ਸਿਸਟਮ ਪ੍ਰੌਂਪਟ ਲਰਨਿੰਗ: AI ਸਿਸਟਮਾਂ ਲਈ ਇੱਕ ਨਵਾਂ ਦ੍ਰਿਸ਼ਟੀਕੋਣ

ਕੀ ਤੁਹਾਡੇ ਨਾਲ ਕਦੇ ਅਜਿਹਾ ਹੋਇਆ ਹੈ ਕਿ ਕੋਈ ਖ਼ਾਸ ਪ੍ਰੌਂਪਟ ਵਧੀਆ ਕੰਮ ਕਰ ਰਿਹਾ ਹੋਵੇ, ਪਰ ਅਚਾਨਕ ਕੰਮ ਕਰਨਾ ਬੰਦ ਕਰ ਦੇਵੇ?

ਕੀ ਤੁਸੀਂ ਕਦੇ ਨਤੀਜੇ ਸੁਧਾਰਨ ਲਈ ਆਪਣੇ ਸਿਸਟਮ ਪ੍ਰੌਂਪਟ ਵਿੱਚ ਲਗਾਤਾਰ ਸੁਧਾਰ ਕਰਦੇ ਰਹੇ ਹੋ, ਪਰ ਕੁਝ ਵੀ ਕੰਮ ਨਾ ਆਇਆ ਹੋਵੇ?

ਸਿਸਟਮ ਪ੍ਰੌਂਪਟ ਲਰਨਿੰਗ ਸ਼ਾਇਦ ਉਹੀ ਹੈ ਜਿਸਦੀ ਤੁਹਾਨੂੰ ਲੋੜ ਹੈ.

ਸਿਸਟਮ ਪ੍ਰੌਂਪਟ ਲਰਨਿੰਗ (SPL) AI ਭਾਈਚਾਰੇ ਵਿੱਚ ਦਿਲਚਸਪੀ ਦਾ ਇੱਕ ਉੱਭਰਦਾ ਖੇਤਰ ਹੈ ਅਤੇ ਮਈ ਵਿੱਚ Andrej Karpathy ਨੇ X ਉੱਤੇ ਇਸਨੂੰ ਵਿਆਪਕ ਤੌਰ ’ਤੇ ਪ੍ਰਸਿੱਧ ਕੀਤਾ ਸੀ.

ਸਿਸਟਮ ਪ੍ਰੌਂਪਟ ਲਰਨਿੰਗ ਸਥਿਰ ਸਿਸਟਮ ਪ੍ਰੌਂਪਟਾਂ ਜਾਂ ਬੋਝਲ ਫਾਈਨ-ਟਿਊਨਿੰਗ ਵਿਵਸਥਾਵਾਂ ਉੱਤੇ ਨਿਰਭਰ, ਲਚਕਹੀਣ ਅਤੇ ਕਮਜ਼ੋਰ AI ਸਿਸਟਮਾਂ ਦੀਆਂ ਸੀਮਾਵਾਂ ਨੂੰ ਦੂਰ ਕਰਦੀ ਹੈ. ਇਹ AI ਸਿਸਟਮਾਂ ਵਿੱਚ ਲਗਾਤਾਰ ਸਿੱਖਣ ਦਾ ਸਮਰਥਨ ਕਰਨ ਦਾ ਇੱਕ ਹੋਰ ਤਰੀਕਾ ਪੇਸ਼ ਕਰਦੀ ਹੈ.

ਅੱਗੇ ਵਧਣ ਤੋਂ ਪਹਿਲਾਂ, ਆਓ ਪ੍ਰੌਂਪਟ ਦੇਣ ਦੀਆਂ ਕੁਝ ਬੁਨਿਆਦੀ ਗੱਲਾਂ ਸੰਖੇਪ ਵਿੱਚ ਸਮਝੀਏ.

ਕੋਈ ਏਜੰਟ ਜਾਂ ਕਸਟਮ ਮਾਡਲ ਬਣਾਉਂਦੇ ਸਮੇਂ, ਸਾਨੂੰ ਪਹਿਲਾਂ ਦੋ ਮੁੱਖ ਹਿੱਸੇ ਤਿਆਰ ਕਰਨੇ ਪੈਂਦੇ ਹਨ:

1. ਇੱਕ ਸਿਸਟਮ ਪ੍ਰੌਂਪਟ

2. ਇੱਕ ਵਰਤੋਂਕਾਰ ਪ੍ਰੌਂਪਟ

ਸਿਸਟਮ ਪ੍ਰੌਂਪਟ ਮਾਡਲ ਦੇ ਵਿਹਾਰ ਲਈ ਬੁਨਿਆਦੀ ਨਿਯਮ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹਨ. ਕਸਟਮ AI ਹੱਲਾਂ ਲਈ ਲਿਖੇ ਜਾਣ ’ਤੇ, ਉਹ ਅਕਸਰ ਇਸ ਤਰ੍ਹਾਂ ਸ਼ੁਰੂ ਹੁੰਦੇ ਹਨ:

“ਤੁਸੀਂ ਇੱਕ ਬੁੱਧੀਮਾਨ ਸਹਾਇਕ ਹੋ. ਤੁਹਾਡੀ ਭੂਮਿਕਾ <ਇੱਥੇ ਕੰਮ ਸ਼ਾਮਲ ਕਰੋ> ਨੂੰ ਪੂਰਾ ਕਰਨਾ ਹੈ.

ਤੁਸੀਂ (A), (B), ਜਾਂ (C) ਨਹੀਂ ਕਰਨਾ.”

ਇਸਦੇ ਉਲਟ, ਵਰਤੋਂਕਾਰ ਪ੍ਰੌਂਪਟਾਂ ਵਿੱਚ ਆਮ ਤੌਰ ’ਤੇ ਵਰਤੋਂਕਾਰ ਦਾ ਸਵਾਲ ਅਤੇ ਉਸਦਾ ਸਮਾਂ ਖੇਤਰ ਤੇ ਤਰਜੀਹਾਂ ਵਰਗੀ ਹੋਰ ਸੰਬੰਧਿਤ ਜਾਣਕਾਰੀ ਹੁੰਦੀ ਹੈ. ਵਰਤੋਂਕਾਰ ਪ੍ਰੌਂਪਟ ਇਸ ਤਰ੍ਹਾਂ ਦਾ ਹੋ ਸਕਦਾ ਹੈ:

ਮੈਂ ਪੁਰਤਗਾਲ ਦੀ ਰਾਜਧਾਨੀ ਵਿੱਚ ਹਾਂ. ਕੀ ਤੁਸੀਂ ਅੱਜ ਰਾਤ ਕਰਨ ਲਈ ਕੁਝ ਗਤੀਵਿਧੀਆਂ ਸੁਝਾ ਸਕਦੇ ਹੋ?

