用工具彌補(bǔ)AI短板，讓AI答案更精準(zhǔn)

ChatGPT和GPT-4等大型語(yǔ)言模型 (LLM) 已成為提高工作效率和更好地理解各種主題不可或缺的工具。從教育到軟件開(kāi)發(fā)，再到內(nèi)容寫作，LLM在眾多領(lǐng)域嶄露頭角，它們?cè)谔釤捄蜕晒┤祟愂褂玫男畔⒎矫嬗兄跎衿娴哪芰Α２贿^(guò)，盡管LLM的能力令人印象深刻，但它們?cè)谔峁?zhǔn)確答案或執(zhí)行需要精確知識(shí)的特定任務(wù)時(shí)，卻常常比較吃力。

例如，對(duì)于復(fù)雜的數(shù)學(xué)問(wèn)題或者晦澀難懂的題目，往往會(huì)給出錯(cuò)誤或不夠充分的答案。出現(xiàn)這些局限性的主要原因是，LLM通常是使用過(guò)時(shí)的數(shù)據(jù)進(jìn)行訓(xùn)練，以預(yù)測(cè)句子中下一個(gè)在統(tǒng)計(jì)上最有可能出現(xiàn)的單詞，而不是通過(guò)推理找出正確答案。

為了克服這些挑戰(zhàn)并提高LLM的準(zhǔn)確性，研究人員和開(kāi)發(fā)人員正在創(chuàng)建工具，并更新了模型與工具互動(dòng)的方式，以建立人工智能 (AI) 驅(qū)動(dòng)的代理，使其能夠與世界互動(dòng)，獲取更豐富的信息和專業(yè)知識(shí)。

01 在沒(méi)有幫助的情況下使用AI

LLM回答各種問(wèn)題的能力近乎神奇。事實(shí)上，由于它們非常好用，人們已經(jīng)越來(lái)越多地將其融入日常生活，以提高工作效率和加深對(duì)題目的理解；LLM將這些互動(dòng)視為傳統(tǒng)搜索引擎更加簡(jiǎn)潔明了的濃縮版。

LLM正在進(jìn)入教育領(lǐng)域，學(xué)生可以用它們更好地解釋概念；LLM也在涉足軟件開(kāi)發(fā)領(lǐng)域，程序員可以用它們編寫和理解代碼片段。許多內(nèi)容創(chuàng)作者和專業(yè)寫作人士也在使用它們來(lái)完成摘要、文檔寫作和頭腦風(fēng)暴等任務(wù)。

然而，底層AI在這其中的幾種應(yīng)用中卻舉步維艱，原因通常在于回答問(wèn)題或完成特定的任務(wù)需要非常精確的知識(shí)。一些常見(jiàn)的例子包括，LLM無(wú)法給出數(shù)學(xué)問(wèn)題的正確答案，或者對(duì)于一些非常冷門的問(wèn)題，比如家鄉(xiāng)小鎮(zhèn)的歷史或一些鮮為人知的名人，給出的多個(gè)答案往往大相徑庭。

正如前面所說(shuō)，之所以會(huì)出現(xiàn)這些錯(cuò)誤，是因?yàn)長(zhǎng)LM是使用互聯(lián)網(wǎng)的大范圍數(shù)據(jù)進(jìn)行訓(xùn)練的，其目的是生成詞鏈中下一個(gè)在統(tǒng)計(jì)上最有可能出現(xiàn)的詞（圖1）。

基本上，它們已經(jīng)記住了這些信息，但記憶方式極為粗糙 — AI的知識(shí)更像是許多主題的粗略近似。在訓(xùn)練模型的所有數(shù)據(jù)中，某項(xiàng)信息的代表性越低，模型正確再現(xiàn)該信息的可能性就越小。例如，這些LLM在看過(guò)許多文本數(shù)據(jù)點(diǎn)（如 1+1 = 2）后，會(huì)學(xué)習(xí)加法或減法的模糊表示，通常能用統(tǒng)計(jì)上可能的響應(yīng)給出正確答案。

