gpt-prompt-engineer language

 Let's brainstorm 20 creative hashtags/tools for a bot, keeping in mind the #search example for RAG (Retrieval Augmented Generation) via a search engine. I'll focus on functionalities that extend the bot's capabilities beyond basic conversational AI. Here are 20 hashtags/tools, categorized for clarity: Information & Research Tools: #search: (As you mentioned) Triggers a web search (Google, Bing, etc.) for real-time information retrieval and RAG. #wiki: Accesses Wikipedia for concise, structured information on a given topic. Ideal for quick facts and overviews. #define: Provides definitions, synonyms, and antonyms from a dictionary or lexical database. #news: Fetches recent headlines and summaries from a specified news source or general news feed. #journal: Accesses academic databases (e.g., PubMed, JSTOR, ArXiv) to find research papers and scholarly articles. Creative & Generation Tools: #imagine: Generates images based on a textual description using a...

Ctrl + ,  command prompt

 conda list -e > requirements.txt conda install --yes --file requirements.txt

 Langchain 提供了幾種「文件 chain」來處理和 LLM 互動多份文件。每種 chain 類型都有其優缺點，適用於不同的使用場景。 1. Stuff (填充) 概念： 最直接的方法。它會將所有文件直接「塞」或插入到 LLM 的提示中。 理想用途： 文件較小且每次只使用少量文件的應用，確保總 token 數在 LLM 的上下文限制內。 優點： 只需一次 API 呼叫。 所有數據一次性處理。 缺點： 受限於 LLM 的最大上下文長度；如果文件 token 超出此限制，將會失敗。 2. Refine (精煉) 概念： 透過循環處理輸入文件並迭代更新其答案來構建回應。對於每個文件，它將當前文件、非文件輸入以及最新的中間答案一起傳遞給 LLM chain，以獲得一個新的、精煉的答案。 理想用途： 需要分析的文件數量超出模型上下文範圍的任務，因為它會逐一處理文件。 優點： 與 Map Reduce 相比，能保持更相關的上下文，因為它會根據每個新文件精煉答案。 缺點： 涉及許多相互依賴的 LLM 呼叫，因為每個文件都需要單獨的互動。 3. Map Reduce (映射歸納) 概念： 兩階段過程： 映射 (Map) 階段： 單獨將一個 LLM chain 應用於每個文件，並將 chain 的輸出視為一個新文件。 歸納 (Reduce) 階段： 將所有這些新生成的文件傳遞給一個單獨的「組合文件 chain」，以產生一個單一的最終輸出。 理想用途： 總結大量文件，特別是當文件內容超出 LLM 上下文限制時。 優點： 透過分塊處理文件，可擴展到處理更大的文件。 可並行處理，可能加快處理速度。 缺點： 需要多次 API 呼叫（每個「映射」步驟一次，然後「歸納」步驟一次）。 在歸納階段可能會丟失信息，因為單個文件摘要會被組合。 4. Map Re-rank (映射重排) 概念： 在每個文件上運行一個初始提示，該提示不僅嘗試完成任務，還為其答案的確定性提供一個「分數」。系統隨後只返回得分最高的回應。 理想用途： 回答單一答案問題，當需要最相關或最有信心的答案，而不是全面總結或信息組合時。 優點： 對大量文件有良好的擴展性。 更適合需要單一明確答案的任務...

  《Langchain Python 完整教程》建議主題列表 第一章：Langchain 導論 什麼是 Langchain？ Langchain 的核心理念與優勢 Langchain 生態系統概覽 (LangSmith, LangServe, LangGraph) 安裝與環境設定 (Python, Jupyter Notebook, API 金鑰) 第二章：大型語言模型 (LLM) 基礎 LLM 的基本原理 不同類型的 LLM (OpenAI GPT 系列, Hugging Face Hub 模型等) 在 Langchain 中集成和使用 LLM 模型參數詳解 (temperature, max_tokens 等) 第三章：提示工程 (Prompt Engineering) 什麼是提示 (Prompt)？ 設計高效提示的技巧 Langchain 中的提示模板 (Prompt Templates) 少量樣本提示 (Few-shot Prompting) 第四章：鏈 (Chains) – 串聯你的思考 鏈的基本概念與運作方式 簡單順序鏈 (Simple Sequential Chains) LLMChain 詳解 路由鏈 (Router Chains) 與轉換鏈 (Transformation Chains) 第五章：索引 (Indexes) 與檢索器 (Retrievers) – 讓 LLM 擁有記憶 文本嵌入 (Embeddings) 詳解 向量數據庫 (Vector Stores) 的選擇與應用 (Chroma, FAISS 等) 不同類型的檢索器 (Retrievers) 文本分割 (Text Splitters) 的策略 第六章：記憶 (Memory) – 賦予應用程序上下文感知能力 記憶在對話系統中的重要性 不同類型的記憶模塊 (ConversationBufferMemory, ConversationSummaryMemory 等) 如何在鏈和代理中使用記憶 管理和持久化記憶 第七章：代理 (Agents) – 讓 LLM 擁有行動力 代理的基本原理與組件 (工具, 代理執行器) 內建工具 (Tools) 的使用 (搜索引擎, ...

 https://medium.com/seaniap/%E5%BE%9E%E7%B0%A1%E5%96%AE%E5%88%B0%E8%A4%87%E9%9B%9C-%E8%A7%A3%E9%8E%96-lcel-%E6%B5%81%E7%A8%8B%E9%8F%88%E6%8A%80%E8%A1%93-1-2911dd0bce3f # 引入語言模型 from langchain_openai import ChatOpenAI # 引入PromptTemplate from langchain_core.prompts import ChatPromptTemplate, PromptTemplate from langchain_core.output_parsers import StrOutputParser from langchain_core.runnables import RunnableParallel # 建立 OpenAI 物件 chat_model = ChatOpenAI(model= "gpt-3.5-turbo" , api_key= "<your_api_key_here>" ) str_parser = StrOutputParser() prompt1 = ChatPromptTemplate.from_template( '{city} 位於哪個國家？' ) chain1 = prompt1 | chat_model | str_parser # 建立第二個 PromptTemplate prompt2 = ChatPromptTemplate.from_template( '在 {city} 的人都如何用餐？' ) chain2 = prompt2 | chat_model | str_parser country_and_style_chain = RunnableParallel( country=chain1, style=chain2 ) result = country_and_lang_chain.invoke({ 'city' : '東京' }) print (result)