ਵੱਡੀਆਂ AI ਪ੍ਰਯੋਗਸ਼ਾਲਾਵਾਂ ਵੱਲੋਂ ਨਵੇਂ ਮਾਡਲ ਜਾਰੀ ਹੋਣ ਮਗਰੋਂ ਸਿਸਟਮ ਪ੍ਰੌਂਪਟ ਲੀਕ ਆਮ ਹੋ ਗਏ ਹਨ, ਕਿਉਂਕਿ ਵਰਤੋਂਕਾਰ ਚੈਟਬੌਟਾਂ ਨੂੰ ਜੇਲ੍ਹਬ੍ਰੇਕ ਕਰਕੇ ਉਨ੍ਹਾਂ ਦੀਆਂ ਅੰਦਰੂਨੀ ਹਦਾਇਤਾਂ ਪ੍ਰਗਟ ਕਰਵਾ ਲੈਂਦੇ ਹਨ. ਹੁਣ ਇੱਕ ਪ੍ਰਸਿੱਧ GitHub ਰਿਪੋਜ਼ਟਰੀ ਇਨ੍ਹਾਂ ਵਿੱਚੋਂ ਕਈ ਸਿਸਟਮ ਪ੍ਰੌਂਪਟਾਂ ਨੂੰ ਇੱਕ ਥਾਂ ਇਕੱਠਾ ਕਰਦੀ ਹੈ. ਉਹ ਸਮੇਂ ਦੇ ਨਾਲ ਢੁਕਵਾਂ ਮਾਡਲ ਵਿਹਾਰ ਉਤਸ਼ਾਹਿਤ ਕਰਨ ਲਈ AI ਪ੍ਰਯੋਗਸ਼ਾਲਾਵਾਂ ਵੱਲੋਂ ਵਿਕਸਿਤ ਕੀਤੇ “ਗੁਪਤ ਨੁਸਖ਼ੇ” ਨੂੰ ਪ੍ਰਗਟ ਕਰਦੇ ਹਨ. ਉਦਾਹਰਨ ਵਜੋਂ, ਹਾਲ ਹੀ ਵਿੱਚ ਲੀਕ ਹੋਏ GPT-5 ਸਿਸਟਮ ਪ੍ਰੌਂਪਟ (ਜੋ ChatGPT ਵਿੱਚ ਸਾਹਮਣੇ ਆਇਆ) ਵਿੱਚ ਲਗਭਗ 6,000 ਸ਼ਬਦ ਹਨ. ਇਹ ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਸਿਸਟਮ ਦੇ ਵਿਹਾਰ ਨੂੰ ਢਾਲਣ ਲਈ ਕਿੰਨਾ ਗਿਆਨ ਅਤੇ ਮਾਰਗਦਰਸ਼ਨ ਕੋਡਬੱਧ ਕਰਨਾ ਪੈਂਦਾ ਹੈ.

ਇਹ ਵਿਸਤ੍ਰਿਤ ਸਿਸਟਮ ਪ੍ਰੌਂਪਟ ਆਮ ਤੌਰ ’ਤੇ ਕਈ ਮੁੱਖ ਖੇਤਰਾਂ ਨੂੰ ਕਵਰ ਕਰਦੇ ਹਨ, ਜਿਵੇਂ:

• ਖੋਜ ਸੰਬੰਧੀ ਹਦਾਇਤਾਂ

• ਟੂਲਾਂ ਦੀਆਂ ਪਰਿਭਾਸ਼ਾਵਾਂ

• ਵਰਤੋਂਕਾਰ ਦੀਆਂ ਤਰਜੀਹਾਂ

• ਹਵਾਲਿਆਂ ਸੰਬੰਧੀ ਹਦਾਇਤਾਂ

• ਜਾਣੀਆਂ-ਪਛਾਣੀਆਂ ਸਮੱਸਿਆਵਾਂ ਲਈ ਤੁਰੰਤ ਸੁਧਾਰ

ਅਮਲ ਵਿੱਚ, ਕਸਟਮ AI ਸਿਸਟਮਾਂ ਦੇ ਡਿਵੈਲਪਰ ਆਪਣੀਆਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੀ ਜਾਂਚ ਅਤੇ ਸੁਧਾਰ ਦੌਰਾਨ ਸਿਸਟਮ ਪ੍ਰੌਂਪਟਾਂ ਵਿੱਚ ਵਾਰ-ਵਾਰ ਹੱਥੀਂ ਸੋਧ ਕਰਦੇ ਹਨ. ਇਸ ਸੁਧਾਰ ਪ੍ਰਕਿਰਿਆ ਦੀ ਅਗਵਾਈ ਮੁੱਖ ਤੌਰ ’ਤੇ ਮੁਲਾਂਕਣਾਂ ਰਾਹੀਂ ਹੁੰਦੀ ਹੈ.

ਮਾਡਲ ਦੇ ਵਿਹਾਰ ਨੂੰ ਸੇਧ ਦੇਣ ਦੇ ਹੋਰ ਤਰੀਕਿਆਂ ਵਿੱਚ ਇਹ ਸ਼ਾਮਲ ਹਨ:

• ਪ੍ਰੌੰਪਟ ਇੰਜੀਨੀਅਰਿੰਗ, ਜਿਸ ਵਿੱਚ ਪ੍ਰਾਪਤੀ-ਵਧਾਈ ਜਨਰੇਸ਼ਨ (RAG) ਸ਼ਾਮਲ ਹੈ ਅਤੇ ਜੋ ਮਾਡਲ ਨੂੰ ਦਿੱਤੀ ਜਾਣ ਵਾਲੀ ਸਮੱਗਰੀ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰਦੀ ਹੈ

• ਫਾਈਨ-ਟਿਊਨਿੰਗ (ਮਾਡਲ ਦੇ ਅੰਦਰੂਨੀ ਵੇਟਾਂ ਨੂੰ ਸਿੱਧਾ ਬਦਲਣਾ)

ਜੇ ਮਾਡਲ ਦੇ ਵਿਹਾਰ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਨ ਦਾ ਕੋਈ ਹੋਰ ਤਰੀਕਾ ਹੋਵੇ ਤਾਂ? ਅਜਿਹੇ ਸਿਸਟਮ ਦੀ ਕਲਪਨਾ ਕਰੋ ਜੋ ਪਹਿਲਾਂ ਪੈਦਾ ਕੀਤੇ ਵਿਚਾਰਾਂ, ਯੋਜਨਾਵਾਂ ਅਤੇ ਰਣਨੀਤੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਆਪਣੇ ਸਿਸਟਮ ਪ੍ਰੌਂਪਟ ਨੂੰ ਗਤੀਸ਼ੀਲ ਢੰਗ ਨਾਲ ਸਿੱਖਦਾ ਅਤੇ ਸੁਧਾਰਦਾ ਹੈ. ਇਹ ਆਪਣੇ ਨਤੀਜਿਆਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਵਰਤੋਂਕਾਰ ਦੀ ਪ੍ਰਤੀਕਿਰਿਆ ਅਤੇ ਨਿਰਣਾਇਕ ਵਜੋਂ LLM ਦੇ ਮੁਲਾਂਕਣਾਂ, ਦੋਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦਾ ਹੈ.

