📄️ Introduction
Até o momento, vimos algumas aplicações básicas realizadas com engenharia de prompt. Nessa seção, abordaremos algumas aplicações avançadas de solicitação que podem resolver tarefas de raciocínio complexas realizando pesquisas de informações na internet ou em outras fontes externas.
📄️ 🟡 Usando Ferramentas de LLM
Os sistemas MRKL (@karpas2022mrkl) (Raciocínio Modular, Conhecimento e Linguagem, ou Modular Reasoning, Knowledge and Language, em inglês) são uma arquitetura neuro-simbólica que combinam LLMs (computação neural) e ferramentas externas como calculadoras (computação simbólica) para resolver problemas complexos.
📄️ 🟡 LLMs que Raciocinam e Reagem
ReAct (@yao2022react) (razão, ação) é um paradigma que permite que modelos de linguagem resolvam tarefas complexas usando raciocínio em linguagem natural. O ReAct é projetado para tarefas em que o LLM pode realizar certas ações. Por exemplo, em um sistema MRKL, um LLM pode ser capaz de interagir com APIs externas para recuperar informações. Quando questionado, o LLM poderia escolher realizar uma ação para recuperar informações e, em seguida, responder à pergunta com base nas informações recuperadas.
📄️ 🟡 Código como Raciocínio
Os Modelos de Linguagem Auxiliados por Programa (Program-aided Language Models - PALs)(@gao2022pal) são outro exemplo de um sistema de MRKL. Quando uma pergunta é feita, os PALs são capazes de escrever código que resolve essa pergunta. Eles enviam o código para uma execução programática para obter o resultado. O PAL funciona em contraste com a Cadeia de Pensamento; o raciocínio intermediário do PAL é código, enquanto o do CdP é linguagem natural.