Task4：持续尝试，上分！
输入“/”快速插入内容
☎️Task4：持续尝试，上分！
Task4：持续尝试，上分！
2024年6月24日创建
2551
4068
17
0
1.
提分整体方向
当大家看到这个任务的时候说明有很强的意愿去拿下大模型这个赛题的高分。那么也请关注一些问题，首先你如何理解这个任务呢？这个任务是一个抽取任务，但是也需要大家明确主要做信息抽取。那么抽取想拿高分就需要精度，通过大语言模型怎么保证每个抽取信息点都被关注到？还有抽取的内容是否有效呢？
我相信带着问题，更容易找到你想要的答案。下面的思路很多，可以互相组合搭配。
2.
提分思路
2.1 数据处理
我们观察过整体数据，有的很长，长到3万字左右；有的很短，短到300字左右，而平均数据每条也有6000字。有没有想过怎么让数据展现的信息更有效？
你可以从以下几个方面去努力
1.
试着用大语言模型做数据增强，根据抽取字段做数据提取。
2.
通过字符的处理，将对话的无关信息删除。不要让“[图片]”这种信息干扰你。
2.2 prompt工程
prompt是一个做大语言模型应用都需要掌握的东西，目前baseline的抽取方式已经有一定的效果。你可以从下面这篇文章中找到一些更好的方法进行输出约束，让结果更满意。
当然，除了prompt本身的优化，你可以试试COT等方法增强抽取的效果。
2.3 agent思路
当你处理复杂问题的时候，往往单独使用大语言模型无法直接完成你想要的内容，这里你可以试试做一个自己的agent。
什么是AI Agent：
Agent（智能体） = 一个设置了一些目标或任务，可以迭代运行的大型语言模型。这与大型语言模型（LLM）在像ChatGPT这样的工具中“通常”的使用方式不同。在ChatGPT中，你提出一个问题并获得一个答案作为回应。而Agent拥有复杂的工作流程，模型本质上可以自我对话，而无需人类驱动每一部分的交互。
ChatGPT接收单一查询的输入并返回输出，它一次不能完成超过一个任务。而AI Agent则可以自驱的定义工作流程并规划任务进行解决。比如，如果你有一个天气插件，当用户问“NYC（纽约缩写）的温度是多少？”，模型就会知道它无法回答这个问题，并查看用户安装的可用插件。假设它发送请求，API返回了一个错误信息，说“NYC不是一个有效的地点，请使用详细的城市名称，不要使用缩写”，模型实际上可以读取这个错误并发送新的请求来修复它。在这次人工智能的浪潮中AI Agent的火花诞生于 GPT插件商城以及AutoGPT。这分别提到Agent的工具调用能力和规划能力，在 LLM 支持的自主Agent系统中，LLM 充当Agents的大脑，并辅以几个关键组成部分：
• 规划
￮ 子目标和分解：Agents将大型任务分解为更小的、可管理的子目标，从而能够有效处理复杂的任务。
￮ 反思和完善：Agents可以对过去的行为进行自我批评和自我反思，从错误中吸取教训，并针对未来的步骤进行完善，从而提高最终结果的质量。
• 记忆
￮ 长期记忆：这为Agents提供了长时间保留和回忆（无限）信息的能力，通常是通过利用外部向量存储和快速检索来实现。
• 工具使用
￮ Agents学习调用外部 API 来获取模型权重中缺失的额外信息（通常在预训练后很难更改），包括当前信息、代码执行能力、对专有信息源的访问等。
这里我们推荐：