ਕਿਸੇ ਅਜਿਹੀ ਲਗਾਤਾਰ ਕਾਰੋਬਾਰੀ ਚੁਣੌਤੀ ਬਾਰੇ ਸੋਚੋ ਜਿਸਨੂੰ ਤੁਸੀਂ ਏਜੰਟ-ਆਧਾਰਿਤ ਸਿਸਟਮ ਰਾਹੀਂ ਸਵੈਚਾਲਿਤ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ. ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੱਲਾਂ ਲਈ ਬੁਨਿਆਦੀ ਕਾਰਜ-ਪ੍ਰਵਾਹ ਸਵੈਚਾਲਨ ਤੋਂ ਵੱਧ ਰੀਜ਼ਨਿੰਗ ਸਮਰੱਥਾਵਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ. ਅਜਿਹੇ ਮਾਮਲਿਆਂ ਵਿੱਚ, ਆਪਣੇ AI ਸਿਸਟਮ ਵਿੱਚ ਯੋਜਨਾ ਬਣਾਉਣ ਵਾਲਾ ਹਿੱਸਾ ਸ਼ਾਮਲ ਕਰਨਾ ਜ਼ਰੂਰੀ ਹੋ ਜਾਂਦਾ ਹੈ. ਇਸ ਨਾਲ ਸਿਸਟਮ ਕੰਮ ਮੁਤਾਬਕ ਕਈ ਏਜੰਟਾਂ ਨਾਲ ਵੱਖ-ਵੱਖ ਢੰਗਾਂ ਨਾਲ ਕੰਮ ਕਰ ਸਕਦਾ ਹੈ. ਵੱਖਰੇ ਕਦਮਾਂ ਵਿੱਚ ਉਪ-ਕੰਮ ਪੂਰੇ ਕਰਨ ਲਈ ਹੋਰ ਏਜੰਟਾਂ ਤੱਕ ਪਹੁੰਚਣ ਜਾਂ ਟੂਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਸੰਬੰਧੀ ਹਦਾਇਤਾਂ ਸ਼ਾਮਲ ਹੋ ਸਕਦੀਆਂ ਹਨ.

ਨੋਟ: ਏਜੰਟ ਟੂਲ ਕੋਈ ਵੀ ਬਾਹਰੀ ਫੰਕਸ਼ਨ, API ਜਾਂ ਸਰੋਤ ਹੁੰਦਾ ਹੈ ਜਿਸਨੂੰ AI ਏਜੰਟ ਲਿਖਤ ਤੋਂ ਅੱਗੇ ਵਧ ਕੇ ਅਸਲ ਕਾਰਵਾਈਆਂ ਕਰਨ ਲਈ ਵਰਤ ਸਕਦਾ ਹੈ.

ਤੁਸੀਂ ਮਾਡਲ ਦੇ ਸਿਸਟਮ ਪ੍ਰੌਂਪਟ ਨੂੰ ਉਸ ਯੋਜਨਾ ਨਾਲ “ਸ਼ੁਰੂਆਤੀ ਆਧਾਰ” ਦੇ ਸਕਦੇ ਹੋ ਜੋ ਮਨੁੱਖ ਵੱਲੋਂ ਅਪਣਾਏ ਜਾਣ ਵਾਲੇ ਤਰਕਸੰਗਤ ਕਦਮਾਂ ਦੀ ਪਾਲਣਾ ਕਰਦੀ ਹੋਵੇ. ਹਾਲਾਂਕਿ LLM ਨੂੰ ਆਮ ਤੌਰ ’ਤੇ ਟੂਲ ਦੀ ਵਰਤੋਂ, ਨਤੀਜੇ ਦੀ ਬਣਤਰ ਅਤੇ ਸੰਬੰਧਿਤ ਲੋੜਾਂ ਬਾਰੇ ਹੋਰ ਖ਼ਾਸ ਮਾਰਗਦਰਸ਼ਨ ਚਾਹੀਦਾ ਹੈ. ਕਈ ਵਾਰ ਸਭ ਤੋਂ ਵਧੀਆ ਰਣਨੀਤੀ ਸਪਸ਼ਟ ਨਹੀਂ ਹੁੰਦੀ, ਜਾਂ ਤੁਸੀਂ ਅਜਿਹੀ ਸਮੱਸਿਆ ਨਾਲ ਨਜਿੱਠ ਰਹੇ ਹੋ ਸਕਦੇ ਹੋ ਜਿਸਨੂੰ ਪਹਿਲਾਂ ਹੱਲ ਹੋਈ ਮੰਨਣ ਕਰਕੇ ਮੁੜ ਨਹੀਂ ਪਰਖਿਆ ਗਿਆ. ਇੱਥੇ ਹੀ ਸਿਸਟਮ ਪ੍ਰੌਂਪਟ ਲਰਨਿੰਗ (SPL) ਕੰਮ ਆਉਂਦੀ ਹੈ.

SPL ਪਹਿਲਾਂ ਬਣਾਈਆਂ ਰਣਨੀਤੀਆਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਕੇ ਸਿਸਟਮ ਪ੍ਰੌਂਪਟ ਨੂੰ ਵਾਰ-ਵਾਰ ਸੁਧਾਰਦੀ ਹੈ. ਨਵੀਆਂ ਸਮੱਸਿਆਵਾਂ ਸਾਹਮਣੇ ਆਉਣ ਨਾਲ ਸਿਸਟਮ ਹੌਲੀ-ਹੌਲੀ ਗਿਆਨ ਇਕੱਠਾ ਕਰਦਾ ਅਤੇ ਹੋਰ ਮਜ਼ਬੂਤ ਬਣਦਾ ਹੈ. ਇਸਨੂੰ ਆਪਣੇ ਖੇਤਰ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ ਹੱਲ ਕਰਨ ਲਈ ਇੱਕ ਨਿਯਮ-ਪੁਸਤਕ ਬਣਾਉਣ ਵਾਂਗ ਸਮਝੋ.

