CN117492743A - 基于大语言模型的目标应用生成方法、装置及存储介质 - Google Patents
基于大语言模型的目标应用生成方法、装置及存储介质 Download PDFInfo
- Publication number
- CN117492743A CN117492743A CN202311322085.0A CN202311322085A CN117492743A CN 117492743 A CN117492743 A CN 117492743A CN 202311322085 A CN202311322085 A CN 202311322085A CN 117492743 A CN117492743 A CN 117492743A
- Authority
- CN
- China
- Prior art keywords
- user
- target
- language model
- target application
- large language
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000006870 function Effects 0.000 claims abstract description 32
- 230000004044 response Effects 0.000 claims description 29
- 230000000694 effects Effects 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 12
- 230000001172 regenerating effect Effects 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000003058 natural language processing Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
- G06F8/36—Software reuse
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
- G06F3/0482—Interaction with lists of selectable items, e.g. menus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
- G06F3/04842—Selection of displayed objects or displayed text elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
- G06F3/04847—Interaction techniques to control parameter settings, e.g. interaction with sliders or dials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
- G06F8/34—Graphical or visual programming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Machine Translation (AREA)
Abstract
本公开提供了基于大语言模型的目标应用生成方法、装置及存储介质,涉及深度学习、大语言模型、生成式对话以及自然语言处理等人工智能领域。其中的方法可包括:获取用户设置的待创建的目标应用的配置信息,所述配置信息中包括:目标大语言模型以及辅助信息,所述辅助信息中包括:与目标应用的特定功能相匹配的目标插件,所述目标大语言模型为目标应用所使用的大语言模型,所述特定功能包括目标大语言模型单独无法实现的功能;将辅助信息与目标大语言模型进行组合,得到目标应用。应用本公开所述方案,可简单方便地生成满足用户的业务诉求的目标应用。
Description
技术领域
本公开涉及人工智能技术领域,特别涉及深度学习、大语言模型、生成式对话以及自然语言处理等领域的基于大语言模型的目标应用生成方法、装置及存储介质。
背景技术
随着技术的发展,大语言模型(LLM,Large Language Model)在各种场景下得到了越来越广泛的应用。大语言模型是指使用大量文本数据训练得到的深度学习模型,可以用来生成自然语言文本以及理解自然语言文本的含义等。
发明内容
本公开提供了基于大语言模型的目标应用生成方法、装置及存储介质。
一种基于大语言模型的目标应用生成方法,包括:
获取用户设置的待创建的目标应用的配置信息,所述配置信息中包括:目标大语言模型以及辅助信息,所述辅助信息中包括:与所述目标应用的特定功能相匹配的目标插件,所述目标大语言模型为所述目标应用所使用的大语言模型,所述特定功能包括所述目标大语言模型单独无法实现的功能;
