เครื่องมือและปลั๊กอินแบบกำหนดเองสำหรับ LLM
พัฒนาและผสานรวมเครื่องมือแบบกำหนดเองที่ LLM นำไปใช้เพื่อขยายความสามารถให้เกินกว่าความรู้พื้นฐาน
เครื่องมือและปลั๊กอินแบบกำหนดเองสำหรับ LLM เป็นบทเรียน AI Prompt Engineering ฟรีบน CoddyKit นี่คือบทเรียนที่ 3 จากทั้งหมด 3 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน AI Prompt Engineering และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส AI Prompt Engineering มีบทเรียนทั้งหมด 3 บทเรียน
เครื่องมือแบบกำหนดเองคืออะไร
ยินดีต้อนรับสู่บทเรียนสุดท้ายของหลักสูตร 'การเขียนพรอมต์ขั้นสูงด้วยการใช้เครื่องมือและเอเจนต์'! วันนี้เราจะเจาะลึกเกี่ยวกับเครื่องมือแบบกำหนดเองและปลั๊กอินสำหรับโมเดลภาษาขนาดใหญ่ (LLM)
เครื่องมือแบบกำหนดเองช่วยให้ LLM ทำสิ่งต่าง ๆ ได้มากกว่าการใช้ข้อมูลที่ผ่านการฝึก และโต้ตอบกับโลกจริงหรือระบบเฉพาะได้ ลองนึกภาพเครื่องมือเหล่านี้เป็นทักษะพิเศษที่คุณสอนให้ LLM
- เพิ่มความสามารถ: เพิ่มฟังก์ชันใหม่
- เข้าถึงข้อมูลแบบเรียลไทม์: รับข้อมูลปัจจุบัน
- ดำเนินการ: เปลี่ยนแปลงระบบภายนอก
ความสามารถแบบกำหนดเองเทียบกับความสามารถในตัว
คุณได้เรียนรู้เกี่ยวกับการเรียกใช้ฟังก์ชันพื้นฐานและการผสานรวมเอพีไอแล้ว เครื่องมือแบบกำหนดเองจะต่อยอดแนวคิดนี้ให้ก้าวไปอีกขั้น
แม้ LLM อาจรู้วิธี 'สรุปข้อความ' อยู่แล้ว แต่จะไม่รู้วิธี 'ตรวจสอบสภาพอากาศในลอนดอน' หากคุณไม่ได้จัดเตรียมเครื่องมือไว้ให้ เครื่องมือแบบกำหนดเองจะช่วยเชื่อมช่องว่างนี้ โดยมอบความสามารถเฉพาะด้านจากภายนอกให้ LLM ซึ่งไม่ได้อยู่ในฐานความรู้หลักของ LLM
โครงสร้างของเครื่องมือแบบกำหนดเอง
เครื่องมือแบบกำหนดเองทุกชิ้นต้องมีคำจำกัดความที่ชัดเจน เพื่อให้ LLM ทราบว่าควรใช้เครื่องมือนั้นเมื่อใดและอย่างไร องค์ประกอบสำคัญมีดังนี้:
- ชื่อ: ตัวระบุเฉพาะ (เช่น
get_current_time) - คำอธิบาย: อธิบายว่าเครื่องมือทำอะไรและควรใช้เมื่อใด ซึ่งเป็นสิ่งสำคัญอย่างยิ่งต่อการตัดสินใจของ LLM
- พารามิเตอร์: ข้อมูลนำเข้าที่เครื่องมือต้องใช้เพื่อทำงาน (เช่น
timezoneสำหรับเครื่องมือบอกเวลา) - ผลลัพธ์ที่คาดว่าจะได้รับ: ข้อมูลประเภทใดที่เครื่องมือส่งคืน
การอธิบายเครื่องมือด้วยสคีมา
หากต้องการ 'สอน' LLM เกี่ยวกับเครื่องมือแบบกำหนดเอง เราจะจัดเตรียมคำจำกัดความของเครื่องมือในรูปแบบที่มีโครงสร้าง ซึ่งมักเป็นสคีมาเจสัน สคีมานี้จะบอกทุกสิ่งที่ LLM จำเป็นต้องทราบเพื่อเรียกใช้เครื่องมือได้อย่างถูกต้อง
ต่อไปนี้คือตัวอย่างแบบย่อของวิธีอธิบายเครื่องมือ get_current_time ของเรา:
{
"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": []
}
}การสร้างเครื่องมืออย่างง่าย: รับเวลา
มาสร้างตัวอย่างที่ใช้งานได้จริงกัน นั่นคือเครื่องมือชื่อ get_current_time เครื่องมือนี้จะส่งคืนเวลาปัจจุบัน โดยอาจระบุเขตเวลาได้
แม้ LLM จะเข้าใจคำอธิบาย (จากสคีมา) แต่เรามีหน้าที่เขียนโค้ดจริงที่ดำเนินการตามที่อธิบายไว้ โค้ดนี้จะทำงานภายนอกเมื่อ LLM ตัดสินใจเรียกใช้เครื่องมือ
ตัวอย่างการนำเครื่องมือไปใช้งาน
ส่วนของโค้ดภาษาไพธอนนี้แสดงให้เห็นว่าเครื่องมือ get_current_time อาจทำงานอยู่เบื้องหลังอย่างไร เมื่อ LLM เรียกใช้เครื่องมือ เครื่องมือจะดำเนินการฟังก์ชันนี้ (หรือตรรกะลักษณะเดียวกันในภาษาที่คุณเลือก) แล้วรับผลลัพธ์
ลองเรียกใช้เพื่อดูผลลัพธ์ได้เลย!