SPL ਵਰਤੋਂਕਾਰ ਦੀ ਪ੍ਰਤੀਕਿਰਿਆ ਤੋਂ ਮਿਲੀ ਸੂਝ ਨੂੰ ਹੌਲੀ-ਹੌਲੀ ਸਿਸਟਮ ਪ੍ਰੌਂਪਟ ਵਿੱਚ ਸ਼ਾਮਲ ਕਰਦੀ ਹੈ. ਤੁਹਾਡੇ ਸਿਸਟਮ ਦੇ ਪਰਿਪੱਕ ਹੋਣ ਨਾਲ ਤੁਹਾਨੂੰ ਵਾਰ-ਵਾਰ ਆਉਣ ਵਾਲੀਆਂ ਅਜਿਹੀਆਂ ਸਮੱਸਿਆਵਾਂ ਮਿਲ ਸਕਦੀਆਂ ਹਨ ਜਿਨ੍ਹਾਂ ਨੂੰ ਵਧੇਰੇ ਆਮ ਅਤੇ ਉੱਚ-ਪੱਧਰੀ ਸਿਧਾਂਤਾਂ ਵਿੱਚ ਬਦਲਿਆ ਜਾ ਸਕਦਾ ਹੈ.

ਆਓ ਹੋਰ ਨੇੜਿਓਂ ਦੇਖੀਏ ਕਿ ਇਹ ਪ੍ਰਕਿਰਿਆ ਕਦਮ-ਦਰ-ਕਦਮ ਕਿਵੇਂ ਕੰਮ ਕਰਦੀ ਹੈ:

1. ਵਰਤੋਂਕਾਰ ਦੇ ਸਵਾਲ ਨਾਲ ਸ਼ੁਰੂ ਕਰੋ ਅਤੇ ਸਿਸਟਮ ਨੂੰ ਕੋਈ ਖ਼ਾਸ ਕੰਮ ਕਰਨ ਲਈ ਕਹੋ.

2. 1. ਜੇ ਤੁਹਾਡਾ ਸਿਸਟਮ ਸਿਰਫ਼ ਇੱਕ ਸਮੱਸਿਆ ਹੱਲ ਕਰਦਾ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਪਿਛਲੀਆਂ ਕੋਸ਼ਿਸ਼ਾਂ ਵਿੱਚੋਂ ਸਭ ਤੋਂ ਵੱਧ ਅੰਕ ਵਾਲੀਆਂ ਰਣਨੀਤੀਆਂ ਚੁਣ ਕੇ “ਲਾਲਚੀ” ਪਹੁੰਚ ਅਪਣਾ ਸਕਦੇ ਹੋ. ਵਿਕਲਪ ਵਜੋਂ, ਤੁਸੀਂ ਅਜਿਹੀ ਵੰਡ ਵਿੱਚੋਂ ਨਮੂਨੇ ਚੁਣ ਕੇ ਖੋਜ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰ ਸਕਦੇ ਹੋ ਜੋ ਉੱਚ ਅੰਕ ਵਾਲੀਆਂ ਰਣਨੀਤੀਆਂ ਨੂੰ ਤਰਜੀਹ ਦਿੰਦੀ ਹੋਵੇ, ਪਰ ਕਦੇ-ਕਦੇ ਘੱਟ ਅੰਕ ਵਾਲੀਆਂ ਨੂੰ ਵੀ ਸ਼ਾਮਲ ਕਰੇ. ਇਹ ਖ਼ਾਸ ਤੌਰ ’ਤੇ ਉਦੋਂ ਲਾਭਦਾਇਕ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਤੁਸੀਂ ਰਣਨੀਤੀਆਂ ਇਕੱਠੀਆਂ ਕਰਨਾ ਹੁਣੇ ਸ਼ੁਰੂ ਕੀਤਾ ਹੋਵੇ.

   2. ਵੱਖ-ਵੱਖ ਸਮੱਸਿਆ ਸਮੂਹਾਂ ਨੂੰ ਸੰਭਾਲਣ ਲਈ ਬਣੇ ਸਿਸਟਮਾਂ ਵਿੱਚ ਸੰਬੰਧਿਤ ਪਹੁੰਚਾਂ ਪਛਾਣਨ ਲਈ ਵਰਗੀਕਰਨ ਪਰਤ ਜੋੜਨ ਜਾਂ ਐਮਬੈਡਿੰਗਾਂ ਅਤੇ ਕੋਸਾਈਨ ਸਮਾਨਤਾ ਦੀ ਵਰਤੋਂ ਕਰਨ ਬਾਰੇ ਸੋਚੋ. ਇਹ ਉਹੀ ਤਕਨੀਕਾਂ ਹਨ ਜੋ ਆਮ ਤੌਰ ’ਤੇ RAG ਵਿੱਚ ਵਰਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ. ਇਸ ਨਾਲ ਤੁਸੀਂ ਖ਼ਾਸ ਸਮੱਸਿਆ ਦੇ ਅਨੁਕੂਲ ਰਣਨੀਤੀਆਂ ਚੁਣ ਸਕਦੇ ਹੋ, ਜਿਵੇਂ ਕੋਡਿੰਗ ਕੰਮਾਂ ਲਈ ਬਣਾਈਆਂ ਰਣਨੀਤੀਆਂ.

ਨੋਟ: ਐਮਬੈਡਿੰਗਾਂ ਨੂੰ ਕੋਸਾਈਨ ਸਮਾਨਤਾ ਨਾਲ ਵਰਤਣ ’ਤੇ ਅਸੀਂ ਮਾਪ ਸਕਦੇ ਹਾਂ ਕਿ ਜਾਣਕਾਰੀ ਦੇ ਦੋ ਹਿੱਸੇ ਕਿੰਨੇ ਨੇੜਿਓਂ ਸੰਬੰਧਿਤ ਹਨ. ਇਸ ਨਾਲ ਦਸਤਾਵੇਜ਼ਾਂ, ਸਵਾਲਾਂ ਜਾਂ ਵਿਚਾਰਾਂ ਨੂੰ ਮਿਲਾਉਣਾ ਸੌਖਾ ਹੋ ਜਾਂਦਾ ਹੈ, ਭਾਵੇਂ ਉਨ੍ਹਾਂ ਦੀ ਸ਼ਬਦਾਵਲੀ ਵੱਖਰੀ ਹੋਵੇ.

ਕੋਡਿੰਗ ਸਮੱਸਿਆਵਾਂ ਨਾਲ ਨਜਿੱਠਣ ਲਈ ਸਰਲ ਰਣਨੀਤੀ ਭੰਡਾਰ ਦਾ ਸ਼ੁਰੂਆਤੀ ਉਦਾਹਰਨ.

ਨੋਟ: ਇੱਥੇ ਦਿਖਾਈਆਂ “ਸ਼ੁਰੂਆਤੀ ਰਣਨੀਤੀਆਂ” ਸਿਰਫ਼ ਉਦਾਹਰਨ ਲਈ ਹਨ. ਅਸਲ ਕੋਡਿੰਗ ਸਥਿਤੀਆਂ ਵਿੱਚ ਅਸੀਂ ਉਨ੍ਹਾਂ ਨੂੰ ਹੋਰ ਸੁਧਾਰਾਂਗੇ. ਖ਼ਾਸ ਕਾਰੋਬਾਰੀ ਸਮੱਸਿਆਵਾਂ ਲਈ ਸਮੇਂ ਦੇ ਨਾਲ ਵਾਧੂ ਸੂਝ ਇਕੱਠੀ ਕਰਨ ਦੀ ਲੋੜ ਹੋਵੇਗੀ.

