relatescript
1.0.0
RELATESScript เป็นภาษาอภิมานที่ได้รับการออกแบบมาเพื่อปรับปรุงการสร้างพรอมต์ที่มีโครงสร้างและสอดคล้องกันสำหรับแบบจำลองภาษาขนาดใหญ่ (LLMS) บทความนี้แนะนำไวยากรณ์ของ Rescript โดยเน้นพื้นฐานของมันในตรรกะเชิงสัมพันธ์และภาคแสดง โดยการมุ่งเน้นไปที่ความสัมพันธ์เงื่อนไขและบริบทเกี่ยวข้องกับการเชื่อมโยงช่องว่างระหว่างการแสดงออกทางภาษาธรรมชาติและความแม่นยำที่จำเป็นสำหรับการโต้ตอบ LLM ที่มีประสิทธิภาพ มันอำนวยความสะดวกในวิธีการใหม่ ๆ ในการกระตุ้นวิศวกรรมที่มนุษย์และ LLMs พัฒนาความร่วมมือที่มีโครงสร้างซึ่งสามารถปรับเปลี่ยนและนำกลับมาใช้ใหม่ได้อย่างง่ายดายสำหรับงานที่หลากหลายเพิ่มความน่าเชื่อถือและความสามารถอัตโนมัติของเวิร์กโฟลว์ที่ขับเคลื่อนด้วย LLM
ในสาขาการพัฒนาอย่างรวดเร็วของแบบจำลองภาษาขนาดใหญ่ (LLMs) ประสิทธิภาพของการโต้ตอบอย่างมากขึ้นอยู่กับคุณภาพของการแจ้งเตือน ภาษาการเขียนโปรแกรมที่จำเป็นแบบดั้งเดิมมักจะกำหนดโครงสร้างที่เข้มงวดซึ่งตรงกันข้ามกับลักษณะที่เหมาะสมและมีความอ่อนไหวต่อบริบทของการใช้เหตุผลของมนุษย์ ในขณะที่ภาษาธรรมชาติมีความยืดหยุ่นที่เหนือชั้นสำหรับการโต้ตอบกับ LLM แต่ก็สามารถนำไปสู่ความคลุมเครือและความไม่สอดคล้องกันในผลลัพธ์ที่รวดเร็ว เพื่อจัดการกับความท้าทายเหล่านี้เราแนะนำ RELATESCRIPT ซึ่งเป็นภาษาอภิมานที่ได้รับการออกแบบมาโดยเฉพาะสำหรับการสร้างพรอมต์ที่มีโครงสร้าง Relatescript ช่วยให้ผู้ใช้สามารถกำหนดเอนทิตีความสัมพันธ์และเงื่อนไขในรูปแบบที่สามารถอ่านได้และแม่นยำ Relatescript ไม่ได้มีวัตถุประสงค์เพื่อเป็นภาษาการเขียนโปรแกรมแบบดั้งเดิมที่มีตัวแยกวิเคราะห์แยกต่างหาก แต่เป็นรูปแบบอินพุตที่มีโครงสร้างซึ่งใช้ประโยชน์จากความสามารถในการทำความเข้าใจโดยธรรมชาติของ LLMS
Relatescript ตอบสนองความต้องการที่เพิ่มขึ้นสำหรับวิธีการที่เป็นระบบและเชื่อถือได้มากขึ้นในการกระตุ้นวิศวกรรม เมื่อ LLM มีความซับซ้อนมากขึ้นความสามารถในการอธิบายคำแนะนำที่ซับซ้อนและกำหนดเงื่อนไขที่แม่นยำกลายเป็นสิ่งสำคัญสำหรับการควบคุมศักยภาพของพวกเขาอย่างเต็มที่ Relatescript ให้วิธีที่เข้าถึงได้และใช้งานง่ายในการอธิบายความสัมพันธ์และการพึ่งพาระหว่างหน่วยงานทำให้ผู้ใช้สามารถแสดงตรรกะที่ซับซ้อนในลักษณะที่สอดคล้องกับการใช้เหตุผลของมนุษย์อย่างใกล้ชิด ด้วยไวยากรณ์ที่ออกแบบมาเพื่อการอ่าน Relatescript จะช่วยให้ผู้ใช้สามารถสร้างพรอมต์ที่สอดคล้องกันทำให้มันเหมาะอย่างยิ่งสำหรับการสร้างเทมเพลตที่สามารถนำกลับมาใช้ใหม่ได้ซึ่งสามารถปรับให้เข้ากับสถานการณ์ที่แตกต่างกันซึ่งจะช่วยเพิ่มประสิทธิภาพและความน่าเชื่อถือของการโต้ตอบ LLM นอกจากนี้ยังช่วยให้สามารถรวมจุดแข็งของความรู้โดเมนของมนุษย์เข้ากับโครงสร้างของรูปแบบเชิงตรรกะ
ไวยากรณ์ของ Relatescript เน้นโครงสร้างภาษาธรรมชาติช่วยให้สามารถประกาศที่สามารถอ่านได้ของเอนทิตีความสัมพันธ์และเงื่อนไข โครงสร้างหลักของมันรวมถึง:
