Minstrel: Strukturierte Eingabeerzeugung mit Multi-Agenten-Koordination für Nicht-KI-Experten

Minstrel: Structural Prompt Generation with Multi-Agents Coordination for Non-AI Experts

September 20, 2024

Autoren: Ming Wang, Yuanzhong Liu, Xiaoyu Liang, Yijie Huang, Daling Wang, Xiaocui Yang, Sijia Shen, Shi Feng, Xiaoming Zhang, Chaofeng Guan, Yifei Zhang

cs.AI

Zusammenfassung

LLMs haben eine bemerkenswerte Leistung in verschiedenen Bereichen gezeigt. Die Formulierung hochwertiger Anfragen zur Unterstützung ihrer Arbeit stellt jedoch eine Herausforderung für Nicht-KI-Experten dar. Die bestehende Forschung im Bereich der Anfrageerstellung deutet auf teilweise verstreute Optimierungsprinzipien und empirisch abhängige Anfrage-Optimierer hin. Leider fehlt es diesen Bemühungen an einem strukturellen Design, was zu hohen Lernkosten führt und nicht förderlich für die iterative Aktualisierung von Anfragen ist, insbesondere für Nicht-KI-Experten. Inspiriert von strukturierten wiederverwendbaren Programmiersprachen schlagen wir LangGPT vor, ein strukturelles Anfrage-Design-Framework. Darüber hinaus stellen wir Minstrel vor, ein Multi-Generatives Agentensystem mit Reflexion zur Automatisierung der Generierung struktureller Anfragen. Experimente und Fallstudien zeigen, dass strukturelle Anfragen, die von Minstrel generiert oder manuell verfasst wurden, die Leistung von LLMs signifikant verbessern. Darüber hinaus analysieren wir die Benutzerfreundlichkeit struktureller Anfragen durch eine Benutzerumfrage in unserer Online-Community.

English

LLMs have demonstrated commendable performance across diverse domains. Nevertheless, formulating high-quality prompts to assist them in their work poses a challenge for non-AI experts. Existing research in prompt engineering suggests somewhat scattered optimization principles and designs empirically dependent prompt optimizers. Unfortunately, these endeavors lack a structural design, incurring high learning costs and it is not conducive to the iterative updating of prompts, especially for non-AI experts. Inspired by structured reusable programming languages, we propose LangGPT, a structural prompt design framework. Furthermore, we introduce Minstrel, a multi-generative agent system with reflection to automate the generation of structural prompts. Experiments and the case study illustrate that structural prompts generated by Minstrel or written manually significantly enhance the performance of LLMs. Furthermore, we analyze the ease of use of structural prompts through a user survey in our online community.