将所述辅助信息与所述目标大语言模型进行组合,得到所述目标应用。
一种基于大语言模型的目标应用生成装置,包括:信息获取模块以及应用生成模块;
所述信息获取模块,用于获取用户设置的待创建的目标应用的配置信息,所述配置信息中包括:目标大语言模型以及辅助信息,所述辅助信息中包括:与所述目标应用的特定功能相匹配的目标插件,所述目标大语言模型为所述目标应用所使用的大语言模型,所述特定功能包括所述目标大语言模型单独无法实现的功能;
所述应用生成模块,用于将所述辅助信息与所述目标大语言模型进行组合,得到所述目标应用。
一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如以上所述的方法。
一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使计算机执行如以上所述的方法。
一种计算机程序产品,包括计算机程序/指令,所述计算机程序/指令被处理器执行时实现如以上所述的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1为本公开所述基于大语言模型的目标应用生成方法实施例的流程图;
图2为本公开所述应用配置界面及应用效果测试界面的示意图;
图3为本公开所述所展示的插件示意图;
图4为本公开所述用户创建并选中知识库的方式示意图;
图5为本公开所述所展示的提示词模板的示意图;
图6为本公开所述基于大语言模型的目标应用生成装置第一实施例600的组成结构示意图;
图7为本公开所述基于大语言模型的目标应用生成装置第二实施例700的组成结构示意图;
图8示出了可以用来实施本公开的实施例的电子设备800的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
另外,应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
图1为本公开所述基于大语言模型的目标应用生成方法实施例的流程图。如图1所示,包括以下具体实现方式。
在步骤101中,获取用户设置的待创建的目标应用的配置信息,所述配置信息中包括:目标大语言模型以及辅助信息,所述辅助信息中包括:与目标应用的特定功能相匹配的目标插件,所述目标大语言模型为目标应用所使用的大语言模型,所述特定功能包括目标大语言模型单独无法实现的功能。
在步骤102中,将辅助信息与目标大语言模型进行组合,得到目标应用。
对于传统的大语言模型,由于其通用知识的局限性,通常难以满足垂直行业领域的用户的业务诉求。
而采用上述方法实施例所述方案,用户只需进行一些简单的配置,即可将对应的插件能力与大语言模型进行组合,从而生成满足垂直行业领域的用户的业务诉求的目标应用,即目标应用程序,进而满足了用户高效率打造符合企业自身需求的专属模型应用的需求,所述用户可为企业用户。
在实际应用中,本公开所述方法实施例的执行主体可为预定的工具平台。
在实际应用中,在获取到用户的创建指令(如点击预定的按钮)后,可为用户展示应用配置界面,并可根据用户基于应用配置界面执行的操作,确定出待创建的目标应用的配置信息。
优选地,响应于获取到用户发出的模型选择指令,可将可供选择的大语言模型展示给用户,并可将用户从中选中的大语言模型作为目标大语言模型,另外,响应于获取到用户发出的插件选择指令,可将可供选择的插件展示给用户,并可将以下插件中的一种或全部作为所述目标插件:用户从所展示的插件中选中的插件,自定义的插件。
可供选择的大语言模型中包括的大语言模型数量以及类型等均可根据实际需要而定,当用户发出模型选择指令后,可将可供选择的大语言模型以列表的形式展示给用户,供用户进行选择,相应地,用户可根据自身需求,从中选中一个大语言模型,作为所需的目标大语言模型,比如,目标大语言模型可为知识增强大语言模型(ERNIE-Bot),其中,ERNIE即指知识增强的语义表示模型(Enhanced Representation through kNowledgeIntEgration)。
另外,在用户发出插件选择指令后,可将可供选择的插件展示给用户,相应地,用户可以选择使用所展示的插件,也可以选择不使用所展示的插件,具体地,若用户所需的目标插件均包括在所展示的插件中,那么可直接选中所述目标插件,或者,若所述目标插件均未包括在所展示的插件中,那么可通过自定义插件的方式得到所述目标插件,或者,若目标插件中的一部分包括在所展示的插件中,其余部分未包括在所展示的插件中,那么可选中包括在所展示的插件中的部分目标插件,并可通过自定义插件的方式得到其余部分的目标插件,非常的灵活方便。目标插件为与目标应用的特定功能相匹配的插件,即为可用于实现目标应用的特定功能的插件,所述特定功能可为目标大语言模型单独无法实现的功能。
