目录 介绍 Artifacts 结构化输出生成向前迈了一步。 思维 逻辑思维是生成过程的关键部分。 标识符和搜索 搜索和检索文物是系统提示的关键部分。 模板语言结构 根据输入变量而变化的渲染模板 结论 对于克劳德来说，这是一个小小的神器，而对于人工智能来说，这是一次巨大的飞跃。 克劳德3.5系统 系统提示 介绍 Artifacts 结构化输出生成向前迈了一步。 这是对 此分析的代码链接可在底部找到，并附有源代码。此分析的主要重点是引入工件的概念，以及它如何作为智能分类和检索系统的一部分发挥作用。 Claude 3.5 Sonnet 系统提示生成的分析。 “工件是指用户可能修改或重复使用的大量、独立的内容。 工件是一种范式转变，因为它形式化了一个新概念。持久数据的概念。持久数据是我们访问高度策划和结构化的内容库的垫脚石。通过提供固定引用，我们解除了迭代的阻碍，并能够逐步改进和完善输出。这是控制冗长的 LLM 输出的短暂性的一步。 生成式人工智能在代码补全等功能性任务中存在的一个固有问题是，它们经常会因为简单的更改而重复整个文件。人们对“差异”功能的需求巨大，我们可以通过此功能输出前后差异，而不是重复相同的内容。 因此，工件具有双重用途；首先，它们充当我们需要输出的方式和位置的参考点。这就像范围的设置或参考点的定义。这将阻止 LLM 失去对原始问题的关注，同时保持输出中的结构和分类的持久性。 作为加分项，我们还提供了自动完成功能。通过定义“基本”代码和更改范围，我们现在已指导我们的 LLM 以有主见和精心策划的方式专注于特定任务或问题。这可以阻止缩放中的不稳定变化，还可以将整个正在进行的工作提供给提示。任何不小心用“其余代码在这里”擦除其代码的工程师都会感谢您。我们可以在此处看到范围的设置： “独立、复杂的内容，无需对话背景就能理解 我们正在将焦点从不受控制的冗长输出转移到具体的工件上。值得注意的是，明确指示忽略对话的上下文。这是一种通过参考精选数据来确保质量的方法。它是一种质量控制机制，可控制输入的冗长和潜在的随机特性。 所有这些都与检索架构相契合。通过拥有一个深度精选工件库，我们现在可以指导我们的系统从受控数据集中进行检索。我们知道，所有大型人工智能提供商都在大力投资高质量的精选数据。工件是朝着用结构化方式构建详细输入和输出迈出的一步。 我们可以看到焦点从输入转移到提示中的系统定义的研究。以下是一些排除标准的示例： “依赖当前对话上下文的内容才是有用的。 用户不太可能修改或迭代的内容。 来自用户的请求似乎是一次性的问题。 提示积极关注系统上下文和手头的任务。提示明确尝试过滤与特定输出无关的输入。因此，工件既在生成的文本中充当具体的参考点，又在幕后充当结构化数据。这使我们能够快速准确地检索和集中注意力。这对...非常有帮助。 思维 逻辑思维是生成过程的关键部分。 及时的工程师们一直告诉我们，获得可靠成果的关键之一是强制 LLM 形成一个多步骤、结构化且合乎逻辑的思维过程。我们在提示中看到了对此的正式认可。 “1. 在调用工件之前，先在 <antthinking> 标签中想一句话，看看它如何根据好工件和坏工件的标准进行评估。考虑一下如果没有工件，内容是否也能正常工作。如果它值得工件，再用另一句话确定它是新工件还是对现有工件的更新（最常见）。对于更新，请重用先前的标识符。 在这里，我们强制我们的系统采用结构化的多步骤流程来分析任务和输出。再次，转向对冗长内容的强定义，并暗示用于工件的搜索和检索系统。 “<antthinking>创建一个用于计算阶乘的 Python 脚本符合优秀工件的标准。它是一段独立的代码，可以单独理解，并且很可能被重复使用或修改。这是一个新的对话，因此没有预先存在的工件。因此，我正在创建一个新的工件。</antthinking> <antthinking>此请求是对现有阶乘计算器工件的直接修改。这不是新工件，而是为了使脚本更加健壮而进行的更新。我将重用阶乘计算器标识符以保持连续性并展示我们代码的演变。</antthinking> 在这里，我们可以看到生成定义输出的逻辑思维过程的实现。通过确保我们的算法经过相同的逻辑步骤，我们拥有了智能且可重复的生成过程的种子。 我们可以将这种逻辑映射到人的思维过程。首先，我们有一个合乎逻辑和理性的解决问题的方法。我们用硬件工件来补充这一点。LLM 数据集是大脑，但工件是使我们能够达到某种输出的技能和知识。 如果我们想象一下所有竞争模型，我们可以得出它们依赖于逻辑思维过程的复制。我们本质上是在创造一个机器人大脑来模仿人类的逻辑思维过程。我们正在构建大脑缺失的部分、知识、结构和检索过程。 这使得系统提示和指令成为极其宝贵的资产。对“逻辑思维”的理解和提炼是生成过程的关键部分。 我们可以在代码中看到这种结构化思维的一些基本实现...... 标识符和搜索 搜索和检索文物是系统提示的关键部分。 “<antartifact identifier="factorial-script" type="application/vnd.ant.code" language="python" title="简单的 Python 阶乘脚本"> def factorial(n): if n == 0: return 1 else: return n * factorial(n - 1) 那么 application/vnd.ant.code 是什么？Application 很简单，VND 是供应商，ANT 将是 Anthropic（Claude 的创建者）和代码；这是对其架构的洞察。我希望有某种分类法和结构化数据，列出人们试图用 LLM 实现的任务。 编码任务 演示文稿 文件 分析 还有很多... 例如，我们可以创建一些伪代码来尝试进行 PowerPoint 演示。 <antartifact identifier="powerpoint-presentation" type="application/vnd.ant.presentation" purpose="business" title="Simple powerpoint presentation"> Slide 1: Title slide Slide 2: Introduction Slide 3: Problem statement Slide 4: Solution </antartifact> 这几乎肯定与生产代码完全不同，但是一种有趣的思维范式。为了控制和构造冗长的输出，我们必须遇到逻辑和合理的过程来对输入和输出进行分类和标准化。 我怀疑这意味着当输入进来时，它们会运行单独的经过实战考验的算法，这些算法会运行实体提取和分类。然后，这些结构化数据会经过资产搜索和检索过程。对于文本，我们使用矢量数据库；对于其他定义的输出，我们现在引入了工件的概念。例如，React Code 任务可以像这样进行。 "INPUT: Create a react component for a metrics dashboard", "ENTITY_EXTRACTION: Coding, React, Metrics Dashboard", "ENTITY_SEARCH: Retrieve code artifacts for Metrics Dashboard where type = React", "SYSTEM_PROMPT: create_system_prompt(artifact_id='metrics-dashboard-component', type='application/vnd.ant.code', language='react')" 有很多事情正在进行，我们可以看到幕后需要付出艰苦的努力，才能为理论上无限的任务池挑选出高质量的示例和分类法。幕后将与其他 AI 分类算法进行迭代，以实现自动化。 但就我们所见，它的核心是一个基于专有模板语言的搜索和检索系统。 模板语言结构 根据输入变量而转变的渲染模板。 多年前，我以 Drupal 开发人员的身份开始了自己的职业生涯。阅读提示时，我首先想到的词是 TWIG。Twig 是一种 HTML 模板语言，通常用于从 PHP 渲染 HTML 模板。Claude 几乎肯定会使用某种等效方法，根据结构化数据（可能在 LLM 之外提取）定制输入和上下文。 看起来 Claude Sonnet 3.5 使用了类似的东西，这很有道理。给定 LLM 的文本输入，我们需要系统地生成文本块。这些是组合在一起生成提示的动态标签。 <antartifact></antartifact> <artifacts_info><artifacts_info/> <示例> </示例> <用户查询> </用户查询> <示例文档字符串></示例文档字符串> <assistant_response></assistant_response> 这将利用一种函数调用方法。每个标签都有特定的用途。然后，当我们指导模型为每个特定用途找到正确的类别和类型时，这将充当抽象。我想象提示构造是这样的。大量推测性伪代码即将到来…… function generate_reference() { context=artifact_type, artifact_id, task examples = search_examples_by_type('react', 'hooks', 'current_ids') return structured_data } function generate_system_instruction(structured_data) { <antartifact> <artifacts_info {{ attribute(version, '1.00') }}> <% artifact_introduction %> <% artifact_selection %> <% artifact_elimination %> <% artifact_usage %> <% artifact_instruction {{ type(code, 'data-code') }} {{ type(react, 'data-react') }} %> </ artifacts_info/> <example {{ for react_example in react_code_artifact }}>{react_example }</example> <example_docstring {{ for example_thought_process in curated_artifact_generation_example }}>{example_thought_process }<example_docstring /> <user_query>{sanitized_user_query}</user_query> <assistant_response>{sanitized_user_query}</assistant_response> </antartifact } 所以，我们把思维过程分解成块。实体提取与高级搜索和检索映射。逻辑思维过程的构建块。基础数据是输出质量的关键。 结论 对于克劳德来说，这是一个小小的神器，而对于人工智能来说，这是一次巨大的飞跃。 工件对于结构化输出（例如代码生成）的作用就如同向量搜索对于 rag 的作用一样。它是结构化输出的搜索和检索系统。 我们在 Claude 3.5 中看到了结构化和理性思维过程的证据。我们一直认为这在生成式人工智能中很重要，但这是形式证明。 我可以想象大批开发人员和营销人员建立精心策划的文物库。这个库通过分类、搜索和检索任务来访问。但真正的进步是持久性的概念。 通过使用工件，我们拥有超越短暂存在的参考点。这些参考点可以得到改进和重复使用。我们已经有了思想和详细的输出。现在，我们拥有了记忆和专业知识…… 克劳德3.5系统 系统提示完整
