Ce diagramme illustre la différence entre la génération de prompts statique et dynamique dans le domaine de l'informatique. Les exemples dans l'image sont les suivants : 1. Exemple de Prompt Statique (Scénario de Tâche de Question-Réponse Multi-Sauts) : Pour la tâche de question-réponse multi-sauts sur la connaissance "Décrivez brièvement les différences fondamentales et l'impact historique du système d'examen impérial de la dynastie Tang par rapport au système d'examen impérial de la dynastie Song", le prompt statique utilise un modèle fixe prédéfini manuellement. Le contenu est "Veuillez répondre à la question suivante : {question}. Veuillez développer en points et utiliser un langage concis." Ce modèle de prompt ne différencie pas la profondeur des connaissances historiques impliquées dans la question ni la complexité des étapes de raisonnement (cette question nécessite au moins deux étapes de raisonnement : d'abord, trier le contenu essentiel du système d'examen impérial des dynasties Tang/Song, puis comparer les différences et analyser l'impact). Il ne s'adapte pas non plus au niveau de capacité du grand modèle de langage utilisé (par exemple, il ne complète pas les explications des concepts de base pour les modèles de niveau de base, ni n'ajoute de conseils d'analyse approfondie pour les modèles avancés). Il agit toujours sur le modèle avec une expression unifiée, ce qui peut facilement conduire à ce que les modèles de base soient incapables de terminer le raisonnement en raison d'un manque de base conceptuelle, et à ce que les modèles avancés produisent un contenu superficiel en raison d'un guidage insuffisant. 2. Exemple de Prompt Dynamique (Même Scénario de Tâche de Question-Réponse Multi-Sauts) : Pour la même question ci-dessus, le processus de génération de prompt dynamique doit passer par quatre étapes adaptatives : "analyse de la tâche - récupération des connaissances - adaptation du modèle - génération du prompt". Tout d'abord, le module d'analyse de la tâche identifie que la question appartient à une tâche de raisonnement multi-sauts dans le domaine de l'histoire, nécessitant une chaîne logique de 2 à 3 étapes. Deuxièmement, le mécanisme RAG récupère les points de connaissance essentiels du système d'examen impérial de la dynastie Tang (tels que le statut du sujet Jinshi et la non-application du système d'anonymat) et du système d'examen impérial de la dynastie Song (tels que la mise en œuvre du système de transcription d'anonymat et l'institutionnalisation de l'examen du palais). Ensuite, combiné aux caractéristiques du modèle utilisé (en supposant qu'il s'agit d'un modèle de niveau intermédiaire), il est déterminé qu'il est nécessaire de compléter les transitions de concepts de base, mais qu'une simplification excessive n'est pas nécessaire. Enfin, un prompt dynamique est généré : "Veuillez compléter l'analyse de la question en vous basant sur les connaissances historiques suivantes, et répondre en trois étapes de raisonnement : 1. Tout d'abord, clarifiez les caractéristiques essentielles du système d'examen impérial de la dynastie Tang (référence : sujet Jinshi comme noyau, pas de système d'anonymat, petit nombre d'admissions) ; 2. Ensuite, triez les principaux changements dans le système d'examen impérial de la dynastie Song (référence : mise en œuvre du système de transcription d'anonymat, normalisation de l'examen du palais, expansion de l'échelle des admissions) ; 3. Comparez les différences fondamentales entre les deux et développez leur impact historique sur la mobilité des classes sociales et la construction du système bureaucratique à cette époque. Question : Décrivez brièvement les différences fondamentales et l'impact historique du système d'examen impérial de la dynastie Tang par rapport au système d'examen impérial de la dynastie Song." Ce prompt peut ajuster dynamiquement l'expression et la logique de guidage du raisonnement en fonction de la complexité de la question, des détails des connaissances récupérées et des capacités du modèle.
Veuillez générer un schéma bloc clair illustrant l'architect...