Daugiažingsnės darbo eigos: modelis kaip dirigentas
Šiame puslapyje
- Sudėtingų užduočių orchestravimas naudojant aukšto lygio samprotavimą
- Kas yra daugiažingsnė darbo eiga?
- Meta-prompto technika
- Kodėl aukšto lygio samprotavimas puikiai tinka orchestravimui
- Du plėtiniai: „ChatGPT Work“ ir API
- Trys darbo eigos, kurias gali naudoti tokias, kokios yra
- Tavo eilė
- Svarbiausi punktai
Sudėtingų užduočių orchestravimas naudojant aukšto lygio samprotavimą
Atsakyti į vienkartį klausimą – viena, tačiau valdyti visą procesą – visai kas kita. Modelis, nustatytas į aukštą samprotavimo lygį, gali sujungti kelis žingsnius išlaikydamas kontekstą ir tapti tikru tavo pasikartojančių procesų dirigentu. Šioje pamokoje sužinosi, kaip aprašyti darbo eigą, kad ji būtų įvykdyta nuo pradžios iki galo neprarandant nuoseklumo.
Kas yra daugiažingsnė darbo eiga?
Daugiažingsnė darbo eiga – tai užduočių seka, kurioje kiekvienas žingsnis priklauso nuo ankstesniojo rezultato: surinkti žalius duomenis, juos išvalyti ir susisteminti, išanalizuoti tendencijas, parengti ataskaitą su rekomendacijomis ir galiausiai sugeneruoti santraukos el. laišką komandai. Tradiciškai kiekvienas iš šių penkių žingsnių atliekamas rankiniu būdu, o kontekstą iš vieno žingsnio į kitą perneši pats. Naudojant aukšto lygio samprotavimą, visą procesą aprašai vieną kartą, o modelis vykdo kiekvieną žingsnį, remdamasis tuo, ką sukūrė ankstesniame etape.
Meta-prompto technika
Meta-promptas – tai promptas, aprašantis visą procesą, o ne atskirą užduotį. Jis suteikia modeliui globalų vaizdą apie tai, ko nori pasiekti, ir tai keičia viską: žinodamas galutinį tikslą, modelis kiekvieną žingsnį derina pagal sekantį. Štai standartinė struktūra, kurią gali pritaikyti savo procesui:
„Atliksi šiuos žingsnius nuosekliai:
1 žingsnis – Išanalizuok pridėtus pardavimų duomenis ir nustatyk 3 geriausiai ir 3 prasčiausiai pasirodžiusius produktus.
2 žingsnis – Kiekvienam prastai pasirodžiusiam produktui nustatyk tikėtinas priežastis, sulygindamas duomenis apie klientų pasitenkinimą.
3 žingsnis – Kiekvienam prastai pasirodžiusiam produktui pasiūlyk 3 punktų veiksmų planą su išmatuojamais KPI.
4 žingsnis – Viską suformatuok į struktūruotą ataskaitą, kurios įvade būtų 5 eilučių vadovų santrauka.
Prieš pereidamas prie kito žingsnio, pateik kiekvieno žingsnio rezultatą ir pažymėk bet kokius netikėtus rezultatus.”
Paskutinis sakinys nusipelno tavo dėmesio. Nereikia liepti modeliui „galvoti žingsnis po žingsnio“ – jis tai daro ir taip. Tačiau reikalavimas pateikti kiekvieno žingsnio outputą leidžia pastebėti klaidą, kol ji neužteršė visko, kas eina po to. Penkių žingsnių darbo eigoje per vėlai pastebėta 2 žingsnio klaida kainuoja visą darbą.
Kodėl aukšto lygio samprotavimas puikiai tinka orchestravimui
Ilgose darbo eigose greitas samprotavimo lygis rizikuoja prarasti siūlą pereinant nuo vieno žingsnio prie kito. Aukštesnis lygis („High“ pokalbiuose, high API, ką „OpenAI“ dokumentacija rekomenduoja giliam planavimui) suteikia modeliui laiko išlaikyti tarpines išvadas matomame lauke, patikrinti nuoseklumą tarp žingsnių ir pritaikyti tolesnius veiksmus pagal gautus rezultatus. Aiškiai paprašyk jo pažymėti, kai žingsnis duoda netikėtą rezultatą, užuot judėjus toliau tarsi nieko nebūtų atsitikę. Būtent toks elgesys skiria orchestravimą nuo paprastos grandinės.
Šis lankstumas leidžia kurti sąlygines darbo eigas, kuriose apdorojimas priklauso nuo to, ką modelis pastebi: „Jei produkto grąžinimų rodiklis viršija 10 %, klasifikuok jį kaip aukšto prioriteto ir pasiūlyk neatidėliotiną veiksmų planą. Kitu atveju klasifikuok jį stebėsenai ir pasiūlyk mėnesinį follow-up.“ Modelis taiko sąlygą produktas po produkto ir atitinkamai pritaiko apdorojimą, tau nereikės nieko rūšiuoti iš anksto.
