๐๏ธ ๐ข Pendahuluan
Kita telah melihat beberapa metode prompting/prompt engineering sejauh ini. Sekarang kita akan membahas beberapa aplikasi lanjutan dari prompting yang dapat menyelesaikan tugas reasoning/pemikiran yang kompleks dengan melakukan pencarian informasi melalui internet, atau sumber eksternal lainnya.
๐๏ธ ๐ก LLM Menggunakan Tools
MRKL Systems(@karpas2022mrkl) (Modular Reasoning, Knowledge and Language, diucapkan "miracle") adalah arsitektur neuro-simbolik yang menggabungkan LLM (neural computation) dan alat eksternal seperti kalkulator (symbolic computation), untuk menyelesaikan masalah kompleks.
๐๏ธ ๐ก LLM yang Melakukan Penalaran dan Aksi (Reason and Act)
ReAct(@yao2022react)(reason, act) adalah paradigma yang memungkinkan model bahasa untuk menyelesaikan tugas kompleks menggunakan penalaran bahasa alami. ReAct dirancang untuk tugas di mana LLM diizinkan untuk melakukan tindakan tertentu. Sebagai contoh, seperti pada sistem MRKL, LLM dapat berinteraksi dengan API eksternal untuk mengambil informasi. Ketika ditanya sebuah pertanyaan, LLM dapat memilih untuk melakukan tindakan untuk mengambil informasi, dan kemudian menjawab pertanyaan berdasarkan informasi yang diperoleh.
๐๏ธ ๐ก Kode sebagai Penalaran
Model Bahasa yang Didukung Program/Program-aided Language Models (PAL)(@gao2022pal) adalah contoh lain dari sistem MRKL. Ketika diberikan pertanyaan, PAL dapat menulis kode yang menyelesaikan pertanyaan tersebut. Mereka mengirim kode ke runtime pemrograman untuk mendapatkan hasilnya. Mereka mengirimkan kode ke programmatic runtime untuk mendapatkan hasilnya. PAL bekerja berbeda dengan CoT; penalaran menengah PAL adalah kode, sedangkan CoT adalah bahasa alami.