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"))ลำดับการเรียกใช้เครื่องมือของ LLM
โดยทั่วไป LLM จะใช้เครื่องมือแบบกำหนดเองดังนี้:
- พรอมต์ของผู้ใช้: คุณถามคำถามกับ LLM (เช่น "ขณะนี้ที่นิวยอร์กเป็นเวลาเท่าไร?")
- การตัดสินใจของ LLM: LLM จะวิเคราะห์พรอมต์ของคุณและคำอธิบายเครื่องมือที่มีอยู่
- การเรียกใช้เครื่องมือ: หากมีเครื่องมือที่เกี่ยวข้อง LLM จะสร้างการเรียกใช้เครื่องมือ (เช่น
get_current_time(timezone="America/New_York")) - การดำเนินการ: ระบบของคุณจะเรียกใช้โค้ดจริงของเครื่องมือ
- ผลลัพธ์: ผลลัพธ์จากเครื่องมือจะถูกส่งกลับไปยัง LLM
- คำตอบจาก LLM: LLM จะใช้ผลลัพธ์จากเครื่องมือเพื่อจัดทำคำตอบสุดท้ายให้คุณ
การเขียนพรอมต์ด้วยเครื่องมือแบบกำหนดเอง
เมื่อคุณเขียนพรอมต์ให้ LLM ที่เข้าถึงเครื่องมือแบบกำหนดเองได้ คุณไม่จำเป็นต้องบอก LLM อย่างชัดเจนให้ใช้เครื่องมือ เพียงถามคำถามที่สื่อว่าจำเป็นต้องใช้เครื่องมือก็พอ
ความสามารถของ LLM ในการทำความเข้าใจคำอธิบายของเครื่องมือเป็นสิ่งสำคัญ คำอธิบายที่ดีจะช่วยให้ LLM เลือกเครื่องมือที่เหมาะสมในเวลาที่เหมาะสม
- พรอมต์:
"What is the current time right now?" - การดำเนินการของ LLM: เรียกใช้
get_current_time() - ผลลัพธ์จากเครื่องมือ:
"Current time in UTC: 2023-10-27 10:30:00 (UTC basis)" - คำตอบจาก LLM:
"The current time is 10:30 AM UTC."
