相信很多大家對六位一線AI工程師總結(jié)爆火！大模型應(yīng)用摸爬滾打一年心得公開，網(wǎng)友：全程高能還不知道吧，今天菲菲就帶你們一起去了解一下~.~！

六位一線AI工程師和創(chuàng)業(yè)者，把在大模型應(yīng)用開發(fā)上摸爬滾打一整年的心得，全!分!享!了!

（奇怪的六一兒童節(jié)大禮包出現(xiàn)了）

這篇干貨長文，一時間成為開發(fā)者社區(qū)熱議的話題。

有網(wǎng)友評價為，大模型領(lǐng)域少有的“有操作性”的實用見解，非常值得一讀。

這6位作者來自不同背景，比如有大廠工程師，也有獨立開發(fā)者，還有咨詢顧問。

但他們的共同之處，是過去一年里一直在大模型之上構(gòu)建真實應(yīng)用程序，而不只是炫酷的Demo演示，他們認(rèn)為:

在他們的一系列分享中，網(wǎng)友熱議的亮點包括但不限于:

-何時用長上下文、何時RAG、何時微調(diào)模型

多樣化輸出不止提高溫度，改變提示詞中示例的順序也影響結(jié)果

長上下文不會讓RAG過時

“實習(xí)生測試”:如果大學(xué)生能根據(jù)提示詞完成任務(wù)，說明比較完善了

每個大模型都有自己的偏好，Claude更喜歡XML格式，GPT系列更喜歡Markdown和JSON

如果靠提示詞已完成了90%的任務(wù)，微調(diào)可能就不值得投資

大模型當(dāng)裁判評估結(jié)果可能起作用，但不是萬能的

……

總之，無論是大廠工程師、創(chuàng)業(yè)者還是參加個人開發(fā)者，都值得一看。

全程高能干貨分享

提示詞、RAG和微調(diào)都是改善大模型輸出結(jié)果的有效方法。

但是何時該用何種方法，還沒有定論。

作者們認(rèn)為，需要根據(jù)具體的應(yīng)用場景、任務(wù)需求、成本效益和性能目標(biāo)來做出決策:

建議在開發(fā)新應(yīng)用程序時從提示詞開始

需要大模型掌握新知識時優(yōu)先使用RAG

當(dāng)需要針對特定任務(wù)優(yōu)化時再考慮微調(diào)

最后，他們還重點討論了對大模型應(yīng)用的評估和監(jiān)測，認(rèn)為是應(yīng)該貫穿開發(fā)全流程的重要環(huán)節(jié)。

很多開發(fā)者都陷入了一個誤區(qū):以為設(shè)計一個涵蓋一切的“終極提示詞”就能完美解決問題。

就像過去軟件開發(fā)中也有希望一個類或函數(shù)可以完成所有事情的誤區(qū)。

實際情況恰恰相反，隨著需求的復(fù)雜化，這樣的Prompt會越來越臃腫，性能反而每況愈下。

那么正確的做法是什么呢?提示詞也應(yīng)該像代碼一樣保持簡潔，以會議記錄總結(jié)場景來說，可以分解為以下步驟:

將關(guān)鍵決策、待辦事項和執(zhí)行者提取為結(jié)構(gòu)化格式

檢查提取的詳細(xì)信息與原始會議記錄的一致性

從結(jié)構(gòu)化詳情生成簡明摘要

通過拆分，每個提示詞都簡單、突出重點且易于理解，更重要的是接下來可以單獨迭代和評估每個提示詞。

比如思維鏈鼓勵A(yù)I在最終回答之前寫下思維過程，除了“一步一步思考”之外，還可以用一些技巧顯著降低幻覺。

還以會議記錄總結(jié)場景為例，迭代后的提示詞示例為:

-首先，在草稿中列出關(guān)鍵決策、待辦事項和相關(guān)執(zhí)行者。-然后，檢查草稿中的細(xì)節(jié)是否與文字記錄相符。-最后，根據(jù)要點合成簡潔的總結(jié)。

在提示詞方面，作者們還提出了更多具體經(jīng)驗。

對于給大模型提供示例的上下文學(xué)習(xí):