Du plėtiniai: „ChatGPT Work“ ir API
Promptas nėra vienintelis kelias. „ChatGPT“ aplinkoje „Work“ patirtis sukurta specialiai ilgoms, daugiažingsnėms užduotims, kurių rezultatas yra konkretus deliverable: dokumentas, skaičiuoklė, prezentacija ar ataskaita. Sunkiausioms užduotims jos „Ultra“ nustatymas paskirsto darbą tarp sub-agentų, kurie veikia lygiagrečiai, kai užduotis suskaidoma į nepriklausomas dalis; tai suvartoja žymiai daugiau išteklių, ir daugumai užduočių to nereikia. Kūrėjų pusėje „Responses API“ „Programmatic Tool Calling“ funkcija leidžia modeliui parašyti „JavaScript“ programą, vykdomą izoliuotoje aplinkoje, kuri kviečia darbo eigos įrankius – prireikus lygiagrečiai – ir filtruoja tarpinius rezultatus prieš grąžindama juos modeliui.
Trys darbo eigos, kurias gali naudoti tokias, kokios yra
Konkurencinė žvalgyba ypač tinka šiam pratimui: modelis perskaito tris pateiktus straipsnius apie konkurentus, ištraukia pagrindinius pranešimus – apie produktus, kainodarą, partnerystes – palygina juos su tavo dabartine pozicija, nustato grėsmes ir galimybes, tada parengia informacinę pažymą vadovybei.
Pasirengimas susitikimams laikosi tos pačios logikos, taikomos tavo vidiniams dokumentams: išanalizuok paskutinio susitikimo protokolą, nustatyk vykdomus veiksmus ir jų būklę, pareng kitos dienos darbotvarkę, suformuluok aptarimo punktus kiekvienai temai ir sugeneruok atitinkamą kvietimo el. laišką.
Galiausiai, mėnesinis ataskaitų teikimas sujungia skaičiavimus ir analizę: išanalizuok mėnesio duomenis iš „Excel“ failo, palygink su praėjusiu mėnesiu ir biudžetu, nustatyk reikšmingus nukrypimus, viršijančius 5 %, išanalizuok kiekvieno nukrypimo priežastis, tada pareng ataskaitą su grafikais ir rekomendacijomis.
Tavo eilė
Susikurk savo. Pasirink pasikartojantį procesą savo darbe ir jį transformuok. Pirmiausia išvardink visus žingsnius, kuriuos šiuo metu atlieki rankiniu būdu, tada įžvelk sąlyginius sprendimus tipo „jei X, tai Y“, kuriuos priimi automatiškai – būtent jie skiria standžią darbo eigą nuo naudingos. Tada parašyk meta-promptą, aprašantį visą procesą, ir išbandyk jį naudodamas aukštą samprotavimo lygį; jei kokybė sustoja vietoje, pakelk lygį dar labiau.
Pradėk paprastai, nuo trijų ar keturių žingsnių, ir palaipsniui didink sudėtingumą. Kai procesas tampa ilgas, o kokybė krenta, suskaidyk jį į sub-darbeigas, užuot bandęs varyti toliau jėga. Taip pat įsitikink, kad kiekvienas žingsnis yra aiškus ir savarankiškas – jei modelis turi spėlioti, ko tikiesi iš žingsnio, rezultatas bus atsitiktinis, o kartu ir visa darbo eiga. Galiausiai, būtinai perskaityk tarpinius rezultatus. Daugelis vartotojų žiūri tik į galutinį outputą ir praleidžia esmę: gerai sukurtoje darbo eigoje 2 ir 3 žingsnių išvados dažnai yra informatyvesnės nei jas apibendrinanti ataskaita.
Oficialūs šaltiniai: Samprotavimo modeliai („OpenAI“ API: pastangų lygiai ir naudojimo atvejai) · Samprotavimo geriausios praktikos (paprastos instrukcijos, tikslus tikslas) · Programinis įrankių kvietimas · „ChatGPT Work“ ir „Codex“ („Work“ ilgoms užduotims) · Modeliai („Ultra“)
Svarbiausi punktai
- Aukštas samprotavimo lygis padeda modeliui orchestruoti daugiažingsnį procesą neprarandant siūlo
- Naudok meta-promptą visam procesui aprašyti, įtraukdamas sąlygas (jei/tai) adaptyvioms darbo eigoms
- „ChatGPT Work“ tvarko ilgas užduotis; API aplinkoje „Programmatic Tool Calling“ orchestruoja įrankius per kodą
- „Ultra“, naudojamas „Work“ ir „Codex“, paskirsto darbą tarp sub-agentų: rezervuok jį tik sunkioms, dalijamoms užduotims
- Reikalauk kiekvieno žingsnio outputo, o ne „žingsnis po žingsnio“ mąstymo; pradėk paprastai ir palaipsniui didink sudėtingumą