3. N ਦੇ ਨਮੂਨੇ ਚੁਣਨ ਮਗਰੋਂ ਉਨ੍ਹਾਂ ਨੂੰ ਸਿਸਟਮ ਪ੍ਰੌਂਪਟ ਵਿੱਚ ਸ਼ਾਮਲ ਕਰੋ. ਇਸ ਨਾਲ ਯੋਜਨਾ ਬਣਾਉਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਪਿਛਲੀ ਮਾਹਰ ਪ੍ਰਤੀਕਿਰਿਆ ਉੱਤੇ ਆਧਾਰਿਤ ਰਹਿੰਦੀ ਹੈ ਅਤੇ ਮਾਡਲ ਨੂੰ ਬਹੁਤ ਘੱਟ ਮਾਰਗਦਰਸ਼ਨ ਨਾਲ ਯੋਜਨਾਵਾਂ ਬਣਾਉਣ ਲਈ ਨਹੀਂ ਛੱਡਿਆ ਜਾਂਦਾ. ਮਾਡਲ ਨੂੰ ਨਮੂਨਾ ਰਣਨੀਤੀਆਂ ਦੀ ਹੂ-ਬ-ਹੂ ਨਕਲ ਕਰਨ ਦੀ ਬਜਾਏ “ਰਵਾਇਤੀ ਸੋਚ ਤੋਂ ਪਰੇ ਜਾਣ” ਅਤੇ ਲੋੜ ਪੈਣ ’ਤੇ ਕਦਮ ਜੋੜਨ ਲਈ ਉਤਸ਼ਾਹਿਤ ਕਰੋ.

4. ਆਪਣੇ ਗਤੀਸ਼ੀਲ ਢੰਗ ਨਾਲ ਬਣਾਏ ਸਿਸਟਮ ਪ੍ਰੌਂਪਟ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵਰਤੋਂਕਾਰ ਦੀ ਬੇਨਤੀ ਲਈ ਨਵੀਂ ਰਣਨੀਤੀ ਬਣਾਓ. ਇਸ ਪ੍ਰਕਿਰਿਆ ਤੋਂ ਅਜਿਹੇ ਵਾਧੂ ਕੰਮ ਬਣਨੇ ਚਾਹੀਦੇ ਹਨ ਜੋ ਅੰਤਿਮ ਨਤੀਜੇ ਨੂੰ ਸੁਧਾਰਨ. ਟੀਚਾ ਰਚਨਾਤਮਕਤਾ ਹੈ: ਪਿਛਲੀਆਂ ਰਣਨੀਤੀਆਂ ਦੇ ਸਭ ਤੋਂ ਮਜ਼ਬੂਤ ਤੱਤਾਂ ਨੂੰ ਮਿਲਾਓ, ਦੁਹਰਾਏ ਜਾਂਦੇ ਕਦਮਾਂ ਨੂੰ ਇਕੱਠਾ ਕਰੋ ਅਤੇ ਲੋੜ ਅਨੁਸਾਰ ਲਾਭਦਾਇਕ ਨਵੇਂ ਕਦਮ ਜੋੜੋ.

ਨੋਟ: ਯਾਦ ਰੱਖੋ ਕਿ ਤਾਪਮਾਨ ਇੱਕ ਮਾਪਦੰਡ ਹੈ ਜਿਸਨੂੰ ਵਧੇਰੇ ਵੰਨ-ਸੁਵੰਨੇ ਅਤੇ ਘੱਟ ਪੂਰਵ-ਨਿਰਧਾਰਤ ਨਤੀਜੇ ਬਣਾਉਣ ਲਈ ਬਦਲਿਆ ਜਾ ਸਕਦਾ ਹੈ. ਰਚਨਾਤਮਕਤਾ ਦੀ ਲੋੜ ਵੇਲੇ ਇਹ ਲਾਭਦਾਇਕ ਹੁੰਦਾ ਹੈ. ਤਾਪਮਾਨ ਸਿਫ਼ਰ ਤੋਂ ਵੱਧ ਹੋਣ ’ਤੇ ਹਰ ਬਣਾਈ ਯੋਜਨਾ ਵੱਖਰੀ ਹੋ ਸਕਦੀ ਹੈ.

5. ਮਾਡਲ ਦਾ ਨਤੀਜਾ ਮਿਲਣ ਮਗਰੋਂ, ਆਪਣੀ ਸਮੱਸਿਆ ਦੇ ਚੰਗੇ ਹੱਲ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਵਾਲੇ ਖ਼ਾਸ ਮਾਪਦੰਡਾਂ ਅਨੁਸਾਰ ਮਨੁੱਖੀ ਮੁਲਾਂਕਣਕਾਰ ਜਾਂ LLM ਨਿਰਣਾਇਕ ਰਾਹੀਂ ਇਸਦਾ ਮੁਲਾਂਕਣ ਕਰੋ. ਪਹਿਲਾਂ ਦੱਸੀ ਪੁਰਤਗਾਲ ਦੀਆਂ ਗਤੀਵਿਧੀਆਂ ਵਾਲੀ ਉਦਾਹਰਨ ਲਈ ਮੁਲਾਂਕਣ ਮਾਪਦੰਡਾਂ ਵਿੱਚ ਇਹ ਸ਼ਾਮਲ ਹੋ ਸਕਦੇ ਹਨ:

• ਸੰਖੇਪਤਾ (ਜਵਾਬ ਸਿਰਫ਼ ਇੱਕ ਵਾਕ ਤੱਕ ਸੀਮਿਤ ਹੋਵੇ)

• ਸੁਝਾਈ ਗਤੀਵਿਧੀ ਦੀ ਪ੍ਰਸੰਗਿਕਤਾ

• ਸਥਾਨ ਦੀ ਸ਼ੁੱਧਤਾ

6. ਇਸ ਮੁਲਾਂਕਣ ਦੇ ਆਧਾਰ ’ਤੇ ਰਣਨੀਤੀ ਨੂੰ ਸੁਧਾਰਨ ਲਈ ਕਿਸੇ ਹੋਰ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰੋ. ਇੱਕ ਵਿਕਲਪਿਕ ਪ੍ਰਤੀਕਿਰਿਆ ਚੱਕਰ ਮਨੁੱਖੀ ਰਾਏ ਸ਼ਾਮਲ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਸਾਂਝੇ ਸੁਧਾਰਾਂ ਦਾ ਸਮਰਥਨ ਕਰ ਸਕਦਾ ਹੈ. ਸੰਸਕਰਣਾਂ ਅਤੇ ਤਬਦੀਲੀਆਂ ਦਾ ਰਿਕਾਰਡ ਰੱਖਣ ਲਈ ਸੁਧਾਰੀ ਰਣਨੀਤੀ ਨੂੰ ਢੁਕਵੇਂ ਮੈਟਾਡੇਟਾ ਸਮੇਤ ਆਪਣੇ ਡੇਟਾਬੇਸ ਵਿੱਚ ਸੰਭਾਲੋ.

