0Pricing
AI Prompt Engineering · Pelajaran

Alat dan Plugin Khusus untuk LLM

Kembangkan dan integrasikan alat khusus yang dapat dimanfaatkan LLM untuk memperluas kemampuannya melampaui pengetahuan intinya.

Alat dan Plugin Khusus untuk LLM adalah pelajaran AI Prompt Engineering gratis di CoddyKit. Ini adalah pelajaran 3 dari 3. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar AI Prompt Engineering, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus AI Prompt Engineering mencakup 3 pelajaran total.

Apa Itu Alat Kustom?

Selamat datang di pelajaran terakhir dalam kursus 'Pemberian Prompt Lanjutan dengan Penggunaan Alat dan Agen'! Hari ini, kita akan membahas alat dan plugin kustom untuk Model Bahasa Besar (LLM).

Alat kustom memungkinkan LLM melampaui data pelatihannya dan berinteraksi dengan dunia nyata atau sistem tertentu. Anggaplah alat ini sebagai keterampilan khusus yang Anda ajarkan kepada LLM.

  • Memperluas Kemampuan: Menambahkan fungsi baru.
  • Mengakses Data Waktu Nyata: Mendapatkan informasi terkini.
  • Melakukan Tindakan: Membuat perubahan pada sistem eksternal.

Kemampuan Kustom vs. Bawaan

Anda telah mempelajari pemanggilan fungsi dasar dan integrasi API. Alat kustom membawa kemampuan ini ke tingkat berikutnya.

Meskipun LLM mungkin secara bawaan mengetahui cara 'merangkum teks', LLM tidak mengetahui cara 'memeriksa cuaca di London' kecuali Anda menyediakan alat untuk itu. Alat kustom menjembatani kesenjangan ini dengan memberikan kemampuan spesifik dan eksternal kepada LLM yang bukan bagian dari basis pengetahuan intinya.

Anatomi Alat Kustom

Setiap alat kustom memerlukan definisi yang jelas agar LLM mengetahui kapan dan bagaimana menggunakannya. Komponen utamanya meliputi:

  • Nama: Pengenal unik (misalnya, get_current_time).
  • Deskripsi: Menjelaskan fungsi alat dan kapan alat tersebut digunakan. Hal ini sangat penting dalam pengambilan keputusan LLM.
  • Parameter: Masukan yang diperlukan alat agar dapat berfungsi (misalnya, timezone untuk alat waktu).
  • Output yang Diharapkan: Jenis informasi yang dikembalikan alat.

Mendeskripsikan Alat dengan Skema

Untuk 'mengajarkan' alat kustom kepada LLM, kita menyediakan definisinya dalam format terstruktur, yang sering kali berupa skema JSON. Skema ini memberi tahu LLM semua hal yang perlu diketahuinya agar dapat memanggil alat dengan benar.

Berikut contoh sederhana tentang cara mendeskripsikan alat get_current_time kita:

{
  "name": "get_current_time",
  "description": "Gets the current time in a specified timezone.",
  "parameters": {
    "type": "object",
    "properties": {
      "timezone": {
        "type": "string",
        "description": "The timezone to get the time for (e.g., UTC, America/New_York)."
      }
    },
    "required": []
  }
}

Membangun Alat Sederhana: Mendapatkan Waktu

Mari kita buat contoh praktis: alat bernama get_current_time. Alat ini hanya akan mengembalikan waktu saat ini, secara opsional untuk zona waktu tertentu.

Meskipun LLM memahami deskripsi (dari skema), kita bertanggung jawab menulis kode sebenarnya yang menjalankan tindakan yang dijelaskan. Kode ini berjalan secara eksternal ketika LLM memutuskan untuk memanggil alat tersebut.

Contoh Implementasi Alat

Cuplikan kode Python ini menunjukkan seperti apa alat get_current_time di balik layar. Ketika LLM memanggil alat tersebut, alat akan menjalankan fungsi ini (atau logika serupa dalam bahasa pilihan Anda) dan memperoleh hasilnya.

