📄️ Introducción
Hasta ahora hemos visto varios métodos de prompting/ingeniería de prompts. Ahora cubriremos algunas aplicaciones avanzadas del prompting que pueden resolver tareas de razonamiento complejas realizando búsquedas de información a través de Internet u otras fuentes externas.
📄️ 🟡 LLMs Utilizando Herramientas
MRKL Systems (@karpas2022mrkl) (Modular Reasoning, Knowledge and Language, siguiendo una lógica fonética inglesa, se prouncia "miracle") son una arquitectura neuro-simbólica que combina LLMs (computación neuronal) y herramientas externas como calculadoras (computación simbólica) para resolver problemas complejos.
📄️ 🟡 LLMs que razonan y actúan
ReAct (@yao2022react) (razonamiento, acción) es un paradigma para permitir que los modelos de lenguaje resuelvan tareas complejas utilizando el razonamiento del lenguaje natural. ReAct está diseñado para tareas en las que el LLM tiene permitido realizar ciertas acciones. Por ejemplo, como en un sistema MRKL, un LLM puede interactuar con APIs externas para obtener información. Cuando se le hace una pregunta, el LLM podría elegir realizar una acción para recuperar información, y luego responder la pregunta basándose en la información recuperada.
📄️ 🟡 Codigo como Razonamiento
Los Modelos de Lenguaje Asistidos por Programa (PAL, por sus siglas en inglés) son otro ejemplo de un sistema MRKL. Cuando se les hace una pregunta, los PAL son capaces de escribir código que resuelve esa pregunta. Envían el código a un tiempo de ejecución programático para obtener el resultado. El funcionamiento de PAL es en contraposición al de CoT; el razonamiento intermedio de PAL es código, mientras que el de CoT es lenguaje natural.