但是，對(duì)于像649 152這樣更復(fù)雜的輸入（它們以前可能從未見(jiàn)過(guò)），給出的答案往往是錯(cuò)誤的，原因可能是訓(xùn)練所使用的數(shù)據(jù)早于所需的答案，或所需的信息來(lái)自不為公眾所知的來(lái)源（如網(wǎng)站數(shù)據(jù)庫(kù)）。答案不準(zhǔn)的例子可能包括酒店或航班的價(jià)格不準(zhǔn)確，或者是給出了一年前正確但現(xiàn)在不正確的答案。為了規(guī)避這些限制，讓AI能夠在各式各樣的應(yīng)用中做出更準(zhǔn)確的響應(yīng)，我們正在設(shè)計(jì)一些工具，讓LLM能夠與周圍的世界互動(dòng)，以獲取更豐富的信息和更對(duì)口的專業(yè)知識(shí)。

圖1：LLM本身被訓(xùn)練成預(yù)測(cè)下一個(gè)在統(tǒng)計(jì)上最有可能出現(xiàn)的單詞 — 由于擁有大量的訓(xùn)練數(shù)據(jù)，它們?cè)谶@項(xiàng)任務(wù)中取得了成功。（圖源：作者）

02 確定工具

在LLM的世界里，工具是外部應(yīng)用，模型以特定的方式與之交互，從而得出或驗(yàn)證特定的答案。最初的工具包括計(jì)算器、代碼運(yùn)行器和搜索引擎，但隨著應(yīng)用編程接口 (API) 插件、數(shù)據(jù)庫(kù)和矢量存儲(chǔ)連接等新工具的加入，以及圖像到文本提取器等其他機(jī)器學(xué)習(xí)程序的出現(xiàn)，這些工具的數(shù)量與日俱增。

前面提到的失敗案例（如模型無(wú)法正確計(jì)算公式或?qū)溟T問(wèn)題回答錯(cuò)誤）可以分別通過(guò)計(jì)算器或搜索引擎等工具來(lái)解決。為了正確回答問(wèn)題，模型將利用可訪問(wèn)的工具，而不是完全依賴于它所學(xué)到的知識(shí)。當(dāng)模型需要做一些計(jì)算、運(yùn)行一些代碼來(lái)保證準(zhǔn)確性，利用用戶數(shù)據(jù)回答問(wèn)題，或響應(yīng)用戶通常利用網(wǎng)站提出的請(qǐng)求時(shí)，就會(huì)用到這些工具。

雖然這些工具看似簡(jiǎn)單，人類很容易理解并知道如何與之交互，但無(wú)論界面如何，AI模型都需要用代碼封裝現(xiàn)有工具（如計(jì)算器或網(wǎng)站API）并使之交互。特別是，工具需要受軟件約束，其輸入和輸出可通過(guò)代碼完成（圖2）。

例如，可以使用網(wǎng)站的API來(lái)代替用戶界面，這樣無(wú)需點(diǎn)擊按鈕或選中復(fù)選框，就能確保純文本輸入被發(fā)送到工具。工具信息的另一個(gè)重要部分是關(guān)于何時(shí)使用工具的說(shuō)明，這一點(diǎn)很重要，因?yàn)樗梢宰屇Ｐ土私夤ぞ叩挠猛?，以及有關(guān)何時(shí)不能使用該工具的具體說(shuō)明。如果工具被過(guò)度使用，后者可能會(huì)有幫助。

圖2：AI工具看起來(lái)就像軟件功能，具有基于代碼的輸入、輸出和使用說(shuō)明。（圖源：作者）

傳感器與云以及分析軟件配合使工作人員能夠了解生產(chǎn)過(guò)程狀況，并簡(jiǎn)化查找設(shè)備存在的潛在問(wèn)題，使得工作和流程更加高效，同時(shí)提高了制造產(chǎn)品的整體質(zhì)量和可靠性。

例如，在制藥過(guò)程中，無(wú)線傳感器可以通過(guò)監(jiān)測(cè)溫度、濕度等參數(shù)確保生產(chǎn)過(guò)程。此外，傳感器還可以通過(guò)監(jiān)測(cè)設(shè)備的運(yùn)行狀態(tài)，及時(shí)發(fā)現(xiàn)設(shè)備故障，從而提高生產(chǎn)效率。借助智能傳感器，讀取測(cè)量屬性，提升工廠智能化水平。在嚴(yán)苛環(huán)境和條件下進(jìn)行精確測(cè)量能夠?qū)鞲屑夹g(shù)的應(yīng)用范圍擴(kuò)大到多種工業(yè)設(shè)備。

03 教AI使用工具

僅僅將面向人類的現(xiàn)有工具改寫或包裝成適合AI使用的工具是不夠的。還要更新LLM用來(lái)決定何時(shí)與工具交互的提示流。這一過(guò)程將模型變成一個(gè)代理，它知道如何通過(guò)結(jié)合輸入、提示指令和可使用的工具來(lái)生成正確的答案。

