AI Prompt Action
Az AI Prompt Action lehetővé teszi, hogy a nagy nyelvi modelleket (LLM) közvetlenül a Tulip automatizálásokon belül használja fel. Ez a művelet rugalmas módot biztosít a szöveg feldolgozására, az adatok elemzésére és intelligens válaszok generálására az Ön által meghatározott egyéni súgók alapján.
Hogyan működik
Az AI Prompt Action egyszerű: fogadja a bemeneti üzenetet, és közvetlenül egy nagy nyelvi modellnek küldi el, majd visszaadja az AI által generált választ. Ezt a műveletet különböző szövegfeldolgozási feladatok elvégzésére használhatja, az egyszerű kategorizálástól az összetett elemzésig és összegzésig.
Konfiguráció
Bemeneti üzenet
A bemeneti üzenet az a felszólítás, amelyet közvetlenül a nagy nyelvi modellnek küld. Ennek tartalmaznia kell:- Egyértelmű utasításokat arra vonatkozóan, hogy mit szeretne a mesterséges intelligenciától - Bármilyen adatot vagy kontextust, amelyet a mesterséges intelligenciának fel kell dolgoznia - A kimenetre vonatkozó konkrét formázási követelményeket.
Munka objektumokkal
Ha objektumokat vagy objektumlistákat küld az AI Prompt Action-nek, akkor azokat a TOTEXT() expression funkcióba kell csomagolnia, hogy az AI megfelelően tudja olvasni a tartalmukat.
Példa:"Elemezze ezt a hibaadatot:" + TOTEXT(@variable.my_object)
Hatékony felszólítások írása
Legyen egyértelmű és konkrét
Írjon olyan felszólításokat, amelyek világosan elmagyarázzák, hogy mit szeretne a mesterséges intelligenciától. Kerülje a félreérthető nyelvezetet, és adjon konkrét utasításokat.
Jó: "Kategorizáld ezt a hibát 'Kritikus', 'Jelentős' vagy 'Kisebb' kategóriába a súlyossági leírás alapján." Gyenge: "Milyen típusú hibáról van szó?"
Adjon kontextust
Tartalmazzon releváns háttérinformációkat, és magyarázza el a feladat célját.
Példa:````"Ön gyártási hibákat elemez minőségellenőrzés céljából. Az alábbi hibaleírás alapján sorolja be a hibát a kritikus, a súlyos vagy a kisebb hiba kategóriájába:- Kritikus: Biztonsági problémák vagy a termék teljes meghibásodása- Jelentős: Funkcionális problémák, amelyek befolyásolják a teljesítményt- Kisebb: Kozmetikai vagy kisebb funkcionális problémák
Csak a kategória megnevezésével válaszoljon.
Hiba leírása:" + TOTEXT(@variable.defect_data)```
Használati példák
Ha lehetséges, mellékeljen példákat a kívánt bemeneti és kimeneti formátumra, hogy az AI válaszait irányítsa.
Példa:````"Foglalja össze a következő termelési adatokat 2-3 mondatban, a legfontosabb mérőszámokra és trendekre összpontosítva.
Példa formátum: "A gyártás X darabot teljesített Y%-os hatékonysággal. A fő szűk keresztmetszet Z volt, ami A perc állásidőt eredményezett."
Termelési adatok:" + TOTEXT(@variable.production_summary)```
Gyakori felhasználási esetek
Hibák kategorizálása
A hibák automatikus kategorizálása leírások, képek vagy érzékelőadatok alapján.
A hiba részletei:" + TOTEXT(@variable.defect\_record) +
"Válaszoljon formátumban: Kategória: [kategória], Prioritás: [prioritás]"```
### Az adatok összegzése
Termelési jelentések, minőségi mérőszámok vagy működési adatok tömör összefoglalóinak létrehozása.
````"Készítsen rövid összefoglalót a mai termelési mérőszámokról: "
* TOTEXT(@variable.daily\_production\_data)+
"Koncentráljon a következőkre: termelési mennyiségek, hatékonysági arányok, minőségi pontszámok és minden figyelemre méltó probléma. 100 szóra korlátozva. "```
### Szövegelemzés és -kivonatolás
Konkrét információk kinyerése strukturálatlan szövegből, például karbantartási naplókból vagy kezelői jegyzetekből.
````"Szedje ki a karbantartási naplóból a kiváltó okot és az ajánlott intézkedéseket:
Log entry:" + TOTEXT(@variable.maintenance\_log) +
"Formázza a választ:Root Cause: [cause]Recommended Actions: [intézkedések]"````
### Tartalom generálása
Szabványosított jelentések, értesítések vagy dokumentáció generálása az adatbevitelek alapján.
