Как максимально эффективно использовать активную память для непрерывного обучения
Узнайте, как стать эффективным инженером, благодаря программам непрерывного обучения и магистерским программам (LLM).
Делиться
Модели LLM — это мощные инструменты, способные автоматизировать множество задач, таких как исследования и программирование. Однако часто бывает так, что вы работаете с моделью LLM, выполняете задачу, а при следующем взаимодействии с ней вам приходится начинать все сначала.
Это серьёзная проблема при работе с магистрами права. Мы тратим много времени, просто повторяя инструкции магистрам права, например, о желаемом форматировании кода или о том, как выполнять задачи в соответствии с их предпочтениями.
Здесь на помощь приходят файлы agents.md: это способ применения непрерывного обучения к LLM, при котором LLM изучает ваши шаблоны и поведение, сохраняя обобщаемую информацию в отдельном файле. Затем этот файл считывается каждый раз, когда вы начинаете новую задачу, предотвращая проблему «холодного старта» и помогая избежать повторения инструкций.
В этой статье я дам общий обзор того, как я обеспечиваю непрерывное обучение с помощью программ LLM, постоянно обновляя файл agents.md.
Почему нам необходимо непрерывное обучение?
Начать работу с новым агентом требует времени. Агент должен усвоить ваши предпочтения, и вам нужно больше времени уделять взаимодействию с ним, чтобы он делал именно то, что вы хотите.
Например:
- Указание агенту использовать синтаксис Python 3.13 вместо 3.12.
- Сообщить агенту о необходимости всегда использовать возвращаемые типы в функциях.
- Необходимо гарантировать, что агент никогда не будет использовать тип «Любой».
Мне часто приходилось явно указывать агенту использовать синтаксис Python 3.13, а не 3.12, вероятно, потому что синтаксис 3.12 более распространен в их обучающем наборе данных.
Главная цель использования агентов ИИ — высокая скорость. Поэтому вам не нужно тратить время на повторение инструкций о том, какую версию Python использовать, или на то, чтобы агент никогда не использовал тип Any.
Кроме того, иногда ИИ-агент тратит дополнительное время на выяснение информации, которая у вас уже есть, например:
- Название вашей таблицы документов
- Названия ваших журналов CloudWatch
- Префиксы в ваших S3-корзинах
Если агент не знает название таблицы ваших документов, он должен:
- Список всех таблиц
- Найдите таблицу, название которой похоже на таблицу документа (можно выбрать один из нескольких вариантов).
- Либо выполните поиск в таблице для подтверждения, либо спросите пользователя.
Это занимает много времени, и этого легко избежать, добавив в файл agents.md имя таблицы документов, журналы CloudWatch и префиксы хранилищ S3.
Таким образом, главная причина необходимости непрерывного обучения заключается в том, что повторение инструкций вызывает разочарование и отнимает много времени, а при работе с агентами искусственного интеллекта мы хотим быть максимально эффективными.
Как применять принципы непрерывного обучения
Я использую два основных подхода к непрерывному обучению, оба из которых предполагают активное использование файла agents.md, который должен быть в каждом репозитории, с которым вы работаете:
- Всякий раз, когда агент допускает ошибку, я сообщаю ему, как её исправить, и прошу запомнить это на будущее в файле agent.md.
- После каждой переписки с агентом я использую приведенную ниже подсказку. Это гарантирует, что все, что я сообщил агенту в ходе переписки, или информация, которую он обнаружил в ходе переписки, будет сохранена для последующего использования. Это делает последующие взаимодействия гораздо более эффективными.
Обобщите знания, полученные в этой ветке обсуждения, и запомните их на будущее. Все, что может пригодиться при дальнейшем взаимодействии, например, при выполнении аналогичных задач. Сохраните в файле agents.md.
Применение этих двух простых концепций позволит вам на 80% приблизиться к непрерывному обучению в рамках программ магистратуры в области права и сделает вас гораздо более эффективным инженером.
Источник: towardsdatascience.com