define <Entity> as <Description>.<Entity> is <Predicate>.<Entity> has <Attribute> of <Value>.relate <Entity1> and <Entity2> as <RelationType> [ if <Condition> ].if <Condition>, then <Action>.ensure <Goal>.พรอมต์พร้อมคำแนะนำแบบผสมและตรรกะหลายระดับ
define City as "A collection of buildings and people".
Berlin is a City.
Berlin has Population of 3_500_000.
define Metropolis as "A city with more than 1_000_000 inhabitants".
if City has Population > 1_000_000,
then ensure City is a Metropolis.
พฤติกรรมที่คาดหวัง: LLM ควรรับรู้ว่าเบอร์ลินเป็น "มหานคร" เพราะประชากรของมันมากกว่า 1,000,000
ตัวอย่างเพิ่มเติม
แบบฟอร์ม Backus-Naur ที่ขยายต่อไปนี้ (EBNF) กำหนดไวยากรณ์ของ Relatescript:
program ::= { statement } ;
statement ::= definition | predicate | attribute | relation | condition | goal ;
definition ::= " define " entity " as " string " . " ;
predicate ::= entity " is " predicate_value " . " ;
attribute ::= entity " has " attribute_name " of " attribute_value " . " ;
relation ::= " relate " entity " and " entity " as " relation_type [ " if " condition ] " . " ;
condition ::= " if " condition_expr " , then " action " . " ;
goal ::= " ensure " goal_expr " . " ;
condition_expr ::= entity predicate_operator predicate_value
| entity attribute_operator attribute_value
| entity relation_operator entity ;
goal_expr ::= entity relation_type entity ;
action ::= " ensure " goal_expr ;
entity ::= identifier ;
predicate_value ::= identifier ;
attribute_name ::= identifier ;
attribute_value ::= identifier | number ;
relation_type ::= string ;
predicate_operator ::= " is " | " is not " ;
attribute_operator ::= " has " | " does not have " ;
relation_operator ::= " relates to " | " does not relate to " ;
identifier ::= letter { letter | digit | " _ " } ;
letter ::= " a " | " b " | " ... " | " z " ;
string ::= ' " ' { character } ' " ' ;
number ::= digit { digit } ;
character ::= lowercase-char | uppercase-char | digit | special-char ;
lowercase-char ::= " a " | " b " | " ... " | " z " ;
uppercase-char ::= " A " | " B " | " ... " | " Z " ;
special-char ::= " - " | " _ " ;
digit ::= " 0 " | " 1 " | " ... " | " 9 " ; โครงสร้างหลัก ( program ) : โปรแกรม (พรอมต์) ประกอบด้วยลำดับของ statements ซึ่งแต่ละรายการจะกำหนดข้อมูลความสัมพันธ์หรือคำสั่งเฉพาะ
งบ :