提示詞中的示例數(shù)量追求≥5（也不要害怕用上幾十個）。太少會讓模型過度遵循特定示例、損害泛化能力。

示例應(yīng)該反映預(yù)期的輸入分布。比如做電影劇情總結(jié)，示例中不同類型電影的比例大致應(yīng)與實踐中期望看到的相同。

不一定需要提供完整的輸入-輸出對。在許多情況下，只有輸出的示例就足夠了。

如果所用的大模型支持工具調(diào)用，則示例也應(yīng)包含希望AI使用的工具。

對于結(jié)構(gòu)化輸入輸出:

優(yōu)化上下文結(jié)構(gòu)，讓模型更容易理解和處理。單純打包一堆文件人類看著頭疼，AI看著也費勁。

只保留必要信息，像雕刻藝術(shù)家一樣剔除冗余、自相矛盾和格式化錯誤。

每個大模型都有自己的偏好，Claude更喜歡xml格式，GPT系列更喜歡Markdown和JSON。

比如給Claude的提示詞，甚至可以用xml tag來預(yù)填充輸出模板。

不要忘記關(guān)鍵詞搜索

基于Embedding的RAG演示很多，讓人們?nèi)菀淄浶畔z索領(lǐng)域數(shù)十年來積累的經(jīng)驗。

作者認(rèn)為向量檢索無疑是強大的工具，但不是全部。雖然擅長捕獲高級語義相似性，但它們可能難以處理更具體的關(guān)鍵字，比如人名、首字母縮略詞或者ID。

不要忘記傳統(tǒng)的關(guān)鍵詞匹配（如BM25算法），在大多數(shù)情況下，混合關(guān)鍵字匹配和向量搜索效果最好:

RAG輸出的質(zhì)量取決于檢索文檔的質(zhì)量

具體來說，檢索文檔的質(zhì)量又取決于幾個因素。

第一個也是最明顯的指標(biāo)是相關(guān)性。與傳統(tǒng)推薦系統(tǒng)一樣，檢索到的項目的排名對大模型輸出產(chǎn)生重大影響，要衡量這種影響，可以試試打亂順序并觀察大模型行為變化。

第二個是信息密度。如果兩份文檔同樣相關(guān)，應(yīng)該選擇更簡潔、無關(guān)細(xì)節(jié)更少的那個。

最后是信息的詳細(xì)程度，附加的詳細(xì)信息可以幫助大模型更好地理解。

優(yōu)先RAG，而不是對新知識微調(diào)

RAG和微調(diào)都可讓大模型掌握新知識并提高特定任務(wù)的性能。那么，應(yīng)該優(yōu)先選擇哪一個呢?

微軟一篇論文比較RAG與無監(jiān)督微調(diào)（又叫持續(xù)預(yù)訓(xùn)練），發(fā)現(xiàn)對于新知識RAG性能始終優(yōu)于微調(diào)。

△arxiv.org/abs/2312.05934

除了改進性能之外，RAG容易更新而且成本更低。如果知識庫中發(fā)現(xiàn)錯誤，RAG方法只需簡單刪除有問題的文檔即可。

RAG還可以給文檔權(quán)限提供更細(xì)粒度的控制，確保每個用戶只能訪問自己有權(quán)限的文檔，不會泄露信息。

長上下文不會讓RAG過時

首先，即使上下文窗口達(dá)到一千萬tokens，仍然需要一種方法來選擇要輸入模型的信息。

其次，除了簡單大海撈針評估之外，還沒有看到令人信服的數(shù)據(jù)表明模型可以在如此大的上下文進行有效的推理。

如果沒有良好的檢索和排名，干擾因素可能淹沒模型，甚至可能用完全不相關(guān)的信息填滿了上下文窗口。

最后還有成本問題，ransformer的推理成本隨上下文長度二次增長，過度依賴長上下文可能不劃算。

當(dāng)最巧妙的提示詞設(shè)計也無法完成一些任務(wù)時，可能就需要考慮微調(diào)了。

雖然微調(diào)可能是有效的，但它會帶來巨大的成本。必須注釋微調(diào)數(shù)據(jù)、執(zhí)行微調(diào)和評估模型，并最終自行部署模型。因此，請考慮較高的前期成本是否值得。

作者們的經(jīng)驗是:

