Applied-llm

本文主要介绍了如何使用 OpenAI 提供的提示工程指南以及其 Playground 中用于生成系统提示词的meta-prompt结构。

本文主要讨论了如何评估大型语言模型（LLM）在特定任务（分类、提取、摘要、翻译、版权和毒性）上的表现，并提供了一系列的评估方法和工具。

本文主要介绍了构建和部署生成式 AI 应用程序的整体架构，包括增强上下文、安全保护、模型路由和网关、减少延迟、复杂逻辑和操作以及可观测性和管道编排。

本文主要分享了一年来在构建基于大型语言模型（LLMs）产品过程中的实践经验和教训，涵盖了从实际操作到战略规划的各个方面。

本文通过一个关于不动产 AI 助手 “Lucy” 的案例研究，展示了如何通过系统的评估方法来突破产品发展的瓶颈。他提出了三个层次的评估体系：单元测试、人工和模型评估以及 A/B 测试。

本文详细介绍了如何设计和应用有效的提示（prompts）来提高大型语言模型（LLM）的性能。作者强调了提示工程的重要性，并提供了多种技术和最佳实践，例如通过为 LLM 分配特定角色和责任来引导其输出内容、使用结构化输入和输出来提高解析和集成的效率、以及通过链式思考（CoT）来增强模型的推理能力。

本文主要介绍了构建可靠 AI 应用的 LLM 三角原则，即标准操作程序（SOP）、工程技术和上下文数据，以及如何选择合适的模型，这些原则旨在帮助开发者设计和实现高性能的基于大型语言模型（LLM）的应用程序。

本文主要探讨了大型语言模型（LLMs）中的外在幻觉问题，包括幻觉的原因、检测方法以及减少幻觉的策略，并提供了相关的评估基准和引用。

本文主要介绍了 AlphaCodium，一种新的基于流程迭代的代码生成方法，它通过测试驱动的多阶段流程，显著提高了大型语言模型（LLMs）在代码问题解决方面的表现，尤其是在处理复杂的编程竞赛问题时。

Translation of the article "A Cheat Sheet and Some Recipes for Building Advanced RAG" by Andrei

Translation of the article "Advanced RAG Techniques An Illustrated Overview" by Erika Cardenas.