definition ): กำหนดเอนทิตีด้วยชื่อและคำอธิบายpredicate ): กำหนดคุณสมบัติหรือสถานะให้กับนิติบุคคลattribute ): เชื่อมโยงเอนทิตีกับแอตทริบิวต์และค่าrelation ): กำหนดความสัมพันธ์ระหว่างสองเอนทิตีโดยเลือกกับเงื่อนไขcondition ): กำหนดเงื่อนไขและการกระทำที่เกิดขึ้นgoal ): อธิบายเป้าหมายที่จะบรรลุผลcondition_expr ): ตรวจสอบความสัมพันธ์หรือคุณสมบัติระหว่างเอนทิตีgoal_expr ): อธิบายสิ่งที่จะบรรลุaction ): เกี่ยวข้องกับเป้าหมายที่จะสำเร็จentity , predicate_value , attribute_name , attribute_value และ relation_type เป็นส่วนประกอบพื้นฐานที่แสดงโดยตัวระบุ (เช่นชื่อ) หรือค่า (เช่นตัวเลข)predicate_operator , attribute_operator และ relation_operator กำหนดประเภทของความสัมพันธ์หรือเงื่อนไขเช่น "คือ", "มี", "เกี่ยวข้องกับ"identifier แสดงชื่อและต้องเริ่มต้นด้วยจดหมายstring มาจากข้อความและล้อมรอบด้วยเครื่องหมายคำพูด Relatescript นำเสนอกรอบการทำงานที่มีโครงสร้างและขับเคลื่อนด้วยตรรกะที่เติมเต็มวิธีการแจ้งเตือนทางภาษาตามธรรมชาติอย่างราบรื่น ในขณะที่ภาษาธรรมชาติเก่งในการถ่ายทอดความแตกต่างและความคลุมเครือโดยเฉพาะอย่างยิ่งสำหรับงานสร้างสรรค์ Relatescript ให้ความชัดเจนความแม่นยำและความสอดคล้องเชิงตรรกะ-คุณสมบัติที่จำเป็นสำหรับการโต้ตอบที่ซับซ้อนและหลายขั้นตอนกับ LLMS
Relatescript สามารถจับคู่ได้อย่างมีประสิทธิภาพกับอินพุตภาษาธรรมชาติเพื่อรวมจุดแข็งของทั้งสองวิธี:
ตัวอย่างเช่นผู้ใช้อาจเริ่มต้นด้วยพรอมต์ภาษาธรรมชาติเช่น:
"ช่วยฉันสร้างรูปแบบการขายเริ่มต้นด้วยการตั้งสมมติฐานพื้นฐานเกี่ยวกับลูกค้าและผลิตภัณฑ์"
บริบทนี้สามารถรองรับได้โดยบล็อก Relatescript:
define Product as "A product for sale".
Product is available.
Product has price of 100.
Product has category of "Electronics".
define Customer as "A person who wants to buy a product".
Customer has budget of 150.
relate Customer and Product as "buys" if Product is available and Customer has budget of 150.
ensure Customer buys Product.
ชุดค่าผสมนี้ช่วยให้ LLM สามารถใช้ประโยชน์จากการตั้งค่าภาษาธรรมชาติที่ใช้งานง่ายและอุดมไปด้วยบริบทในขณะที่ยึดติดกับโครงสร้างเชิงตรรกะและความแม่นยำของ Relatescript
Relatescript จัดเรียงกับเทคนิคการแจ้งเตือนขั้นสูงสำหรับ LLMS เช่น:
Relatescript เหมาะสำหรับงานที่ต้องใช้:
อย่างไรก็ตามภาษาธรรมชาติยังคงเหนือกว่า:
การใช้งานที่มีประสิทธิภาพมากที่สุดของ Relatescript อยู่ในแอปพลิเคชันไฮบริดซึ่งทำหน้าที่เป็นส่วนเสริมของอินพุตภาษาธรรมชาติ วิธีการนี้ช่วยให้ผู้ใช้สามารถสร้างสมดุลระหว่างความคิดสร้างสรรค์และความสอดคล้องเชิงตรรกะทำให้ LLMS สามารถจัดการงานที่หลากหลายได้ทั้งความแม่นยำและการปรับตัว เราสนับสนุนการทำซ้ำเวิร์กโฟลว์ที่มีการแจ้งเตือนที่เกี่ยวข้องได้รับการปรับปรุงอย่างต่อเนื่องตามข้อเสนอแนะ LLM ซึ่งนำไปสู่การโต้ตอบที่มีประสิทธิภาพและเชื่อถือได้มากขึ้น