如果提示詞已完成了90%的任務(wù)，那么微調(diào)可能不值得投資。

如果確定要微調(diào)，可以考慮合成數(shù)據(jù)或開源數(shù)據(jù)集，降低人工收集注釋數(shù)據(jù)的成本。

最成功的Agent開發(fā)者可能也是工程師團隊的管理者，因為給AI制定計劃的過程和管理初級員工的方式類似。

我們給人類新手明確的目標(biāo)和具體的計劃，而不是模糊的開放式指示，對Agent也應(yīng)該這樣做。

優(yōu)先考慮確定性工作流程

Agent被期待動態(tài)對用戶請求做反應(yīng)，但隨著執(zhí)行步數(shù)增加，失敗的可能性指數(shù)增加，并且從錯誤中恢復(fù)的機會很小。

一種有前途的方法是使用Agent系統(tǒng)來生成確定性計劃，然后以結(jié)構(gòu)化、可重復(fù)的方式執(zhí)行這些計劃，好處包括:

生成的計劃可以作為提示詞中的少數(shù)樣本，或微調(diào)數(shù)據(jù)。

使系統(tǒng)更加容易測試和調(diào)試，失敗可以追溯到計劃中的具體步驟。

生成的計劃可以表示為有向無環(huán)圖（DAG），相對于靜態(tài)提示詞，它更容易理解和適應(yīng)新情況。

多樣化輸出不止提高溫度

如果任務(wù)需要輸出的多樣性，比如根據(jù)用戶之前購買過的產(chǎn)品推薦新產(chǎn)品，簡單增加大模型的溫度參數(shù)可能會產(chǎn)生問題。

如果溫度太高，可能會生成不存在的產(chǎn)品，甚至輸出亂碼。

其他增加輸出多樣性的方法包括:

最簡單的是調(diào)整提示詞內(nèi)的元素順序，打亂用戶歷史購買記錄的順序，就可能產(chǎn)生顯著差異。

還可以在上下文中保留前幾輪的輸出，并要求大模型避免重復(fù)最近推薦過的產(chǎn)品。

另一個策略是改變提示詞的措辭，比如“選擇用戶喜歡經(jīng)常使用的產(chǎn)品”和“選擇用戶可能會推薦給朋友的產(chǎn)品”。

大模型的輸入和輸出是任意文本，要完成的任務(wù)是多種多樣的。盡管如此，嚴(yán)格且深思熟慮的評估仍至關(guān)重要。

從真實的輸入/輸出樣本中創(chuàng)建基于斷言的單元測試

作者建議創(chuàng)建由生產(chǎn)中的輸入和輸出樣本組成的單元測試，并基于至少3個指標(biāo)測試。

3個指標(biāo)是實踐中總結(jié)出來的，更少可能表明任務(wù)沒有充分定義，或過于開放。

這些單元測試應(yīng)該由工作流的任何更改觸發(fā)，無論是編輯提示詞、通過RAG添加新上下文還是其他修改。

大模型當(dāng)裁判可能起作用，但不是萬能的

作者認(rèn)為，讓最強大的模型當(dāng)裁判、給其他模型的輸出打分，用于定性比較優(yōu)劣可能有用，但具體輸贏的幅度就沒什么參考價值了。

不要讓大模型在量表上對單個輸出進行評分，而是提供兩個選項，要求選擇更好的一個，這往往會帶來更穩(wěn)定的結(jié)果。

提供的選項順序可能會影響結(jié)果，為了緩解這種情況，請將每個成對比較進行兩次，每次交換順序。

在某些情況下，兩種選擇可能同樣好。因此允許大模型宣布平局，這樣就不會武斷地選一個勝者。

使用思維鏈:要求大模型在給出最終偏好之前解釋其決定，可以提高評估的可靠性，還可以讓更小的模型獲得與大模型類似的結(jié)果。

（這部分流程通常處于并行批處理模式，思維鏈帶來的額外延遲并不造成問題。）

大模型往往偏向于較長的回答，為減少這種情況，請確保成對的回答長度相似。

“實習(xí)生測試”

如果將提示詞（包括上下文）作為一項任務(wù)，交給相關(guān)專業(yè)的普通大學(xué)生，他們能成功嗎?需要多長時間?