通过上述处理,用户可方便快速地确定出所需的目标大语言模型以及目标插件,从而为后续处理奠定了良好的基础,而且,可支持将各种能力插件化,进而可将插件能力与目标大语言模型进行结合,以便快速构建出符合业务诉求的目标应用,其中,插件可用来丰富目标大语言模型所不具备的一些功能/能力,即可用来扩展目标大语言模型的能力,比如,目标大语言模型不具备某种计算能力,那么可通过计算类插件为目标大语言模型提供相应的计算能力。
优选地,在将用户选中的大语言模型作为目标大语言模型之后,还可展示目标大语言模型对应的M个可供调节的参数,M为正整数,具体取值可根据实际需要而定,并可获取用户针对各参数分别设置的参数值,将各参数及对应的参数值加入到辅助信息中。
目标大语言模型通常会对应多个不同的参数,其中的某个/某些参数允许进行调节,而剩余的则不允许进行调节,相应地,可将允许调节/可供调节的参数展示给用户,以便用户根据自身需要设置对应的参数值,进一步地,可将可供调节的参数及对应的参数值加入到辅助信息中,从而可进一步提升得到的目标应用的性能等。
优选地,还可执行以下之一或任意组合:
1)获取与目标大语言模型关联的知识库,将所述知识库加入到辅助信息中,所述知识库为目标应用所属的行业领域对应的知识库;
2)获取用户为目标大语言模型设置的提示词(prompt),将所述提示词加入到辅助信息中;
3)获取用户设置的开场白,将所述开场白加入到辅助信息中,所述开场白用于展示在目标应用针对输入的对话内容生成的响应结果中的文字部分的起始位置。
其中,优选地,可获取用户从所创建的知识库中选中的知识库,作为与目标大语言模型关联的知识库,关联的知识库的数量可以为一个,也可以为多个。另外,获取用户为目标大语言模型设置的提示词的方式可包括:获取用户输入的自定义的提示词,作为用户为目标大语言模型设置的提示词,或者,将可供选择的提示词模板展示给用户,并将用户从中选中的提示词模板作为用户为目标大语言模型设置的提示词。
如前所述,知识库可为目标应用所属的行业领域对应的知识库,其中可包括所述行业领域中的各种知识,如各种文档等。知识库可为目标大语言模型提供所需的知识,即可让目标大语言模型学习到知识库中的内容,以提升目标大语言模型的性能等。
用户还可为目标大语言模型设置提示词,如果用户未进行提示词设置,那么目标大语言模型可使用内置的提示词,但内置的提示词很可能不符合用户的实际需求,因此用户可不使用内置的提示词,而是自己进行设置,以提升提示词的准确性,另外,用户可以自定义提示词,或者,对于一些非专业的用户,也可以直接使用平台提供的提示词模板,即平台可将可供选择的提示词模板展示给用户,以便用户从中选择一个提示词模板,作为为目标大语言模型设置的提示词,从而可满足不同类型的用户的使用需求等。
另外,用户还可设置开场白,所述开场白用于展示在目标应用针对输入的对话内容生成的响应结果中的文字部分的起始位置,即在后续用户与目标应用进行对话时,可将开场白放置于响应结果中的文字部分的最前面,从而可使得对话过程更加人性化等。
总之,通过上述处理,可通过关联知识库、设置提示词以及设置开场白等来进一步完善目标应用的性能。
在确定出目标大语言模型以及各种辅助信息之后,可将辅助信息与目标大语言模型进行组合,以得到所需的目标应用。
优选地,可将辅助信息与目标大语言模型组合成思维链,将组合结果作为所需的目标应用。即可将目标大语言模型、目标插件、关联的知识库、提示词、开场白等按预定方式打包成一个整体,作为目标应用,整体对外提供服务,如根据输入的对话内容(描述信息)生成一张图片,或者,根据输入的对话内容(数学表达式)生成计算结果等。通过将辅助信息与目标大语言模型组合成思维链,使得辅助信息可用于辅助目标大语言模型进行链式思考,进而可扩展目标大语言模型的能力等。
优选地,在得到目标应用之后,还可执行以下第一处理:为用户展示目标应用的应用效果测试界面,针对用户在应用效果测试界面的对话框中输入的对话内容,利用目标应用生成对应的响应结果并进行展示;响应于确定用户根据响应结果对目标应用的配置信息进行了调整,根据调整后的配置信息重新生成目标应用,并基于重新生成的目标应用,重复执行所述第一处理。
另外,优选地,响应于获取到用户发出的上线指令,将最新得到的目标应用进行发布,所述上线指令为用户根据响应结果确定无需对目标应用的配置信息进行调整后发出的指令。
比如,假设用户在应用效果测试界面的对话框中输入的对话内容为描述信息,那么根据所述描述信息,可利用目标应用生成对应的响应结果,如一张图片及对应的文字说明(文字部分),那么用户可人为评估对于响应结果是否满意,若不满意,可调整所述描述信息,并可根据调整后的描述信息重新生成响应结果,若多次调整描述信息后生成的响应结果仍不满意,那么可对目标应用的配置信息进行调整,相应地,可根据调整后的配置信息重新生成目标应用,之后可重复上述过程,直到用户对于当前的目标应用满意,即认为无需再对目标应用的配置信息进行调整为止,进一步地,用户可发出上线指令,从而可将最新得到的目标应用进行发布。
对目标应用的配置信息进行调整,可以是指对其中的任意信息进行调整,即可对目标大语言模型和/或辅助信息进行调整,其中,在对辅助信息进行调整时,可对其中的一项或多项信息进行调整。
