提示詞運用

# 提示詞運用

大語言模型如何與工廠的生產數據結合起來，這是業界一直在探尋的問題。目前在大語言模型領域主流使用的方式有以下兩種：Agent與Workflow：

Agent 的特點
- 自主性：Agent 能根據目標和上下文，自己規劃執行步驟，而不是被固定流程約束。
- 靈活性：遇到新情況時，Agent 可以呼叫工具、調整策略，甚至改變原有計劃。
- 泛化能力：同一個 Agent 可以用在不同場景，只要它能訪問所需資源/工具。
- 不確定性：由於基於推理、概率和大模型產生，Agent 的行為可能每次都有差異。
適合場景：探索性任務、需要動態決策的複雜流程，比如智能客服、程式碼除錯助手、數據分析探索。
Workflow 的特點
- 確定性：Workflow 是預定義的，按照固定節點（A → B → C）執行，不會隨意偏離。
- 可控性：業務流程、審批流、生產排程這類需要合規、可審計的場景，Workflow 更可靠。
- 可重複性：相同輸入 → 一定得到相同結果。
- 可編排性：能清楚地看到流程圖，方便團隊協作、維護。
適合場景：需要高度確定和穩定的業務流程，比如訂單處理、審批流、數據清洗管道。

基於工廠生產的數據要求，更傾向於使用Workflow來解決實際的問題。smeGPT中提供了提示詞功能，以用來實現Workflow所需的功能。

在介紹提示詞相關的功能前，需要對提示詞中的一些關鍵概念有基本的瞭解。

提示詞是以事件為驅動，以步驟為基礎，進而實現工作流程的運行。

事件：是一個基本的對象，會攜帶參數數據，同時也會攜帶上下文。可以類比為一個快遞包裹，裡面裝著需要處理的數據。
步驟：處理事件的對象，在收到事件后，就會觸發處理的流程，處理完成後，會將其產生的結果包裝成其後續的事件。可以類比為快遞中轉站，每個站點收到事件，就會根據內容做一些處理，然後可能再發出新的事件，送到下一個節點。
參數：要傳遞的資訊，相當於是快遞包裹中的物品。

以下是這些過程流轉的連線示意圖：

接下來，將詳細介紹如何在smeGPT中建立一個可以使用的提示詞。

在[企業GPT]-[GPT應用設定]-[提示詞設定]中，建立一個提示詞。

填寫提示詞說明。提示詞說明是用來描述提示詞的作用，以及提示詞的應用場景。這些內容務必要描述清楚，因為在實際運行時，這些內容都會提供給大語言模型，需要根據這些內容來讓大語言模型判斷是否選用這個提示詞來運行。如果描述不清楚，會導致提示詞選擇錯誤，無法獲取到預期的結果。如果提示詞需要引入參數，則繼續新增提示詞參數的說明，這會幫助大語言模型理解使用者提問，並從提問中提取出參數所需的值。

填寫提示詞的事件。一個提示詞中可以有多個事件，需要把這些事件都列舉清楚，但是入口事件只能有一個，入口事件就是用來標註從哪個事件開始觸發運行的。填寫完成後，點選[產生程式碼]，會將提示詞事件的程式碼基礎結構建立出來。這部分程式碼使用的是Python語法，在程式碼產生后，可以點選[編輯程式碼]，打開程式碼編輯框，對Python程式碼進行編輯操作。

填寫提示詞的步驟。提示詞步驟中用於處理提示詞事件傳遞的參數資訊。標註了從哪個起始事件中獲取參數，並在處理完成後將參數傳遞給指定的結束事件。起始事件(startEvent)已在smeGPT中預先設定好，最後一個步驟的結束事件應填寫StopEvent。填寫完成後，點選[產生程式碼]，會將提示詞事件的程式碼基礎結構建立出來。這部分程式碼使用的是Python語法，在程式碼產生后，可以點選[編輯程式碼]，打開程式碼編輯框，對Python程式碼進行編輯操作。