AI說書 - Prompt Engineering - 151 | 自動輸出細化實踐

我們人類和ChatGPT的對話技巧也是需要學習的，有鑑於此，我想要一天分享一點「和ChatGPT對話的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。

實踐

停止條件在自動輸出細化中發揮關鍵作用，確保系統在合理範圍內運行，保持效率並避免過度複雜化，確定何時停止迭代回饋和細化週期至關重要，這不僅是為了計算的考慮，也是為了確保輸出的品質，這裡更深入地探討了停止條件的細微差別：

• 基於閾值的停止：這本質上與評分系統相關，一旦內容達到預先定義的分數閾值 (表示所需的品質等級)，細化過程就可以停止，這提供了系統和用戶都可以輕鬆理解並採取行動的有形指標
• 收斂檢測：如果連續迭代導致分數或品質沒有改善，則這是收斂的明顯指標，在這種情況下，額外的迭代可能是多餘的，可以停止以節省資源
• 迭代次數：一個簡單的方法是設定最大迭代次數，一旦達到此限制，無論達到的品質如何，精煉過程都會停止，這確保了計算時間和所用資源的可預測性
• 外部回饋整合：如果最終使用者或外部評估者是循環的一部分，他們的回饋可以成為停止條件的一部分，例如，一旦用戶滿意度達到一定水平，或者當多個用戶提供一致的回饋而無需進一步細化時，該過程就可以得出結論
• 基於持續時間的停止：特別與時間敏感的任務相關，此條件為細化過程設定時間，無論迭代次數或達到的品質為何，一旦分配的時間到期，細化就會停止
• 資源限制：特別是在運算能力有限或預算限制的環境中，該流程可能會設計為在消耗一定量的運算資源後停止

結合適當的停止條件既是一門藝術，也是一門科學，它需要在實現高品質產出和高效能之間取得平衡，太早，模型可能會錯過潛在的增強功能；太晚，則可能會出現過度擬合或在可忽略不計的改進上浪費資源的風險。