與LLM的典型交互方式是編寫一條供模型執(zhí)行的特定指令，通常會(huì)舉例說(shuō)明對(duì)于特定類型的輸入，響應(yīng)應(yīng)該是什么樣的。開(kāi)發(fā)這些指令的過(guò)程被稱為“提示工程”。在教AI使用工具時(shí)，將擴(kuò)展“提示工程”以包含模型為完成任務(wù)而應(yīng)做出的一連串決定。

使用像LangChain這樣的軟件庫(kù)（在Python、JavaScript和其他編程語(yǔ)言中提供），用戶可以將LLM（例如GPT-4）、一套工具（如計(jì)算器、代碼編譯器）與代理結(jié)構(gòu)結(jié)合起來(lái)，構(gòu)建可以使用工具的AI應(yīng)用。更重要的是，它允許增加內(nèi)存和響應(yīng)鏈功能，從而實(shí)現(xiàn)更強(qiáng)大的能力。

例如，要回答“我們?nèi)ツ甑氖杖氤凿N售量是多少？”這樣的問(wèn)題，就需要這種支持鏈?zhǔn)竭壿?、使用多種工具的代理。

首先，除法計(jì)算需要一個(gè)計(jì)算器，還需要一個(gè)查詢程序與公司的數(shù)據(jù)庫(kù)進(jìn)行交互。其次，由于這是一個(gè)多步驟的問(wèn)題，因此在提示代理時(shí)，必須觀察它需要采取哪些步驟，比如查詢?nèi)ツ甑氖杖牒弯N售量。根據(jù)這些觀察結(jié)果，代理的內(nèi)部提示將決定一項(xiàng)行動(dòng) — 例如，“使用查詢工具搜索答案”。然后根據(jù)需要多次重復(fù)這一過(guò)程，直至獲得最終答案。

在這個(gè)案例中，有關(guān)去年收入和銷售量的信息會(huì)觸發(fā)代理的觀察，即應(yīng)該將二者相除來(lái)找到答案。而這反過(guò)來(lái)又會(huì)觸發(fā)將二者輸入計(jì)算器工具這個(gè)操作。由于沒(méi)有更多的步驟發(fā)生，代理將認(rèn)為它已經(jīng)得到了最終答案，并將其提供給用戶（圖3）。將這一系列觀察、操作和響應(yīng)串聯(lián)在一起，意味著LLM驅(qū)動(dòng)的代理可以完成比單獨(dú)使用LLM更為復(fù)雜的任務(wù)。

圖3：具有特定提示流的代理能讓LLM與工具進(jìn)行交互。（圖源：作者）

04 結(jié)語(yǔ)

雖然ChatGPT和GPT-4等LLM徹底改變了檢索和生成信息的過(guò)程，但對(duì)于需要精確知識(shí)的任務(wù)來(lái)說(shuō)，它們?nèi)杂幸欢ǖ木窒扌浴?/p>

不過(guò)，研究人員和開(kāi)發(fā)人員通過(guò)將工具納入LLM生態(tài)系統(tǒng)找到了解決方案。這些工具包括計(jì)算器、搜索引擎、API和數(shù)據(jù)庫(kù)連接等，允許LLM與外部應(yīng)用交互并獲取更豐富的信息。利用這些工具，LLM可以克服自身的局限性，為各種應(yīng)用提供更準(zhǔn)確的回復(fù)。

要教會(huì)LLM有效地使用工具，就要更新它們的提示流，將它們變成智能代理。這將提示模型就何時(shí)與工具互動(dòng)做出明智的決定，并將它們的輸入、提示指令和對(duì)工具的訪問(wèn)相結(jié)合，生成正確的答案。

未來(lái)，隨著LLM的不斷發(fā)展及其工具功能的擴(kuò)展，會(huì)有更多令人印象深刻的應(yīng)用和進(jìn)步。通過(guò)挖掘LLM驅(qū)動(dòng)的、可訪問(wèn)各種工具的代理的潛力，我們可以在提高生產(chǎn)力、解決問(wèn)題和探索知識(shí)等方面解鎖新的可能。LLM與工具之間的協(xié)同作用正在為人類與AI之間更智能、更高效的互動(dòng)鋪平道路。

來(lái)源：貿(mào)澤電子