还在死磕的事：端到端自动评估流程，以实现更快的迭代。 . 调用内部 领英拥有大量关于人、公司、技能、课程等的独特数据，这些数据对于构建具有独特和差异化价值的产品至关重要。然而，大语言模型（）并未经过这些信息的训练，因此无法直接用于推理和生成响应。为了解决这个问题，一个标准的做法是设置检索增强生成（）流程，通过该流程调 奥地利赌博数据 用内部，并将它们的响应注入到后续的大语言模型提示词中，以提供额外的上下文来支持生成响应。 这些独特的数据中有很多是通过各种微服务中的远程过程调用（）在内部公开的。
这些虽然这对于人类通
过编程方式调用非常方便，但对于大语言模型来说并不友好。我们通过把这些“包装”成技能来解决这个问题。每个技能()都包含以下组件： 人类（和大语言模型）友好的描述：说明的功能以及何时使用它。 调用配置：包括端点、输直接用于推理和生、输出等。 大语言模型友好的输入和输出： 基本类型（如字符串布尔值数字） 风格的输入和输出 业务逻辑：用于在 instagram 私人帐户查看器应用程序成功率为 20% 大语言模型友好的与实际 之间进行映射。 （注：是个编程术语，也许可以翻译成模式，拿表作类比，表头是） 这样的技能使大语言模型能够执行与我们的产品相关的各种任务，如查看个人资料、搜索文章人员职位公司，甚至查询内部分析系统。同样的技术也用于调用非 ，如搜索和新闻。
智能体产品案例深度思
考和分享（全球顶级公司实践细节，做智能体必读） 图：使用技能调用内部 我们编写了提示词，要求大语言模型（）决定使用哪种技能来解决特定任务（通过规划来完成技能选择），然后输出调用该技能所需的参数（函数调用）。由于调用参数必须与输入匹配，我们要求以结构化的方式输出它们。大多数都经过和的结构化输出训练。我们选择是因 在短信中 为它更简洁，因此消耗的比少。 我们遇到的一个挑战是，虽然大约%的时间里，的响应包含了正确格式的参数，但有大约%的时间，会出错（注：经常说的幻觉），并且经常输出不符合要求的数据，或者更糟糕的是，甚至不是有效的。虽然这些错误对人类来说微不足道，但会导致解析它们的代码出错。
由于%的比例足够高
我们不能忽视这些微不足道的错误，因此我们着手解决这个问题。 解决这个问题的标准方法是检测到错误，然后重新发提示词给大语言模型，要求它在这些额外指示下纠正错误。虽然这种方法有效，但它增加了不小的延迟，并且由于额外的调用而消耗了宝贵的算力。为了绕过这些限制，我们最终编写了一个内部防御性解析器。 通过对各种调用参数（）的分析，我们确定了常犯的错误，并编写了代码来在解析之前检测和适当修补这些错误。我们还修改了提示词，以便在这些常见错误周围注入提示词，以提高我们修补的准确性。最终，我们将这些错误的发生率降低到了约.%。