ਤਾਂ ਫਿਰ ਇਹ ਸਾਰੀ ਮਿਹਨਤ ਕਿਉਂ ਕਰੀਏ? ਤੁਸੀਂ ਨਤੀਜਿਆਂ ਦੀ ਹੱਥੀਂ ਸਮੀਖਿਆ ਕਰਕੇ ਸਿਸਟਮ ਪ੍ਰੌਂਪਟ ਨੂੰ ਉਸ ਅਨੁਸਾਰ ਬਦਲ ਸਕਦੇ ਹੋ. ਪਰ ਸ਼ਕਤੀਸ਼ਾਲੀ ਰੀਜ਼ਨਿੰਗ ਮਾਡਲ ਨਤੀਜੇ ਦੇ ਸੰਦਰਭ ਅਤੇ ਮਨੁੱਖੀ ਪ੍ਰਤੀਕਿਰਿਆ, ਦੋਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਰਣਨੀਤੀਆਂ ਸੁਧਾਰ ਸਕਦੇ ਹਨ. ਭਾਵੇਂ ਮਨੁੱਖ ਸਧਾਰਨ ਪਹੁੰਚਾਂ ਦੀਆਂ ਕਮੀਆਂ ਸੌਖਿਆਂ ਪਛਾਣ ਲੈਂਦੇ ਹਨ, ਪਰ ਵਿਆਪਕ ਸਮੱਸਿਆ ਸਮੂਹਾਂ ਨਾਲ ਨਜਿੱਠਣ ਵਾਲੇ ਜਟਿਲ ਸਿਸਟਮਾਂ ਵਿੱਚ ਉਨ੍ਹਾਂ ਨੂੰ ਪਛਾਣਨਾ ਔਖਾ ਅਤੇ ਥਕਾਵਟ ਭਰਿਆ ਹੋ ਜਾਂਦਾ ਹੈ.

ਮਨੁੱਖ ਕਿਸੇ ਸਮੱਸਿਆ ਨਾਲ ਸੁਭਾਵਿਕ ਤੌਰ ’ਤੇ ਜੋ ਸੰਦਰਭਿਕ ਗਿਆਨ ਲਿਆਉਂਦੇ ਹਨ, ਉਸਨੂੰ ਇਕੱਠਾ ਕਰਨ ਲਈ LLM ਨੂੰ ਅਕਸਰ ਵਿਸਤ੍ਰਿਤ ਹਦਾਇਤਾਂ ਅਤੇ ਵਾਧੂ ਕਦਮਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ. ਜਿਉਂ-ਜਿਉਂ ਸਿਸਟਮ ਵਿਆਪਕ ਸਮੱਸਿਆ ਸਮੂਹਾਂ ਨਾਲ ਨਜਿੱਠਣ ਲਈ ਫੈਲਦਾ ਹੈ, ਲੋੜੀਂਦੇ ਕੰਮਾਂ ਦੀ ਗਿਣਤੀ ਤੇਜ਼ੀ ਨਾਲ ਵਧ ਸਕਦੀ ਹੈ. ਉਦਾਹਰਨ ਵਜੋਂ, ਕੋਡਿੰਗ ਸਮੱਸਿਆਵਾਂ ਹੱਲ ਕਰਦੇ ਮਨੁੱਖ ਆਲੇ-ਦੁਆਲੇ ਦੇ ਕੋਡਬੇਸ ਨੂੰ ਸਹਿਜੇ ਹੀ ਸਮਝ ਸਕਦੇ ਹਨ, ਜਦਕਿ LLM ਨੂੰ ਪਹਿਲਾਂ ਕਈ ਫ਼ਾਈਲਾਂ “ਪੜ੍ਹਨੀਆਂ” ਪੈ ਸਕਦੀਆਂ ਹਨ.

• ਇਹ ਕਦੋਂ ਮਦਦ ਕਰਦੀ ਹੈ: ਮੰਨ ਲਓ ਕਿ ਤੁਸੀਂ ਗਾਹਕ ਸਹਾਇਤਾ ਟੀਮ ਚਲਾਉਂਦੇ ਹੋ ਅਤੇ ਇੱਕ AI ਏਜੰਟ ਟਿਕਟਾਂ ਦੀ ਮੁੱਢਲੀ ਛਾਂਟੀ ਕਰਦਾ ਹੈ. ਸਮੇਂ ਦੇ ਨਾਲ, SPL ਵਰਗੀਕਰਨ ਦਾ ਅਜਿਹਾ ਤਰੀਕਾ ਲੱਭ ਸਕਦੀ ਹੈ ਜਿਸ ਬਾਰੇ ਤੁਹਾਡੀ ਟੀਮ ਨੇ ਨਹੀਂ ਸੋਚਿਆ ਸੀ ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ ਮਾਮਲੇ ਅੱਗੇ ਭੇਜਣ ਦੀ ਦਰ ਘਟ ਸਕਦੀ ਹੈ.

• ਇਹ ਕਦੋਂ ਮਦਦ ਨਹੀਂ ਕਰਦੀ: ਜੇ ਅਨੁਪਾਲਨ ਲੋੜਾਂ ਜਾਂ ਨਿਯਮ ਪਹਿਲਾਂ ਹੀ ਤੁਹਾਡੇ ਕਾਰਜ-ਪ੍ਰਵਾਹ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹਨ, ਜਿਵੇਂ ਵਿੱਤੀ ਰਿਪੋਰਟਿੰਗ ਵਿੱਚ, ਤਾਂ SPL ਦੀ ਕਦਰ ਘੱਟ ਹੋ ਸਕਦੀ ਹੈ ਕਿਉਂਕਿ ਰਚਨਾਤਮਕਤਾ ਲਾਭ ਦੀ ਬਜਾਏ ਜੋਖਮ ਬਣ ਜਾਂਦੀ ਹੈ.