หลายภาษาและเฟรมเวิร์กเสนอความสามารถเชิงสัมพันธ์การประกาศหรือความไวต่อบริบท ที่นี่เราเปรียบเทียบเกี่ยวข้องกับระบบที่คล้ายกัน
Prolog เป็นภาษาการเขียนโปรแกรมตรรกะที่ใช้กันทั่วไปใน AI มันใช้ข้อเท็จจริงและกฎเพื่อรับข้อมูลใหม่
DataLog เป็นรุ่นที่เรียบง่ายของ Prolog ที่ใช้สำหรับการสืบค้นฐานข้อมูลและการใช้เหตุผลเชิงตรรกะ
ข้อมูลโมเดล SPARQL และ RDF เป็นกราฟของความสัมพันธ์แบบหัวเรื่องที่ได้รับความนิยม-มักจะเป็นเว็บความหมาย
คำอธิบายลอจิก เป็นภาษาที่เป็นทางการสำหรับการเป็นตัวแทนความรู้ใน ontologies
เอ็นจิ้นกฎ ใช้กฎการประกาศสำหรับการตัดสินใจอัตโนมัติในแอปพลิเคชันธุรกิจ
if-then เช่นเงื่อนไขและเป้าหมายของ Relatescriptโครงสร้างของ Relatescript เหมาะสำหรับ:
การวิจัยทางวิทยาศาสตร์ :
ระบบ AI :
การเป็นตัวแทนความรู้ : การสร้างแบบจำลองเอนทิตีคุณลักษณะและความสัมพันธ์ภายในโดเมนเฉพาะ
ระบบการตัดสินใจ : การใช้เป้าหมายและเงื่อนไขเพื่อปรับพฤติกรรมของโปรแกรมแบบไดนามิก
ความชัดเจนและความแม่นยำ : Relatescript มีโครงสร้างที่ชัดเจนพร้อมกฎและข้อกำหนดที่กำหนดไว้ สิ่งนี้จะช่วยลดความกำกวมที่พบได้ในภาษาธรรมชาติและทำให้มั่นใจได้ว่า LLM จะตีความความหมายที่ตั้งใจไว้อย่างถูกต้อง
ความสัมพันธ์และเงื่อนไขที่ชัดเจน : โครงสร้างการประกาศของ Relatescript นั้นเหมาะอย่างยิ่งในการกำหนดการเชื่อมต่อและเงื่อนไขอย่างชัดเจน สิ่งนี้สามารถช่วยสรุปการวาด LLM หรือประสานงานขั้นตอนต่อเนื่อง
การตีความที่ลดลง : เนื่องจาก Relatescript ขึ้นอยู่กับไวยากรณ์เชิงตรรกะ "งานตีความ" สำหรับ LLM จึงมักจะง่ายขึ้น มันต้องการความเข้าใจบริบทน้อยกว่าของภาษาเองและสามารถมุ่งเน้นไปที่คำแนะนำ
ความเข้าใจและการเข้าถึง : สำหรับผู้ใช้หลายคนภาษาธรรมชาตินั้นใช้งานง่ายและใช้งานง่ายกว่าเนื่องจากไม่จำเป็นต้องมีโครงสร้างเฉพาะหรือไวยากรณ์ที่กำหนดไว้ นี่คือข้อได้เปรียบเมื่อคำแนะนำสำหรับ LLM ถูกสร้างขึ้นโดยผู้ที่ไม่ใช่โปรแกรม
ความยืดหยุ่นและการแสดงออก : ภาษาธรรมชาติมีความยืดหยุ่นมากขึ้นและสามารถถ่ายทอดคำแนะนำที่ซับซ้อนและเหมาะสมยิ่งซึ่งยากที่จะแสดงออกในระบบที่มีโครงสร้างสูงเช่น Relatescript ตัวอย่างรวมถึงคำอุปมาอุปมัยคำศัพท์ที่คลุมเครือหรือคำอธิบายบริบทที่พบบ่อยในการสื่อสารของมนุษย์
ความสามารถในการประมวลผลของ LLMS : LLM ที่ทันสมัยเช่น GPT-4 ได้รับการออกแบบมาเพื่อทำความเข้าใจภาษาธรรมชาติและประมวลผลตามบริบท พวกเขามักจะมีความสามารถในการตีความคำแนะนำที่ซับซ้อนโดยไม่ต้องใช้ภาษาที่เป็นทางการ ในหลายกรณี LLMS เข้าใจภาษาธรรมชาติได้อย่างแม่นยำเพียงพอดังนั้น Relatescript จึงมีข้อได้เปรียบน้อยลง
ตัวอย่างนี้แสดงให้เห็นถึงวิธีการที่ Resolatescript สามารถใช้ในการจำลองปรากฏการณ์ทางกายภาพโดยเฉพาะเอฟเฟกต์โฟโตอิเล็กทริกในกลศาสตร์ควอนตัม
define Planck_constant as "h = 6.62607015 × 10⁻³⁴ Js".