```"Generáljon műszakátadási jelentést ezen termelési adatok alapján:"
+TOTEXT(@variable.shift\_data) +
"Tartalmazza: elvégzett feladatok, folyamatban lévő problémák, következő műszak prioritásai.Használjon professzionális hangnemet, amely alkalmas a vezetőségi felülvizsgálatra."````
## Tesztelés és érvényesítés
### Naplózás bemeneti adatok
Mindig úgy tesztelje az AI Prompt Action-t, hogy először naplózza a bemeneti üzenetet egy táblázatba. Így ellenőrizheti, hogy:- A prompt megfelelően van-e formázva- A változók helyesen oldódnak-e fel- Az objektumok megfelelően kerülnek-e szöveggé alakításra- Az AI teljes információt kap-e.
**Tesztelési megközelítés:**1. Hozzon létre egy teszt táblázatot a "Input Message" és a "AI Response" oszlopokkal. 2. Hozzon létre egy teszt táblázatot a "Input Message" és a "AI Response" oszlopokkal. Naplózza a pontos bemenetet, amelyet a mesterséges intelligencia súgónak küldtek3. Tekintsünk át több példát a következetesség biztosítása érdekében4. A naplózott eredmények alapján állítsa be a promptot
### A kimenet minőségének hitelesítése
Ellenőrizze a mesterséges intelligencia válaszokat, hogy azok megfeleljenek a minőségi szabványoknak:- Ellenőrizze, hogy a válaszok a megadott formátumot követik- Ellenőrizze a pontosságot ismert példák alapján- Tesztelje a szélsőséges eseteket és a szokatlan bemeneteket- Ellenőrizze az időbeli konzisztens teljesítményt.
### A változékonyság kezelése
A mesterséges intelligencia válaszai futásonként változhatnak. Fontolja meg a következőket:- Speciálisabb kérések használata a változékonyság csökkentése érdekében- Érvényesítési logika bevezetése a kritikus kimenetekhez- Váratlan válaszok esetén tartalékeljárások alkalmazása- Az AI teljesítményének rendszeres felülvizsgálata a termelésben.
## Legjobb gyakorlatok
### Prompt Engineering
* Kezdje egyszerűen, és az eredmények alapján iteráljon
* Tesztelés reprezentatív adatmintákkal
* Használjon következetes terminológiát és formázást
* Bontja az összetett feladatokat kisebb, fókuszált felszólításokra.
### Adatelőkészítés
* A bemeneti adatok tisztítása és formázása a mesterséges intelligenciának való elküldés előtt
* Használja a `TOTEXT() funkciót` minden objektum és lista bemenethez.
* Távolítsa el a felesleges információkat, amelyek összezavarhatják a mesterséges intelligenciát.
* Az adatvédelmi és biztonsági követelmények teljesülésének biztosítása
### Hibakezelés
* Tervezzen olyan esetekre, amikor a mesterséges intelligencia nem a várt módon reagál.
* Érvényességi ellenőrzések végrehajtása az AI kimenetein
* Legyen biztonsági mentési eljárás a kritikus folyamatokra
* A mesterséges intelligencia művelet teljesítményének nyomon követése és naplózása
### Teljesítményoptimalizálás
* A felszólítások legyenek tömörek, ugyanakkor maradjanak egyértelműek.
* Kerülje a nagy mennyiségű felesleges adat elküldését.
* Ha lehetséges, fontolja meg a hasonló kérések csoportosítását
* Figyelje a válaszidőt, és szükség szerint igazítsa ki
## Hibaelhárítás
### Gyakori problémák
* **Üres vagy hiányos válaszok:** Ellenőrizze, hogy a kérés egyértelmű-e, és hogy minden szükséges adat szerepel-e benne.
* **Váratlan formátum:** Legyen pontosabb a kívánt kimeneti formátumot illetően a felszólításban.
* **Ellentmondásos eredmények:** Adjon több megkötést és példát a kéréshez
* **Az objektum adatai nem láthatók:** Győződjön meg róla, hogy a `TOTEXT()` funkciót használja az objektumok olvasható szöveggé konvertálásához.
### Hibakeresési lépések
1. Naplózza az AI-nak küldött pontos bemeneti üzenetet.
2. A prompt kézzel történő tesztelése mintaadatokkal
3. Fokozatosan egyszerűsítse a promptot a problémák elkülönítése érdekében.
4. Ellenőrizze, hogy minden változó megfelelően oldódik-e fel
5. Ellenőrizze az objektumadatok helyes átalakítását a `TOTEXT()` segítségével.
Az AI Prompt Action hatékony lehetőségeket nyit az intelligens automatizáláshoz a Tulip alkalmazásokban. Kezdje egyszerű felhasználási esetekkel, és fokozatosan építsen ki kifinomultabb promptokat, ahogy megismerkedik a képességekkel és a legjobb gyakorlatokkal.