• ਇਹ ਕਦੋਂ ਮਦਦ ਕਰਦੀ ਹੈ: ਖੋਜ-ਕੇਂਦਰਿਤ ਭੂਮਿਕਾਵਾਂ ਵਿੱਚ, ਜਿਵੇਂ ਬਾਜ਼ਾਰ ਜਾਣਕਾਰੀ ਜਾਂ ਉਤਪਾਦ ਰਣਨੀਤੀ, ਤੁਸੀਂ AI ਦੀਆਂ ਯੋਜਨਾਵਾਂ ਸੁਧਾਰ ਕੇ, ਇਸਦੇ ਨਤੀਜੇ ਸੰਪੰਨ ਬਣਾ ਕੇ ਅਤੇ ਭਵਿੱਖੀ ਵਰਤੋਂ ਲਈ ਇਹ ਸੁਧਾਰ ਸ਼ਾਮਲ ਕਰਕੇ ਇਸ ਨਾਲ ਸਹਿਯੋਗ ਕਰ ਸਕਦੇ ਹੋ. ਹਰ ਗੱਲਬਾਤ ਸਿਸਟਮ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਵਧਾਉਂਦੀ ਹੈ.

• ਇਹ ਕਦੋਂ ਮਦਦ ਨਹੀਂ ਕਰਦੀ: ਜੇ ਤੁਹਾਡੀ ਟੀਮ ਜ਼ਿਆਦਾਤਰ AI ਨੂੰ ਸਿੱਧੇ ਕਾਰਜ-ਪ੍ਰਵਾਹਾਂ ਲਈ ਵਰਤਦੀ ਹੈ, ਜਿੱਥੇ ਮਨੁੱਖੀ ਰਾਏ ਬਹੁਤ ਘੱਟ ਹੁੰਦੀ ਹੈ, ਜਿਵੇਂ ਚਲਾਨਾਂ ਦੀ ਕਾਰਵਾਈ, ਤਾਂ ਸਹਿਯੋਗ ਦਾ ਵਾਧੂ ਬੋਝ ਲਾਭ ਨਾਲੋਂ ਵੱਧ ਹੋ ਸਕਦਾ ਹੈ.

• ਇਹ ਕਦੋਂ ਮਦਦ ਕਰਦੀ ਹੈ: ਮੰਨ ਲਓ ਤੁਸੀਂ ਕਿਸੇ ਨਵੇਂ ਖੇਤਰ ਵਿੱਚ ਵਿਸਤਾਰ ਕਰਦੇ ਹੋ ਅਤੇ AI ਨੂੰ ਅਚਾਨਕ ਸਥਾਨਕ ਟੈਕਸ ਸੰਬੰਧੀ ਸਵਾਲ ਸੰਭਾਲਣੇ ਪੈਂਦੇ ਹਨ. SPL ਨਵੇਂ ਨਿਯਮਾਂ ਅਤੇ ਵਿਹਾਰਕ ਸਿਧਾਂਤਾਂ ਦੇ ਸਾਹਮਣੇ ਆਉਂਦੇ ਹੀ ਉਨ੍ਹਾਂ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਕੋਡਬੱਧ ਕਰਨ ਦਿੰਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਵਾਰ-ਵਾਰ ਹੋਣ ਵਾਲੀਆਂ ਗ਼ਲਤੀਆਂ ਰੁਕਦੀਆਂ ਹਨ.

• ਇਹ ਕਦੋਂ ਮਦਦ ਨਹੀਂ ਕਰਦੀ: ਜੇ ਤੁਹਾਡਾ ਮਾਹੌਲ ਸਥਿਰ ਹੈ, ਜਿਵੇਂ ਮੀਟਿੰਗ ਦੀਆਂ ਲਿਖਤਾਂ ਨੂੰ ਮਿਆਰੀ ਸਾਰਾਂ ਵਿੱਚ ਬਦਲਣਾ, ਤਾਂ ਲਗਾਤਾਰ ਅਨੁਕੂਲਤਾ ਤੋਂ ਬਹੁਤ ਘੱਟ ਲਾਭ ਮਿਲਦਾ ਹੈ.

ਸਿਧਾਂਤਕ ਤੌਰ ’ਤੇ ਇਹ ਸਭ ਉਮੀਦਜਨਕ ਲੱਗਦਾ ਹੈ, ਪਰ SPL ਨੂੰ ਲਾਗੂ ਕਰਨ ਵਿੱਚ ਅਸਲ ਚੁਣੌਤੀਆਂ ਹਨ. ਹੇਠਾਂ ਅਸੀਂ ਕੁਝ ਮੁੱਖ ਚੁਣੌਤੀਆਂ ਬਾਰੇ ਚਰਚਾ ਕਰਦੇ ਹਾਂ:

ਰਣਨੀਤੀ ਬਣਾਉਣ ਦੇ ਸ਼ੁਰੂਆਤੀ ਪੜਾਵਾਂ ਵਿੱਚ ਤਰੱਕੀ ਅਕਸਰ ਰੁਕ ਜਾਂਦੀ ਹੈ: ਨਵੇਂ ਨਤੀਜੇ ਪਿਛਲੇ ਨਤੀਜਿਆਂ ਨੂੰ ਅੱਗੇ ਨਹੀਂ ਵਧਾਉਂਦੇ ਅਤੇ ਰਫ਼ਤਾਰ ਹੌਲੀ ਹੋ ਜਾਂਦੀ ਹੈ. ਆਮ ਤੌਰ ’ਤੇ ਇਸਦੇ ਦੋ ਮੁੱਖ ਕਾਰਨ ਹੁੰਦੇ ਹਨ:

• • ਹੱਲ: ਸਾਰਾ ਉਪਲਬਧ ਕਾਰੋਬਾਰੀ ਗਿਆਨ ਸ਼ੁਰੂ ਵਿੱਚ ਹੀ ਕੋਡਬੱਧ ਕਰੋ ਤਾਂ ਜੋ ਸਿਸਟਮ ਕੋਲ ਵਰਤਣ ਲਈ ਡੂੰਘੀ ਜਾਣਕਾਰੀ ਹੋਵੇ.

• • ਹੱਲ: ਇੱਕ ਸੂਖਮ ਮੁਲਾਂਕਣ-ਪੈਮਾਨਾ ਬਣਾਓ ਜੋ ਜਵਾਬ ਦੇ ਕਈ ਪੱਖਾਂ, ਜਿਵੇਂ ਸ਼ੁੱਧਤਾ, ਸਪਸ਼ਟਤਾ ਅਤੇ ਪ੍ਰਸੰਗਿਕਤਾ, ਨੂੰ ਅੰਕ ਦੇਵੇ ਅਤੇ ਇਨ੍ਹਾਂ ਸੰਕੇਤਾਂ ਅਨੁਸਾਰ ਆਪਣੀ ਨਮੂਨਾ-ਚੋਣ ਬਦਲੇ.