Cobalah menjalankannya untuk melihat outputnya!

import datetime

def get_current_time(timezone="UTC"):
    """
    Returns the current time in the specified timezone.
    """
    # For simplicity, we'll return UTC time and note timezone
    now = datetime.datetime.now(datetime.timezone.utc)
    return f"Current time in {timezone}: {now.strftime('%Y-%m-%d %H:%M:%S')} (UTC basis)"

# This is the entry point that would be called by the LLM's integration layer
if __name__ == "__main__":
    print(get_current_time())
    print(get_current_time(timezone="America/New_York"))

Alur Pemanggilan Alat oleh LLM

Berikut cara LLM biasanya menggunakan alat kustom:

  1. Prompt Pengguna: Anda mengajukan pertanyaan kepada LLM (misalnya, "Jam berapa sekarang di New York?").
  2. Keputusan LLM: LLM menganalisis prompt Anda dan deskripsi alat yang tersedia.
  3. Pemanggilan Alat: Jika ada alat yang relevan, LLM membuat pemanggilan alat (misalnya, get_current_time(timezone="America/New_York")).
  4. Eksekusi: Sistem Anda menjalankan kode alat yang sebenarnya.
  5. Hasil: Output alat dikembalikan kepada LLM.
  6. Respons LLM: LLM menggunakan output alat untuk menyusun jawaban akhirnya kepada Anda.

Pemberian Prompt dengan Alat Kustom

Ketika Anda memberikan prompt kepada LLM yang memiliki akses ke alat kustom, Anda tidak perlu secara eksplisit menyuruhnya menggunakan alat tersebut. Anda cukup mengajukan pertanyaan yang menunjukkan bahwa alat itu diperlukan.

Kemampuan LLM untuk memahami deskripsi alat merupakan hal yang penting. Deskripsi yang baik membantu LLM memilih alat yang tepat pada waktu yang tepat.

  • Prompt: "What is the current time right now?"
  • Tindakan LLM: Memanggil get_current_time()
  • Output Alat: "Current time in UTC: 2023-10-27 10:30:00 (UTC basis)"
  • Respons LLM: "The current time is 10:30 AM UTC."

Manfaat Alat Kustom

Alat kustom membuka kemampuan yang kuat bagi LLM:

  • Spesifik Domain: Memberikan pengetahuan kepada LLM yang melampaui pelatihan umumnya.
  • Interaksi Waktu Nyata: Mengakses informasi terkini (misalnya, harga saham dan cuaca).
  • AI yang Dapat Bertindak: Memungkinkan LLM melakukan tindakan (misalnya, mengirim email dan memesan janji temu).
  • Akurasi yang Ditingkatkan: Mengurangi halusinasi dengan mengandalkan output alat yang berdasarkan fakta.
  • Modularitas: Memisahkan logika LLM dari interaksi dengan sistem eksternal.

Pemeriksaan Singkat: Alat Kustom

Manakah dari berikut ini yang merupakan komponen penting dalam definisi alat kustom untuk LLM?

Rangkuman: Memperluas Kekuatan LLM

Dalam pelajaran ini, kita mengeksplorasi alat dan plugin kustom, yaitu cara yang ampuh untuk memperluas kemampuan LLM.

  • Alat kustom memungkinkan LLM berinteraksi dengan sistem dan data eksternal.
  • Alat tersebut memerlukan definisi yang jelas (nama, deskripsi, dan parameter), yang sering kali menggunakan skema JSON.
  • Anda mengimplementasikan logika sebenarnya yang berjalan ketika LLM memanggil alat tersebut.
  • Alat kustom memungkinkan LLM memperoleh pengetahuan spesifik domain, mengakses data waktu nyata, dan melakukan tindakan, sehingga melampaui sekadar menghasilkan teks.

Dengan menguasai alat kustom, Anda dapat membangun aplikasi AI yang benar-benar cerdas dan interaktif!

Pertanyaan yang Sering Diajukan

Apakah pelajaran “Alat dan Plugin Khusus untuk LLM” gratis?

Ya — teks lengkap “Alat dan Plugin Khusus untuk LLM” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus AI Prompt Engineering, upgrade ke CoddyKit PRO. Kursus AI Prompt Engineering mencakup 3 pelajaran total.

Apa yang akan aku pelajari di “Alat dan Plugin Khusus untuk LLM”?

Kembangkan dan integrasikan alat khusus yang dapat dimanfaatkan LLM untuk memperluas kemampuannya melampaui pengetahuan intinya. Kamu berlatih AI Prompt Engineering dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.

Apakah aku perlu pengalaman untuk memulai AI Prompt Engineering?

Tidak diperlukan pengalaman sebelumnya. AI Prompt Engineering di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 3 dari 3.

Berapa lama pelajaran “Alat dan Plugin Khusus untuk LLM” memakan waktu?

Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.

Bisakah aku menulis dan menjalankan kode dalam pelajaran AI Prompt Engineering ini?

Ya. Setiap pelajaran AI Prompt Engineering menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.

Semua pelajaran dalam kursus ini

  1. Pemanggilan Fungsi dan Integrasi API
  2. Sistem Pemberian Prompt Multi-Agen
  3. Alat dan Plugin Khusus untuk LLM
← Kembali ke AI Prompt Engineering