Wenqi Zhang
Wenqi Zhang
> 感谢回答，关于获取数据这一步我理解了。其实还有一个疑问，就是我看main里面的run函数似乎并没有生成接口代码相关的内容，请问关于生成接口代码的这一块是怎么自动完成的，还是说是人工将其放入tool.py的？ 生成接口函数这部分没有完全开源，论文里提供了prompt和整个流程，代码涉及到一些商业所以每开源。工具接口生成这个过程最后输出的是tool.py里的每一个函数，然后做一些单元测试之类的简单筛选
with open(filename, 'r', encoding='utf-8') as f: prompt_task_dict = json.load(f) 你明确指定下编码方法试试吧 ，很容易debug
我用的是微软云的openai，你要用openai官网的api稍微改下接口就可以
输入不是固定的，只是我给的例子比较少。因此gpt的输入长度限制，写不了太多例子。 意图检测是不难做的，只要你给LLM提供了意图可选范围。 1-如果意图不合理，一般要给用户提示，然后通过交互的方式让用户修正。后面版本应该会增加这个功能 2-你这个是传统做NLP那些的语义解析信息抽取的思路，大模型时代这些交给大模型做就行，不用划分这么清楚，告诉LLM要映射成啥样就可以，多写几个例子
这种问题不是我考虑的哈 Wey ***@***.***> 于2023年7月21日周五 10:19写道： > 您好，我看你的demo，有个疑问，请帮忙解答下： > 当我查询某家公司时，同一个实体公司（腾讯控股），可能有多种叫法（腾讯、鹅厂等），怎么实现识别为同一公司，给到接口查询返回结果呢？ > > — > Reply to this email directly, view it on GitHub > , > or unsubscribe > > ....
> 看起来就是借助In Context Learning使得模型在不微调的情况就能准确理解特定领域的用户意图。 请问： 1、相比zero shot，ICL的方式在意图识别准确率上会带来多大比例的提升呢？ 2、gpt的输入长度限制问题怎么解决呢？总不能出现个badcase就加到prompt里面 1- ICL的提升是比较显著的，具体得用benchmark做评估。我觉得关键也不是ICL，而是使用大模型来管理和调用数据，把例子放在prompt只是让模型性能更好些而已 2- 其实常见的需求就那几种，完全可以把一些看meta case‘在prompt。或者用这些case的数据微调模型，把这种能力内化到模型参数
论文里提供了一些prompt基本是可以用，代码这块涉及一些商业项目，现在没法开源
有些数据权限要求高
感谢建议。我们会在下版本上增加其他模型接口
Firstly, openai's json function is just an interface, which saves the time of writing instruction. Our project is designed for a specific business scenario, first let LLM design a set...