通过上述处理,可针对生成的目标应用提供应用效果测试功能,以方便用户实时预览应用效果,并可根据应用效果对目标应用进行灵活调整,直至用户对于应用效果满意为止,从而减少了用户从配置到测试流程的操作步骤,避免了用户在配置模型过程中对于实际效果的黑盒反应,进而降低了用户发布应用的资源成本等。
结合上述介绍,图2为本公开所述应用配置界面及应用效果测试界面的示意图。
如图2所示,用户点击“应用/模型服务”后的选择框后,可将可供选择的大语言模型以下拉列表的形式展示给用户,假设用户选中了ERNIE-Bot作为目标大语言模型,那么可进一步展示出对应的3个可供调节的参数,即温度、多样性和重复惩罚,用户可分别对这3个参数的参数值进行设置。另外,用户可点击右下角所示的“插件”对应的“+”,从而可为用户展示出可供选择的插件,图3为本公开所述所展示的插件示意图,其中可包括各种可用的插件,如**搜索插件、文生图(Stable DiffusionV)插件、天气预报(wheatherforecast)插件、基于文档进行摘要生成(chatFile)插件等,用户可通过点击“安装”来进行插件的选择,从而可轻松配置插件能力与目标大语言模型进行结合,另外,如果用户需要对插件进行调整,那么可通过点击“卸载”来移除之前所选中的插件,再有,用户还可根据自身需要自定义插件。
如图2所示,用户还可点击“关联知识库”,从而进行知识库的关联。相应地,图4为本公开所述用户创建并选中知识库的方式示意图。如图4所示,用户可自行创建知识库,并可选中创建的知识库以便与目标大语言模型进行关联。
如图2所示,用户还可输入自定义的提示词,或者,用户也可点击“导入模板”,从而可将可供选择的提示词模板展示给用户,以便用户从中进行选择。图5为本公开所述所展示的提示词模板的示意图。另外,如图2所示,用户还可设置开场白,如“你好,我是***”。
如图2所示,针对生成的目标应用,可提供实时的应用效果测试功能,即让用户可以实时预览和测试应用效果,以便调整目标应用的配置信息等。当确定无需进行调整后,可点击“上线”,以便将最新得到的目标应用进行发布。
需要说明的是,对于前述的方法实施例,为了简单描述,将其表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本公开所必须的。
以上是关于方法实施例的介绍,以下通过装置实施例,对本公开所述方案进行进一步说明。
图6为本公开所述基于大语言模型的目标应用生成装置第一实施例600的组成结构示意图。如图6所示,包括:信息获取模块601以及应用生成模块602。
信息获取模块601,用于获取用户设置的待创建的目标应用的配置信息,所述配置信息中包括:目标大语言模型以及辅助信息,所述辅助信息中包括:与目标应用的特定功能相匹配的目标插件,所述目标大语言模型为目标应用所使用的大语言模型,所述特定功能包括目标大语言模型单独无法实现的功能。
应用生成模块602,用于将辅助信息与目标大语言模型进行组合,得到目标应用。
采用上述装置实施例所述方案,用户只需进行一些简单的配置,即可将对应的插件能力与大语言模型进行组合,从而生成满足垂直行业领域的用户的业务诉求的目标应用,即目标应用程序,进而满足了用户高效率打造符合企业自身需求的专属模型应用的需求。
优选地,信息获取模块601响应于获取到用户发出的模型选择指令,可将可供选择的大语言模型展示给用户,并可将用户从中选中的大语言模型作为目标大语言模型,另外,响应于获取到用户发出的插件选择指令,可将可供选择的插件展示给用户,并可将以下插件中的一种或全部作为所述目标插件:用户从所展示的插件中选中的插件,自定义的插件。
优选地,信息获取模块601在将用户选中的大语言模型作为目标大语言模型之后,还可展示目标大语言模型对应的M个可供调节的参数,M为正整数,具体取值可根据实际需要而定,并可获取用户针对各参数分别设置的参数值,将各参数及对应的参数值加入到辅助信息中。
目标大语言模型通常会对应多个不同的参数,其中的某个/某些参数允许进行调节,而剩余的则不允许进行调节,相应地,可将允许调节/可供调节的参数展示给用户,以便用户根据自身需要设置对应的参数值。
优选地,信息获取模块601还可获取与目标大语言模型关联的知识库,将所述知识库加入到辅助信息中,所述知识库为目标应用所属的行业领域对应的知识库,和/或,获取用户为目标大语言模型设置的提示词,将所述提示词加入到辅助信息中,和/或,获取用户设置的开场白,将所述开场白加入到辅助信息中,所述开场白用于展示在目标应用针对输入的对话内容生成的响应结果中的文字部分的起始位置。
具体地,优选地,信息获取模块601可获取用户创建并选中的知识库,作为与目标大语言模型关联的知识库,和/或,信息获取模块601可获取用户输入的自定义的提示词,作为用户为目标大语言模型设置的提示词,或者,将可供选择的提示词模板展示给用户,并将用户从中选中的提示词模板作为用户为目标大语言模型设置的提示词。
另外,在确定出目标大语言模型以及各种辅助信息之后,应用生成模块602可将辅助信息与目标大语言模型进行组合,以得到所需的目标应用。