如果大學(xué)生都做不到，就該考慮如何給大模型提供更豐富的上下文資料了。

如果根本無法通過改進上下文來解決這個問題，那么這就是對當(dāng)代大模型來說太難的任務(wù)。

如果大學(xué)生能做到，但需要一段時間?？梢試L試降低任務(wù)的復(fù)雜性。分解任務(wù)，或某些方面是否可以更加模板化。

如果大學(xué)生能做到，而且很快，但大模型不行。那么就該深入研究大模型反饋的數(shù)據(jù)了。嘗試找到失敗的模式，讓模型在輸出之前或之后解釋自己。

過分強調(diào)某些指標(biāo)可能影響整體

著名的古德哈特定律表示，“當(dāng)一項指標(biāo)成為目標(biāo)時，它就不再是一項好指標(biāo)”。

比如針對長上下文的“大海撈針”測試最早是網(wǎng)友提出的，迅速成為行業(yè)通用方法之后，就很容易針對性優(yōu)化、刷榜。

更好的指標(biāo)可能正是復(fù)雜的實際任務(wù)，比如“給定一個小時的會議記錄，大模型能否總結(jié)出關(guān)鍵決策、待辦事項和相關(guān)負(fù)責(zé)人”。

這項任務(wù)更切合實際，超越了死記硬背的范疇，還考慮到了解析復(fù)雜討論、識別相關(guān)信息和歸納總結(jié)的能力。

在總結(jié)中強調(diào)事實一致性可能會導(dǎo)致摘要不那么具體（因此不太可能與事實不一致），也可能不那么相關(guān)。

反之，如果強調(diào)寫作風(fēng)格和口才，則可能導(dǎo)致更多花哨的話術(shù)，從而造成與事實不符的情況。

LLMs甚至?xí)诓粦?yīng)該返回輸出時返回輸出

大模型經(jīng)常會在不應(yīng)該生成輸出的情況下生成輸出?？赡苁菬o害但無意義的輸出，也可能是更嚴(yán)重有害輸出。

例如，當(dāng)被要求從文檔中提取特定屬性或元數(shù)據(jù)時，大模型可能會自信地返回不存在的結(jié)果?？梢試L試讓大模型回答“不適用”或“不知道”，但也并非萬無一失。

雖然謹(jǐn)慎的提示工程可以在一定程度上起作用，但還應(yīng)輔之以強大的“護欄”機制，以檢測和過濾/重新生成不受歡迎的輸出。

例如，OpenAI提供了一個內(nèi)容過濾API，可識別不安全的響應(yīng)，如仇恨言論、自殘或性內(nèi)容。同樣，還有許多用于檢測個人身份信息（PII）的軟件包。這樣做的好處之一是，”護欄”在很大程度上與場景無關(guān)，因此可廣泛應(yīng)用于特定語言的所有輸出。

此外，通過精確檢索，如果沒有相關(guān)文檔，系統(tǒng)也可以確定地回答 “我不知道”。

在實際應(yīng)用中，最好持續(xù)記錄輸入和輸出，以便進行調(diào)試和監(jiān)控。

幻覺很難徹底解決

與安全問題不同，幻覺可能很難被發(fā)現(xiàn)。

根據(jù)作者們從大模型供應(yīng)商那里了解到的情況，要將幻覺率降低到2%以下是非常困難的，即使是在摘要等簡單任務(wù)中也是如此。

為了解決這個問題，可以將提示工程（生成的上游）和事實不一致護欄(生成的下游)結(jié)合起來。

對于提示詞工程，思維鏈等技術(shù)可以讓大模型在最終返回輸出之前解釋其推理，從而幫助減少幻覺。然后，可以應(yīng)用事實不一致護欄來評估摘要的事實性，并過濾或重新生成。

技術(shù)篇結(jié)束，還有運營、戰(zhàn)略篇

對于這篇精彩的實戰(zhàn)經(jīng)驗分享，沃頓商學(xué)院教授Ethan Molick推薦并感慨:

事實上這只是六位作者完整分享的三分之一:戰(zhàn)術(shù)篇。

第二部分運營篇也剛剛發(fā)布，圍繞數(shù)據(jù)、模型、產(chǎn)品、團隊發(fā)展四個話題展開分享。

接下來還有最后一部分戰(zhàn)略篇，也是狠狠期待了。

最后，不妨再來認(rèn)識一下六位作者。

Eugene Yan

他目前是亞馬遜高級應(yīng)用科學(xué)家，負(fù)責(zé)構(gòu)建服務(wù)全球數(shù)百萬客戶的推薦系統(tǒng)，并應(yīng)用大語言模型來更好地服務(wù)客戶。