define Photon as "A quantum of light".
Photon has frequency of f.
Photon has energy of E.
Photon has count of N.
relate energy and frequency as "E = Planck_constant * f".
define Metal as "A metallic element".
Metal has work_function of Phi.
Metal has electron_energy of Ee.
define Electron as "An emitted electron".
Electron has kinetic_energy of Ek.
relate Photon and Metal as "interacts" if
(Photon.energy * Photon.count) >= Metal.work_function.
if Photon interacts with Metal,
then create Electron with kinetic_energy of max((Photon.energy * Photon.count) - Metal.work_function, 0).
พฤติกรรมที่คาดหวัง: ระบบจำลองเอฟเฟกต์โฟโตอิเล็กทริกที่โฟตอนโต้ตอบกับพื้นผิวโลหะ เมื่อพลังงานทั้งหมดของโฟตอนที่เกิดขึ้นเกินกว่าฟังก์ชั่นการทำงานของโลหะอิเล็กตรอนจะถูกปล่อยออกมาด้วยพลังงานจลน์เท่ากับความแตกต่างระหว่างพลังงานโฟตอนที่เกิดขึ้นและฟังก์ชั่นการทำงาน
ตัวอย่างนี้แสดงให้เห็นถึงศักยภาพของการแสดงปรากฏการณ์ทางกายภาพที่ซับซ้อนในลักษณะที่ทั้งคู่แม่นยำเพียงพอสำหรับวัตถุประสงค์ในการคำนวณและอ่านได้เพียงพอสำหรับความเข้าใจของมนุษย์ ภาษาเชื่อมช่องว่างระหว่างพิธีการทางคณิตศาสตร์และคำอธิบายภาษาธรรมชาติทำให้มันมีค่าสำหรับการใช้งานด้านการศึกษาและการปฏิบัติในฟิสิกส์และโดเมนทางวิทยาศาสตร์อื่น ๆ
Relatescript พบช่องโดย:
ตัวอย่างนี้แสดงให้เห็นว่า Relatescript สามารถจำลองระบบ AI ที่ซับซ้อนและการโต้ตอบได้อย่างไร
define Agent as "A learning AI agent".
Agent has state of S.
Agent has action_space of A.
Agent has reward of R.
Agent has policy of π.
define Environment as "The agent's environment".
Environment has state_space of S.
Environment has transition_function of T.
Environment has reward_function of R.
relate Agent and Environment as "interacts" through "action".
relate Environment and Agent as "responds" with "state and reward".
if Agent takes Action in Environment,
then ensure Environment updates State according to transition_function and
ensure Agent receives Reward according to reward_function.
ensure Agent maximizes expected_future_reward.
พฤติกรรมที่คาดหวัง: ระบบจำลองการโต้ตอบของตัวแทนการเรียนรู้การเสริมแรงกับสภาพแวดล้อมรวมถึงการเปลี่ยนสถานะการกระทำและรางวัล สูตร Relatescript จับองค์ประกอบที่สำคัญและความสัมพันธ์ของระบบการเรียนรู้การเสริมแรง
ตัวอย่างนี้แสดงให้เห็นถึงวิธีการที่ Resolatescript สามารถใช้ในการจัดโครงสร้างและตรวจสอบการทดลองทางคลินิก
define Patient as "A participant in the clinical study".
Patient has id of unique_number.
Patient has age of years.
Patient has symptoms of [].
Patient has treatment_group of "A" or "B".
Patient has response_measure of value.
define Treatment as "A therapeutic intervention".
Treatment has type of "Experimental" or "Control".