优选地,应用生成模块602可将辅助信息与目标大语言模型组合成思维链,将组合结果作为目标应用。即可将目标大语言模型、目标插件、关联的知识库、提示词、开场白等打包成一个整体,作为目标应用,整体对外提供服务。
图7为本公开所述基于大语言模型的目标应用生成装置第二实施例700的组成结构示意图。如图7所示,包括:信息获取模块601、应用生成模块602以及效果测试模块603。
其中,信息获取模块601以及应用生成模块602与图6所示实施例中相同,不再赘述。
在得到目标应用之后,效果测试模块603可执行以下第一处理:为用户展示目标应用的应用效果测试界面,针对用户在应用效果测试界面的对话框中输入的对话内容,利用目标应用生成对应的响应结果并进行展示;响应于确定用户根据响应结果对目标应用的配置信息进行了调整,根据调整后的配置信息重新生成目标应用,并基于重新生成的目标应用,重复执行所述第一处理。
另外,优选地,效果测试模块603响应于获取到用户发出的上线指令,可将最新得到的目标应用进行发布,所述上线指令为用户根据响应结果确定无需对目标应用的配置信息进行调整后发出的指令。
图6和图7所示装置实施例的具体工作流程可参照前述方法实施例中的相关说明,不再赘述。
总之,采用本公开所述方案,可简单方便地生成满足垂直行业领域的用户的业务诉求的目标应用,从而满足了用户高效率打造符合企业自身需求的专属模型应用的需求,而且,可针对生成的目标应用提供应用效果测试功能,以方便用户实时预览应用效果,并可根据应用效果对目标应用进行灵活调整,从而降低了用户发布应用的资源成本等,另外,本公开所述方案可适用于生成各种目标应用,即具有广泛适用性。
本公开所述方案可应用于人工智能领域,特别涉及深度学习、大语言模型、生成式对话以及自然语言处理等领域。人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术,人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术,人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
本公开所述实施例中的配置信息以及对话内容等并不是针对某一特定用户的,并不能反映出某一特定用户的个人信息。另外,本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本公开的实施例的电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如本公开所述的方法。例如,在一些实施例中,本公开所述的方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行本公开所述的方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行本公开所述的方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (19)
1.一种基于大语言模型的目标应用生成方法,包括:
获取用户设置的待创建的目标应用的配置信息,所述配置信息中包括:目标大语言模型以及辅助信息,所述辅助信息中包括:与所述目标应用的特定功能相匹配的目标插件,所述目标大语言模型为所述目标应用所使用的大语言模型,所述特定功能包括所述目标大语言模型单独无法实现的功能;
将所述辅助信息与所述目标大语言模型进行组合,得到所述目标应用。
2.根据权利要求1所述的方法,其中,
所述获取用户设置的待创建的目标应用的配置信息包括:
响应于获取到所述用户发出的模型选择指令,将可供选择的大语言模型展示给所述用户,并将所述用户从中选中的大语言模型作为所述目标大语言模型;
响应于获取到所述用户发出的插件选择指令,将可供选择的插件展示给所述用户,并将以下插件中的一种或全部作为所述目标插件:所述用户从所展示的插件中选中的插件,自定义的插件。
3.根据权利要求2所述的方法,还包括:
所述将所述用户从中选中的大语言模型作为所述目标大语言模型之后,展示所述目标大语言模型对应的M个可供调节的参数,M为正整数,并获取所述用户针对各参数分别设置的参数值,将各参数及对应的参数值加入到所述辅助信息中。
4.根据权利要求1所述的方法,还包括:
获取与所述目标大语言模型关联的知识库,将所述知识库加入到所述辅助信息中,所述知识库为所述目标应用所属的行业领域对应的知识库;
和/或,获取所述用户为所述目标大语言模型设置的提示词,将所述提示词加入到所述辅助信息中;
和/或,获取所述用户设置的开场白,将所述开场白加入到所述辅助信息中,所述开场白用于展示在所述目标应用针对输入的对话内容生成的响应结果中的文字部分的起始位置。
5.根据权利要求4所述的方法,其中,
所述获取与所述目标大语言模型关联的知识库包括:获取所述用户从所创建的知识库中选中的知识库,作为与所述目标大语言模型关联的知识库;
