Conversații și feedback
Conversațiile oferă exemple reale de unde sistemul ajută și unde greșește.
Ce vei învăța
- Explici: definește succesul înainte de optimizare
- Aplici ideea într-un exemplu: Conversații și feedback
- Recunoști limitele și verifici rezultatul exercițiului
Conversațiile oferă exemple reale de unde sistemul ajută și unde greșește. Feedbackul trebuie transformat într-o cauză și un test.
Pașii se referă la funcționalități identificate în codul aplicației. Validarea pe o instanță live nu a fost efectuată pentru acest material; verifică documentația și opțiunile din versiunea ta.
Cum funcționează, pas cu pas
Definește succesul înainte de optimizare
Pregătește un set de cereri reprezentative și răspunsuri sau proprietăți așteptate. Include cazuri obișnuite, ambigue, fără date și cu erori de unelte. Pentru RAG măsoară separat găsirea dovezii și corectitudinea răspunsului. Recall@k urmărește proporția dovezilor relevante găsite în primele k rezultate; precision@k urmărește proporția rezultatelor relevante. Pentru agenți urmărește și acțiunile, accesul și oprirea. Un LLM-as-judge poate accelera evaluarea, dar se calibrează față de oameni. Nu modifica simultan promptul, modelul și indexul dacă vrei să înțelegi cauza îmbunătățirii.
Fluența și adevărul se verifică separat
O halucinație este un conținut nesusținut sau incorect prezentat drept răspuns. Poate apărea din lipsă de informație, ambiguitate sau combinarea greșită a unor tipare. Cere dovezi și verifică documentul original, data, unitățile și condițiile. O citare care există poate să nu susțină afirmația. Pentru date actuale folosește o sursă actuală; pentru calcule folosește un calculator; pentru lipsa datelor acceptă „nu pot determina”. Nu trata nivelul de încredere exprimat în text drept probabilitate calibrată.
Erorile au nevoie de trasee explicite
Un timeout nu este același lucru cu o eroare de permisiune. Reîncearcă doar erorile tranzitorii, cu un număr limitat de încercări și pauze crescătoare. O operație cu efecte poate fi executată înainte ca răspunsul să se piardă; repetarea fără cheie de idempotency poate dubla efectul. Streaming arată progresul, dar nu garantează finalizarea. Checkpoint-urile pot permite reluarea etapelor eșuate, în limitele runtime-ului. Păstrează identificatorul rulării, etapa, durata și eroarea, eliminând secretele din logs. Măsoară și cel mai lent traseu, nu doar media.
Harta vizuală
Urmărește săgețile continue pentru fluxul principal. Săgețile albastre punctate furnizează date sau context; cele roz punctate arată feedback sau rezultate care revin. Culorile și formele disting modelele, stocările, deciziile și rezultatele. Pe ecrane mici, derulează orizontal pentru a urmări întreaga diagramă.
Un exemplu complet
„Răspuns inutil” poate însemna termen greșit, limbaj tehnic sau tool indisponibil. Citești conversația, identifici cauza și adaugi cazul în setul de regresie.
Încearcă tu
- Revizuiește zece conversații fictive și grupează erorile după cauză.
- Notează intrarea, sursa și rezultatul așteptat înainte să rulezi experimentul. Folosește doar datele fictive din exemplu.
- Urmărește etapele din diagramă. La fiecare pas scrie ce informație primește și ce produce; nu confunda rezultatul intermediar cu rezultatul final.
- Repetă cazul după eliminarea unei informații necesare sau după o intrare ambiguă. Verifică dacă sistemul cere clarificare, se oprește sau inventează.
- Compară cu soluția comentată. Păstrează configurația, data, rezultatul și o explicație pentru orice diferență. Schimbă un singur lucru și retestează.
Soluție comentată
Fiecare observație are o cauză, o schimbare propusă și o verificare ulterioară. Pentru a considera exercițiul reușit, poți arăta legătura dintre intrare, etapele parcurse și rezultat. Dacă lipsesc date, un răspuns prudent este mai util decât o completare inventată. Nu compara doar stilul: verifică și condițiile, sursele și operațiile efectuate.
Când merită și ce poate merge prost
Feedbackul pozitiv nu este etichetă garantată de adevăr. Alege această abordare când îmbunătățește o nevoie măsurată. Păstrează o variantă simplă ca referință și compară rezultatele pe aceleași intrări. Un singur exemplu reușit nu stabilește fiabilitatea în toate situațiile.
Verifică ce ai înțeles
O notă bună de stil dovedește succesul unui agent?
Nu. Agentul poate scrie frumos după ce a folosit unealta sau datele greșite.
Ajunge să existe un link în răspuns?
Nu; sursa trebuie să susțină exact afirmația și să fie potrivită momentului și situației.
Ce rezultat trebuie să obții în acest exercițiu?
Fiecare observație are o cauză, o schimbare propusă și o verificare ulterioară.
Cuvinte de ținut minte
- Regresie / Regression: O schimbare care strică un caz anterior corect.
- Grounding: Ancorarea răspunsului în dovezi verificabile.
- Idempotency: Repetarea controlată fără duplicarea efectului.
Surse și următorul pas
Pentru pregătire: U03 — Stop, Resume și Restart