DynPrompt 1a

DynPrompt-1a

Asisten Prompt Dinamis - Agen Tunggal

Fitur Utama

Automate repetitive tasks using gen AI.

$0 subscription fee. 100% data privacy.

Tentang Proyek

Proyek ini menunjukkan pemahaman saya tentang rekayasa cepat dan pengkodean dengan Python menggunakan gen AI.

Ini adalah alat untuk mengotomatisasi tugas yang berulang -- meminimalkan waktu yang dihabiskan pada proses yang tidak memberikan nilai tambah, meningkatkan efisiensi kerja.

Ini adalah proyek setelah saya menyelesaikan AI Python course dan Prompt Engineering with Llama course dari deeplearning.ai .

Detail Teknis

• Versi Python: 3.11
• Perpustakaan yang digunakan: ollama-python
• Ketergantungan diperlukan: pandas

Instalasi dan Penggunaan

Unduh dan instal Ollama dari https://ollama.com/download

Di Terminal:

 pip install ollama 
ollama pull llama3.1:latest 

 pip install pandas 

Persiapan data.csv

prompt_var adalah konten tugas Anda.

Rekatkan masing-masing di kolom prompt_var di baris terpisah.

Atur perintah Anda

Edit perintah Anda di bawah bagian Base prompt di app.py . Gunakan teknik rekayasa cepat untuk hasil yang diinginkan.

Contoh kasus penggunaan:

• Ekstraktor teks untuk email

   prompt = f"""
      Given is an email from contains product code and corresponding remarks. Identify the product code and remarks within the original text. 
      
      Provide the product code and remark only in csv format, ready to save. Exclude the "```csv" declaration, don't add spaces after the comma, include column headers.
  
      Format:
      product_code, remark
      product_code_1, remark_1
      ...
      
      Email:
      """
  

• Pengklasifikasi teks ulasan pelanggan

   prompt = f"""
      Respond with "Positve" or "Negative": 
      the comment is a product reivew, describing an user experience. 
  
      Comment:
      """
  

Sumber daya rekayasa cepat:

• deeplearning.ai Rekayasa Cepat untuk kursus Llama
• Dokumen teknik cepat Microsoft / Meta
• metode SCRIBE

Jalankan app.py

 cd DynPrompt-1a
python app.py

Hasil di tanggapan.csv

responses.csv disimpan dalam folder yang sama. Buka di Excel.

Tantangan dan Keterbatasan

Tanggapannya sangat bergantung pada LLM yang digunakan, dan teknik rekayasa yang cepat.

Teknik rekayasa yang cepat dapat disempurnakan dengan sumber daya yang disebutkan di atas.

Model LLM apa yang dapat digunakan bergantung pada perangkat keras Anda. Semakin baik model LLM, semakin tinggi kebutuhan RAM dan VRAM.

Khususnya dalam skrip ini, saya menggunakan Llama 3.1 8B di MacBook M3 Pro 18GB RAM . Anda mungkin mengalami kesalahan jika VRAM Anda tidak mencukupi.

Periksa terminal untuk melihat apakah Ollama berjalan dengan benar. Atau edit skrip untuk LLM yang lebih kecil.

 ollama run llama3.1:latest

Rencana dan Ide Masa Depan

Saya tertarik pada:

• Langflow -- alat berkode rendah untuk alur kerja multi-agen memungkinkan tugas yang lebih kompleks

• n8n -- alat alur kerja otomatisasi yang berfungsi di berbagai aplikasi

Umpan Balik dan Kontribusi

Jika Anda memiliki masukan atau saran untuk perbaikan, atau jika Anda mengetahui tutorial bagus tentang Langflow dan n8n, beri tahu saya! Mari terhubung.

Atribusi

Saya ingin mengucapkan terima kasih kepada komunitas open source dan instruktur dari deeplearning.ai.