和/或,所述获取用户为所述目标大语言模型设置的提示词包括:获取所述用户输入的自定义的提示词,作为所述用户为所述目标大语言模型设置的提示词,或者,将可供选择的提示词模板展示给所述用户,并将所述用户从中选中的提示词模板作为所述用户为所述目标大语言模型设置的提示词。
6.根据权利要求1-5中任一项所述的方法,其中,
所述将所述辅助信息与所述目标大语言模型进行组合,得到所述目标应用包括:将所述辅助信息与所述目标大语言模型组合成思维链,将组合结果作为所述目标应用。
7.根据权利要求1-5中任一项所述的方法,还包括:
所述得到所述目标应用之后,执行以下第一处理:为所述用户展示所述目标应用的应用效果测试界面,针对所述用户在所述应用效果测试界面的对话框中输入的对话内容,利用所述目标应用生成对应的响应结果并进行展示;响应于确定所述用户根据所述响应结果对所述目标应用的配置信息进行了调整,根据调整后的配置信息重新生成所述目标应用,并基于重新生成的所述目标应用,重复执行所述第一处理。
8.根据权利要求7所述的方法,还包括:
响应于获取到所述用户发出的上线指令,将最新得到的所述目标应用进行发布,所述上线指令为所述用户根据所述响应结果确定无需对所述目标应用的配置信息进行调整后发出的指令。
9.一种基于大语言模型的目标应用生成装置,包括:信息获取模块以及应用生成模块;
所述信息获取模块,用于获取用户设置的待创建的目标应用的配置信息,所述配置信息中包括:目标大语言模型以及辅助信息,所述辅助信息中包括:与所述目标应用的特定功能相匹配的目标插件,所述目标大语言模型为所述目标应用所使用的大语言模型,所述特定功能包括所述目标大语言模型单独无法实现的功能;
所述应用生成模块,用于将所述辅助信息与所述目标大语言模型进行组合,得到所述目标应用。
10.根据权利要求9所述的装置,其中,
所述信息获取模块响应于获取到所述用户发出的模型选择指令,将可供选择的大语言模型展示给所述用户,并将所述用户从中选中的大语言模型作为所述目标大语言模型,响应于获取到所述用户发出的插件选择指令,将可供选择的插件展示给所述用户,并将以下插件中的一种或全部作为所述目标插件:所述用户从所展示的插件中选中的插件,自定义的插件。
11.根据权利要求10所述的装置,其中,
所述信息获取模块进一步用于,所述将所述用户从中选中的大语言模型作为所述目标大语言模型之后,展示所述目标大语言模型对应的M个可供调节的参数,M为正整数,并获取所述用户针对各参数分别设置的参数值,将各参数及对应的参数值加入到所述辅助信息中。
12.根据权利要求9所述的装置,其中,
所述信息获取模块进一步用于,获取与所述目标大语言模型关联的知识库,将所述知识库加入到所述辅助信息中,所述知识库为所述目标应用所属的行业领域对应的知识库,和/或,获取所述用户为所述目标大语言模型设置的提示词,将所述提示词加入到所述辅助信息中,和/或,获取所述用户设置的开场白,将所述开场白加入到所述辅助信息中,所述开场白用于展示在所述目标应用针对输入的对话内容生成的响应结果中的文字部分的起始位置。
13.根据权利要求12所述的装置,其中,
所述信息获取模块获取所述用户从所创建的知识库中选中的知识库,作为与所述目标大语言模型关联的知识库;
和/或,所述信息获取模块获取所述用户输入的自定义的提示词,作为所述用户为所述目标大语言模型设置的提示词,或者,将可供选择的提示词模板展示给所述用户,并将所述用户从中选中的提示词模板作为所述用户为所述目标大语言模型设置的提示词。
14.根据权利要求9-13中任一项所述的装置,其中,
所述应用生成模块将所述辅助信息与所述目标大语言模型组合成思维链,将组合结果作为所述目标应用。
15.根据权利要求9-13中任一项所述的装置,还包括:
效果测试模块,用于在所述得到所述目标应用之后,执行以下第一处理:为所述用户展示所述目标应用的应用效果测试界面,针对所述用户在所述应用效果测试界面的对话框中输入的对话内容,利用所述目标应用生成对应的响应结果并进行展示;响应于确定所述用户根据所述响应结果对所述目标应用的配置信息进行了调整,根据调整后的配置信息重新生成所述目标应用,并基于重新生成的所述目标应用,重复执行所述第一处理。
16.根据权利要求15所述的装置,其中,
所述效果测试模块进一步用于,响应于获取到所述用户发出的上线指令,将最新得到的所述目标应用进行发布,所述上线指令为所述用户根据所述响应结果确定无需对所述目标应用的配置信息进行调整后发出的指令。
17.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使计算机执行权利要求1-8中任一项所述的方法。
19.一种计算机程序产品,包括计算机程序/指令,所述计算机程序/指令被处理器执行时实现权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311322085.0A CN117492743A (zh) | 2023-10-12 | 2023-10-12 | 基于大语言模型的目标应用生成方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311322085.0A CN117492743A (zh) | 2023-10-12 | 2023-10-12 | 基于大语言模型的目标应用生成方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117492743A true CN117492743A (zh) | 2024-02-02 |