ประโยชน์ของเครื่องมือแบบกำหนดเอง
เครื่องมือแบบกำหนดเองช่วยปลดล็อกความสามารถอันทรงพลังให้แก่ LLM:
- ความเฉพาะเจาะจงด้านสาขา: มอบความรู้ที่อยู่นอกเหนือการฝึกทั่วไปให้แก่ LLM
- การโต้ตอบแบบเรียลไทม์: เข้าถึงข้อมูลล่าสุด (เช่น ราคาหุ้นและสภาพอากาศ)
- ปัญญาประดิษฐ์ที่ลงมือทำได้: ช่วยให้ LLM ดำเนินการต่าง ๆ ได้ (เช่น ส่งอีเมลและจองนัดหมาย)
- ความแม่นยำที่เพิ่มขึ้น: ลดการสร้างข้อมูลที่แต่งขึ้นโดยอาศัยผลลัพธ์จากเครื่องมือที่อิงข้อเท็จจริง
- ความเป็นโมดูล: แยกตรรกะของ LLM ออกจากการโต้ตอบกับระบบภายนอก
ตรวจสอบอย่างรวดเร็ว: เครื่องมือแบบกำหนดเอง
องค์ประกอบใดต่อไปนี้เป็นองค์ประกอบสำคัญในคำจำกัดความของเครื่องมือแบบกำหนดเองสำหรับ LLM
ทบทวน: เพิ่มพลังให้ LLM
ในบทเรียนนี้ เราได้สำรวจเครื่องมือแบบกำหนดเองและปลั๊กอิน ซึ่งเป็นวิธีอันทรงพลังในการเพิ่มความสามารถให้ LLM
- เครื่องมือแบบกำหนดเองช่วยให้ LLM โต้ตอบกับระบบและข้อมูลภายนอกได้
- เครื่องมือเหล่านี้ต้องมีคำจำกัดความที่ชัดเจน (ชื่อ คำอธิบาย และพารามิเตอร์) ซึ่งมักใช้สคีมาเจสัน
- คุณเป็นผู้เขียนตรรกะจริงที่จะทำงานเมื่อ LLM เรียกใช้เครื่องมือ
- เครื่องมือแบบกำหนดเองช่วยให้ LLM ได้รับความรู้เฉพาะด้าน เข้าถึงข้อมูลแบบเรียลไทม์ และดำเนินการต่าง ๆ ได้ ทำให้ก้าวพ้นการสร้างข้อความอย่างง่าย
เมื่อเชี่ยวชาญเครื่องมือแบบกำหนดเองแล้ว คุณจะสามารถสร้างแอปพลิเคชันปัญญาประดิษฐ์ที่ชาญฉลาดและโต้ตอบได้อย่างแท้จริง!
คำถามที่พบบ่อย
บทเรียน “เครื่องมือและปลั๊กอินแบบกำหนดเองสำหรับ LLM” ฟรีหรือไม่
ใช่ — ข้อความเต็มของ “เครื่องมือและปลั๊กอินแบบกำหนดเองสำหรับ LLM” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส AI Prompt Engineering ให้อัปเกรดเป็น CoddyKit PRO คอร์ส AI Prompt Engineering มีบทเรียนทั้งหมด 3 บทเรียน
คุณจะเรียนรู้อะไรในบทเรียน “เครื่องมือและปลั๊กอินแบบกำหนดเองสำหรับ LLM”
พัฒนาและผสานรวมเครื่องมือแบบกำหนดเองที่ LLM นำไปใช้เพื่อขยายความสามารถให้เกินกว่าความรู้พื้นฐาน คุณปฏิบัติ AI Prompt Engineering ด้วยโค้ดที่ใช้งานได้จริงที่คุณเรียกใช้โดยตรงในเบราว์เซอร์ และติวเตอร์ AI ตลอด 24/7 ตอบคำถามของคุณขณะที่คุณไปผ่านบทเรียน
คุณต้องมีประสบการณ์ก่อนที่จะเริ่มเรียน AI Prompt Engineering หรือไม่
ไม่จำเป็นต้องมีประสบการณ์มาก่อน AI Prompt Engineering บน CoddyKit ออกแบบมาสำหรับผู้เริ่มต้นไปจนถึงผู้เรียนขั้นสูง คุณสามารถเริ่มต้นที่นี่หรือเริ่มจากตัวแรกและเรียนด้วยความเร็วของคุณเอง นี่คือบทเรียนที่ 3 จากทั้งหมด 3 บทเรียน
บทเรียน “เครื่องมือและปลั๊กอินแบบกำหนดเองสำหรับ LLM” ใช้เวลานานแค่ไหน
บทเรียน CoddyKit ส่วนใหญ่ใช้เวลาประมาณ 5–10 นาที แต่ละบทเรียนจึงสั้นและเป็นแบบโต้ตอบ คุณสามารถก้าวหน้าอย่างต่อเนื่องและกลับมาเรียนต่อจากตรงที่เพิ่งหยุดบนเว็บและแอปได้เลย
ฉันเขียนและรันโค้ดในบทเรียน AI Prompt Engineering นี้ได้ไหม
ได้ บทเรียน AI Prompt Engineering ทุกบทมีตัวแก้ไขโค้ดในตัว คุณจึงเขียนและรันโค้ดจริงได้เลยในเบราว์เซอร์ และได้รับข้อเสนอแนะจาก AI ในทันที — ไม่ต้องติดตั้งในเครื่องของคุณ
บทเรียนทั้งหมดในหลักสูตรนี้
- การเรียกใช้ฟังก์ชันและการผสานรวม API
- ระบบการเขียนพรอมป์แบบหลายเอเจนต์
- เครื่องมือและปลั๊กอินแบบกำหนดเองสำหรับ LLM