📄️ 使用LLM进行函数调用
开始使用函数调用
📄️ 数据生成
大型语言模型（LLMs）具有生成连贯文本的强大能力。使用有效的提示策略可以引导模型产生更好、更一致、更具事实性的响应。LLMs还可以特别有用地生成数据，这对于运行各种实验和评估非常有用。例如，我们可以使用它来生成情感分类器的快速样本，如下所示：
📄️ 为 RAG 生成合成数据集
RAG 设置的合成数据
📄️ 应对生成数据集的多样性
在之前的章节中，我们讨论了利用LLM进行合成数据集生成的潜力，以进一步微调本地的Retriever模型。这种方法之所以可行，是因为有大量未标记文档的语料库可供使用。每个文档用于生成一个或多个合成查询，并形成一个查询-文档对。
📄️ 代码生成
像 ChatGPT 这样的 LLM 在代码生成方面非常有效。在本节中，我们将介绍如何使用 ChatGPT 进行代码生成的许多示例。
📄️ 研究生工作分类案例研究
Clavié 等人，2023 提供了一个关于提示工程应用于生产系统中的中等规模文本分类用例的案例研究。他们使用了一个任务，即对工作是否适合最近的毕业生，即真正的“入门级工作”进行分类，并评估了一系列提示工程技术，并使用 GPT-3.5 (gpt-3.5-turbo) 报告了他们的结果。
📄️ 提示功能
简介