Family
ID=89679008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311322085.0A Pending CN117492743A (zh) | 2023-10-12 | 2023-10-12 | 基于大语言模型的目标应用生成方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117492743A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117787668A (zh) * | 2024-02-26 | 2024-03-29 | 中国科学院自动化研究所 | 一种基于大语言模型的目标分配方法、装置、电子设备、存储介质和程序产品 |
-
2023
- 2023-10-12 CN CN202311322085.0A patent/CN117492743A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117787668A (zh) * | 2024-02-26 | 2024-03-29 | 中国科学院自动化研究所 | 一种基于大语言模型的目标分配方法、装置、电子设备、存储介质和程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117492743A (zh) | 基于大语言模型的目标应用生成方法、装置及存储介质 | |
CN114445047B (zh) | 工作流生成方法、装置、电子设备及存储介质 | |
CN114036398A (zh) | 内容推荐和排序模型训练方法、装置、设备以及存储介质 | |
CN115185434A (zh) | 一种车辆应用场景处理方法、装置、设备和存储介质 | |
CN111090740B (zh) | 一种用于对话***的知识图谱生成方法 | |
CN112562043A (zh) | 图像处理方法、装置和电子设备 | |
CN116089739A (zh) | 消息推送方法、装置、电子设备和存储介质 | |
US20230004360A1 (en) | Methods for managing process application development and integration with bots and devices thereof | |
CN114417822A (zh) | 用于生成模型解释信息的方法、装置、设备、介质和产品 | |
CN113408632A (zh) | 提高图像分类准确性的方法、装置、电子设备及存储介质 | |
CN113554062A (zh) | 多分类模型的训练方法、设备和存储介质 | |
CN117750050A (zh) | 基于大语言模型的信息处理方法、装置以及电子设备 | |
CN116561075B (zh) | 动态链接库文件的生成方法、算子的调用方法及装置 | |
CN116629810B (zh) | 基于建筑办公***的操作推荐方法、装置、设备和介质 | |
CN113836291B (zh) | 数据处理方法、装置、设备和存储介质 | |
CN116992000A (zh) | 交互信息处理方法、装置、电子设备、计算机可读介质 | |
EP4071690A2 (en) | Method and apparatus for task information management, device and storage medium | |
CN116701571A (zh) | 页面展示方法、装置、电子设备及存储介质 | |
CN117806622A (zh) | 应用程序的生成方法、装置、电子设备和存储介质 | |
CN117520489A (zh) | 基于aigc的交互方法、装置、设备和存储介质 | |
CN116757921A (zh) | 用户头像更新方法、装置、电子设备及存储介质 | |
CN117349653A (zh) | 人群圈选方法、装置、电子设备及存储介质 | |
CN117194696A (zh) | 基于人工智能的内容生成方法、装置、设备和存储介质 | |
CN116663478A (zh) | 基于大语言模型的电路设计方法、装置、电子设备及介质 | |
CN117971661A (zh) | 大模型测试方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |