5. Запуск рабочего процесса оптимизации - Посмотрите, как рабочий процесс передаёт промпты Шаг 6. Примеры - Изучите реальные примеры оптимизации промптов Предварительные требования Пакет Python openai Пакет openai-agents Ключ OpenAI API, установленный как OPENAI_API_KEY в ваших переменных окружения Система оптимизации промптов использует совместный многоагентный подход для анализа и улучшения промптов. Каждый агент специализируется либо на обнаружении, либо на переписывании определённого типа проблемы: Dev-Contradiction-Checker: Сканирует prompt на предмет логических противоречий или невыполнимых инструкций, например, «используйте только положительные числа» и «включайте отрицательные примеры» в одном и том же промпте. Format-Checker: Определяет случаи, когда prompt ожидает структурированный output (например, JSON, CSV или Markdown), но не может чётко указать точные требования к формату. Этот агент гарантирует, что все необходимые поля, типы данных и правила форматирования явно определены.
План урока
- 1. Обзор системы
- 2. Модели данных
- 3. Определение агентов
- Лучшие практики в инструкциях для агентов
- 4. Использование оценок для создания этих агентов
- 5. Запуск рабочего процесса оптимизации
- Понимание рабочего процесса оптимизации
- 6. Примеры
Урок входит в полный доступ. Полный текст и видео открываются после оплаты. Первые уроки каждого курса бесплатны.