ਜੇ ਤੁਹਾਡਾ ਸਿਸਟਮ ਸੈਂਕੜੇ ਰਣਨੀਤੀਆਂ ਬਣਾਉਂਦਾ ਹੈ ਪਰ ਚੰਗੀਆਂ ਅਤੇ ਮਾੜੀਆਂ ਵਿੱਚ ਫ਼ਰਕ ਕਰਨ ਲਈ ਬਹੁਤ ਘੱਟ ਪ੍ਰਤੀਕਿਰਿਆ ਮਿਲਦੀ ਹੈ, ਤਾਂ ਨਮੂਨਾ-ਚੋਣ ਛੇਤੀ ਹੀ ਬੋਝਲ ਹੋ ਜਾਂਦੀ ਹੈ. ਇਸਦਾ ਹੱਲ ਛਾਂਟੀ ਹੈ.

ਆਪਣੇ ਰਣਨੀਤੀ ਭੰਡਾਰ ਨੂੰ ਸੁਧਾਰਦੇ ਸਮੇਂ ਇਨ੍ਹਾਂ ਗੱਲਾਂ ’ਤੇ ਵਿਚਾਰ ਕਰੋ:

• ਮਿਆਦ: ਰਣਨੀਤੀਆਂ ਦੇ ਨਿਰਧਾਰਤ ਸਮਾਂ-ਅੰਤਰਾਲ ਜਾਂ ਪੀੜ੍ਹੀਆਂ ਦੀ ਗਿਣਤੀ ਤੋਂ ਅੱਗੇ ਲੰਘਣ ’ਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਹਟਾ ਦਿਓ.

• ਅੰਕ: ਲਗਾਤਾਰ ਘੱਟ ਪ੍ਰਦਰਸ਼ਨ ਕਰਨ ਵਾਲੀਆਂ ਰਣਨੀਤੀਆਂ ਨੂੰ ਛਾਂਟਣ ਲਈ ਆਪਣੇ ਮੁਲਾਂਕਣ-ਪੈਮਾਨੇ ਦੀ ਵਰਤੋਂ ਕਰੋ. ਇਸਨੂੰ ਮਿਆਦ ਨਾਲ ਜੋੜਨ ਨਾਲ ਇਹ ਯਕੀਨੀ ਹੁੰਦਾ ਹੈ ਕਿ ਤੁਸੀਂ ਸਿਰਫ਼ ਉਹੀ ਪਹੁੰਚਾਂ ਰੱਖੋ ਜੋ ਸਮੇਂ ਦੇ ਨਾਲ ਆਪਣੀ ਕਦਰ ਸਾਬਤ ਕਰਦੀਆਂ ਹਨ.

• LLM ਰਾਹੀਂ ਨਿਰਣਾ: ਸਮੇਂ-ਸਮੇਂ ’ਤੇ ਰਣਨੀਤੀਆਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਕੇ ਉਨ੍ਹਾਂ ਦੀ ਪਛਾਣ ਕਰੋ ਜੋ ਹੁਣ ਵਿਲੱਖਣ ਸੂਝ ਨਹੀਂ ਦਿੰਦੀਆਂ, ਕਿਉਂਕਿ ਉਨ੍ਹਾਂ ਦੇ ਲਾਭਦਾਇਕ ਤੱਤ ਸੰਭਵ ਤੌਰ ’ਤੇ ਨਵੇਂ ਸੰਸਕਰਣਾਂ ਵਿੱਚ ਪਹਿਲਾਂ ਹੀ ਸ਼ਾਮਲ ਹੋ ਚੁੱਕੇ ਹੁੰਦੇ ਹਨ.

ਹੱਲ: ਆਪਣੇ ਰਣਨੀਤੀ ਡੇਟਾਬੇਸ ਨੂੰ ਜੀਵੰਤ ਸਿਸਟਮ ਸਮਝੋ: ਇਸਦੀ ਨਿਯਮਿਤ ਛਾਂਟੀ ਕਰੋ ਤਾਂ ਜੋ ਸਿਰਫ਼ ਪ੍ਰਸੰਗਿਕ ਅਤੇ ਉੱਚ-ਮੁੱਲ ਵਾਲਾ ਗਿਆਨ ਹੀ ਰਹੇ.

ਸਿਸਟਮ ਪ੍ਰੌਂਪਟ ਲਰਨਿੰਗ ਹਾਲੇ ਸ਼ੁਰੂਆਤੀ ਪੜਾਅ ਵਿੱਚ ਹੈ, ਪਰ ਇਸਦੀ ਸਮਰੱਥਾ ਬੇਹੱਦ ਵੱਡੀ ਹੈ. ਸਿਰਫ਼ ਸਥਿਰ ਪ੍ਰੌਂਪਟਾਂ ਜਾਂ ਬੇਅੰਤ ਫਾਈਨ-ਟਿਊਨਿੰਗ ਉੱਤੇ ਨਿਰਭਰ ਕਾਰੋਬਾਰਾਂ ਨੂੰ ਜਾਣੀਆਂ-ਪਛਾਣੀਆਂ ਸੀਮਾਵਾਂ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪਵੇਗਾ: ਕਮਜ਼ੋਰ ਸਿਸਟਮ, ਵਧਦੀਆਂ ਲਾਗਤਾਂ ਅਤੇ ਵਿਅਰਥ ਮਿਹਨਤ. SPL ਅਲੱਗ-ਅਲੱਗ ਸੁਧਾਰਾਂ ਦੀ ਬਜਾਏ ਉੱਚ-ਪੱਧਰੀ ਸਿਧਾਂਤ ਕੋਡਬੱਧ ਕਰਨ ਵਾਲੇ ਅਤੇ ਸਮੇਂ ਨਾਲ ਬਿਹਤਰ ਹੁੰਦੇ ਸਿਸਟਮ ਬਣਾ ਕੇ ਇਸ ਚੱਕਰ ਤੋਂ ਬਾਹਰ ਨਿਕਲਣ ਦਾ ਰਾਹ ਦਿੰਦੀ ਹੈ.

SPL ਹਾਲੇ ਉੱਭਰ ਰਹੀ ਹੈ, ਪਰ ਇਸਦੀ ਦਿਸ਼ਾ ਸਪਸ਼ਟ ਹੈ: ਜੋ ਸਿਸਟਮ ਆਪਣੇ ਆਪ ਤੋਂ ਸਿੱਖ ਸਕਦੇ ਹਨ, ਉਹ ਨਾ ਸਿੱਖ ਸਕਣ ਵਾਲਿਆਂ ਨਾਲੋਂ ਅੱਗੇ ਨਿਕਲ ਜਾਣਗੇ. ਹੁਣ ਪ੍ਰਯੋਗ ਕਰਨ, ਛੋਟੇ ਪੱਧਰ ਤੋਂ ਸ਼ੁਰੂ ਕਰਨ, ਸਬਕ ਦਰਜ ਕਰਨ ਅਤੇ ਹਰ ਗੱਲਬਾਤ ਨਾਲ ਸੁਧਰਨ ਵਾਲੇ AI ਸਿਸਟਮਾਂ ਦੀ ਨੀਂਹ ਬਣਾਉਣ ਦਾ ਸਮਾਂ ਹੈ.