使用场景

在自然语言到SQL的转换中，提示得分从39%优化至100%。

在实体提取中，提示得分从73%提升至93%。

优化后的提示提高了人类对提示的可读性，并通过ISO格式要求提高了机器的准确性。

产品特色

自动优化提示，提高生成语言模型的输出效果

自定义评估标准，引导指令生成模型创建新的提示

自动化提示工程，减少手动测试和评估轮次

支持新模型过渡和新用例扩展，提升提示工程效率

通过迭代优化，持续改进提示直至达到完美得分

内部测试显示平均提升11.5%，显著改善特定用例

使用教程

设置初始提示：创建需要优化的初始提示，并包含任何变量或文档。

定义成功标准：为提示建立清晰的成功标准，选择包括准确性、字符计数限制等多个指标。

获取优化后的提示：观察模型根据成功标准生成优化后的提示。

生成补全：目标模型根据初始提示生成每个完全呈现的提示的补全。

评估补全：Prompt Tuner 将生成的补全提交给评估服务，以获得所选标准的标准化分数。

参与指令生成：使用 Command R+ 作为指令生成模型，处理数据以生成预期根据评估标准表现更好的改进提示。

迭代：Prompt Tuner 提取修订后的提示模板，重新插入变量，并使用目标模型生成新的补全。这个循环不断重复，持续优化提示。

结束优化循环：优化过程持续进行，直到提示达到完美得分或达到允许的最大迭代次数。此时，系统最终确定并提供最佳性能的提示给用户。