Treatment has dosage of amount.
Treatment has duration of weeks.
define Outcome as "The treatment result".
Outcome has primary_endpoint of value.
Outcome has adverse_events of [].
Outcome has followup_status of state.
relate Patient and Treatment as "receives".
relate Patient and Outcome as "shows".
if Patient receives Treatment,
then ensure Outcome is monitored and
ensure adverse_events are reported within 24 hours.
# Statistical Analysis Rules
define SignificanceTest as "Statistical evaluation".
relate Treatment_A and Treatment_B as "compare" through SignificanceTest.
ensure p_value < 0.05 for "statistical significance".
พฤติกรรมที่คาดหวัง: ระบบจัดการการทดลองทางคลินิกโดยการติดตามผู้ป่วยการรักษาและผลลัพธ์ ช่วยให้มั่นใจได้ว่าการตรวจสอบผลลัพธ์และการวิเคราะห์ทางสถิติของประสิทธิภาพการรักษาที่เหมาะสม สูตร Relatescript เป็นวิธีที่มีโครงสร้างในการกำหนดและบังคับใช้โปรโตคอลการทดลองทางคลินิก
ทำนายยอดขายตามข้อมูลในอดีตและแนวโน้มของตลาด
define Product as "A sellable item".
Product has name of "Smartphone".
Product has historical_sales of [100, 150, 200, 250, 300].
define Market_Trend as "An indicator of market conditions affecting sales".
Market_Trend has trend of "Increasing".
define Sales_Prediction as "An estimated future sales figure".
Sales_Prediction has value of 350 if Market_Trend has trend of "Increasing" and Product has historical_sales[-1] < 350.
relate Product and Sales_Prediction as "predicted_sales".
ensure Product predicted_sales Sales_Prediction.
พฤติกรรมที่คาดหวัง: ระบบควรทำนายยอดขายในอนาคตของ "สมาร์ทโฟน" ตามแนวโน้มตลาดที่เพิ่มขึ้นและตัวเลขยอดขายในอดีตที่บันทึกไว้
Relatescript จัดเตรียมกรอบการทำงานที่มีโครงสร้างสำหรับงานที่ต้องใช้ความแม่นยำและความสอดคล้องเชิงตรรกะทำให้เป็นเครื่องมือที่มีประสิทธิภาพในการใช้งานเช่นการเป็นตัวแทนความรู้การตัดสินใจและระบบ AI ไวยากรณ์ของมันเน้นความสามารถในการอ่านและความสะดวกในการทำความเข้าใจทำให้ผู้ใช้สามารถถ่ายทอดสภาพที่ซับซ้อนและวัตถุประสงค์ในลักษณะที่สะท้อนกับภาษามนุษย์ตามธรรมชาติ
ด้วยการรวมที่เกี่ยวข้องกับการกระตุ้นภาษาธรรมชาติผู้ใช้สามารถใช้ประโยชน์จากสิ่งที่ดีที่สุดของทั้งสองโลก - รวมถึงความสามารถที่ใช้งานง่ายและความคิดสร้างสรรค์ของภาษาธรรมชาติด้วยความเข้มงวดและการทำซ้ำของการใช้เหตุผลเชิงตรรกะ วิธีการไฮบริดนี้ขยายขอบเขตของแอพพลิเคชั่นของ Relatescript และวางตำแหน่งเป็นเครื่องมือสำคัญสำหรับการปรับปรุงเวิร์กโฟลว์ที่ขับเคลื่อนด้วย LLM ปูทางสำหรับการโต้ตอบที่เชื่อถือได้มีประสิทธิภาพและอัตโนมัติมากขึ้นด้วยแบบจำลองภาษาขนาดใหญ่
การทำงานในอนาคตอาจเกี่ยวข้องกับการทดสอบภาษาใน AI ในโลกแห่งความเป็นจริงและระบบการจัดการความรู้ การวิจัยเพิ่มเติมจะมุ่งเน้นไปที่การปรับแต่งไวยากรณ์ของภาษาสำรวจความยืดหยุ่นและการจัดการกับช่องโหว่ด้านความปลอดภัยที่อาจเกิดขึ้น
โดย Florian Fischer
https://github.com/fischerf/