此前，他曾在Lazada（被阿里巴巴收購）和一家健康科技初創(chuàng)公司領(lǐng)導(dǎo)機器學(xué)習(xí)團隊。他在eugeneyan.com和ApplyingML.com上撰寫并發(fā)表關(guān)于機器學(xué)習(xí)、推薦系統(tǒng)、大語言模型及工程方面的文章和演講。

Bryan Bischof

Bryan Bischof是Hex的AI負(fù)責(zé)人，領(lǐng)導(dǎo)工程師團隊開發(fā)了Magic——數(shù)據(jù)科學(xué)和分析助手。

他在數(shù)據(jù)領(lǐng)域有豐富的工作經(jīng)驗，曾創(chuàng)建了Blue Bottle Coffee、Weights and Biases的數(shù)據(jù)團隊，領(lǐng)導(dǎo)了Stitch Fix的多個項目，還曾與O’Reilly合寫了“Building Production Recommendation Systems”一書，并在羅格斯大學(xué)教授數(shù)據(jù)科學(xué)和分析課程。他擁有純數(shù)學(xué)博士學(xué)位。

Charles Frye

Charles Frye在加州伯克利獲得了神經(jīng)網(wǎng)絡(luò)優(yōu)化方面的博士學(xué)位。

他通過在Weights and Biases、Full Stack Deep Learning和Modal的教育和咨詢工作，教授了數(shù)千人從線性代數(shù)基礎(chǔ)到GPU奧秘以及構(gòu)建可行商業(yè)模式的整個AI應(yīng)用開發(fā)過程。

Hamel Husain

Hamel Husain是一位擁有超過25年經(jīng)驗的機器學(xué)習(xí)工程師。

他曾就職于Airbnb和GitHub等，參與了OpenAI用于代碼理解的早期大語言模型研究，還領(lǐng)導(dǎo)許多受歡迎的開源機器學(xué)習(xí)工具。Hamel目前是一名幫助公司將LLM投入運營加速其AI產(chǎn)品開發(fā)的獨立顧問。

Jason Liu

Jason Liu是一位知名的機器學(xué)習(xí)顧問，在個性化算法、搜索優(yōu)化、合成數(shù)據(jù)生成和MLOps系統(tǒng)方面擁有技術(shù)專長。

他曾在Stitchfix創(chuàng)建了一個處理每日3.5億次請求的推薦框架和可觀測性工具，還曾在Meta、紐約大學(xué)以及Limitless AI和Trunk Tools等初創(chuàng)公司擔(dān)任重要角色。

Shreya Shankar

Shreya Shankar是加州伯克利計算機科學(xué)博士生和機器學(xué)習(xí)工程師。

她曾是兩家初創(chuàng)公司的首席機器學(xué)習(xí)工程師，從零開始構(gòu)建AI產(chǎn)品。她的工作重點是通過以人為中心的方法解決生產(chǎn)級機器學(xué)習(xí)系統(tǒng)中的數(shù)據(jù)挑戰(zhàn)，研究成果發(fā)表在VLDB、SIGMOD、CIDR和CSCW等頂級數(shù)據(jù)管理和人機交互會議上。

另外，作者們還計劃舉辦一場線上直播（北京時間6月21日上午），就大模型產(chǎn)品開發(fā)展開更多分享，感興趣的朋友可以報名了。

閱讀原文

https://www.oreilly.com/radar/what-we-learned-from-a-year-of-building-with-llms-part-i/

https://www.oreilly.com/radar/what-we-learned-from-a-year-of-building-with-llms-part-ii/

線上直播活動:

https://lu.ma/e8huz3s6

參考鏈接:

[1]https://news.ycombinator.com/item?id=40508390

—完—

以上就是關(guān)于【六位一線AI工程師總結(jié)爆火！大模型應(yīng)用摸爬滾打一年心得公開，網(wǎng)友：全程高能】的相關(guān)內(nèi)容，希望對大家有幫助！