腾讯云开发者
订阅
腾讯云官方社区公众号,汇聚技术开发者群体,分享技术干货,打造技术影响力交流社区。
腾讯云开发者微信公众号二维码
关注该公众号

会员可查看最新的全部文章

^__^ 1 / 16
没有业务的技术,犹如无源之水无根之木。成为技术大牛的前提,是搞懂业务的本质。 业务:一个组织、公司或个人所从事的商业活动、服务或工作,相应的流程和规则。 业务相关活动所涉及的问题范围,即问题域,通常也是公司为其客户提供的服务。 产品,通常是指对应的业务背景下为相关问题域提供的解决方案,即为用户/目标组织所提供的系统或服务。 产品是对解决方案的包装,支撑起解决方案的实现即系统(业务系统)。 业务开发,冠以“业务”前缀,要的是在技术通识的基础上,更要熟悉业务。 业务开发团队,要承接并交付出“好”的业务系统,挑战在两点: 从0到1阶段:洞察用户痛点,解决核心用户问题。 1到100阶段:业务系统能轻松、高质量地动态进化,在不断发展中支持业务攻城略地。 洞察痛点:本质在于理解业务,能够定义边界/聚焦重点 【面向需求】要开发什么样的产品?【面向业务】为什么要开发这个产品?要解决什么问题,达成什么目标? 动态进化:本质依托于业务系统的设计和实现 【面向设计】如何做才能契合业务形态应对变化、减少制约以更好的达成目标? 对于技术要承载的业务,要跳出单一代码视角,从两种视角拆开看: 问题空间:即问题域,探讨关注有什么问题要解决,存在什么痛点要消除,也即需求; 解空间:也称解决方案域,考虑有哪些方案去解决问题;最终用哪个方案做到了,称为实现。 提问题比解决问题更重要。 初识业务,或者成熟业务上扩展出新需求,需要主动思考: 业务现状,为谁服务?全景如何,上下游如何合作?核心价值,利润来源?最重要待解决问题?…… 有全局认识,才能建立足够的判断力,帮助高效对接/厘清业务,放大价值贡献。 业务建模是一个体系化主题,不同的场景有其合适的用法。只有当有更多角色直接参与,并有更多不同业务信息由该系统处理时,业务建模才会增加更多价值。例如,纯技术领域的问题中,与业务无关,可以无须业务建模,你的代码和数据结构就是你的模型抽象 当 LLM 掀起巨浪,Prompt Engineering的本质也是“如何理解业务并结构化陈述业务需求”,这与业务建模方法为业务开发赋予的理解问题域能力正好契合,“声明式的方法+结构化抽象并逐步分解问题”的思维不会过时,AI时代甚至有机会赋予业务开发新价值。 延展阅读:天天写业务代码,如何破局业务开发的本质? 各位彦祖亦菲,你对本篇命题的答案是?
^__^ 1 / 09
错误1:Prompt过长,模型注意力分散 表现:1000+行超长Prompt,模型经常"忘记"关键指令 原因:模型注意力机制的限制,过长的Prompt导致关键信息被淹没 解决方案: 1 采用Multi-Agent架构,每个Agent只负责一个子任务 2 分层加载上下文,只加载当前步骤相关的信息 3 单个Agent的Prompt控制在500行以内 实战案例:将超长Prompt拆分为多个聚焦的小Prompt,每个控制在300-500行以内 错误2:状态管理混乱,多轮对话不连贯 表现:Agent"忘记"用户之前的诉求,重复提问,用户体验差 原因:依赖LLM从历史对话中推断状态,但LLM不擅长状态管理 解决方案: 状态显式传递:在Prompt开头明确告知当前状态 职责分离:LLM负责内容生成,代码负责状态管理 实战案例:在每个Agent的Prompt开头添加"## 当前状态"部分 错误3:边界case处理不当,误判率高 表现:相似意图经常混淆,如"为什么限制我的支付?"被误判为其他意图 原因:边界规则描述不清晰,缺少边界case的示例 解决方案: 1 用表格清晰展示边界规则 2 提供大量边界case的Few-shot示例 3 明确判断逻辑 错误4:输出格式不稳定,程序解析失败 表现:LLM有时输出JSON,有时输出自然语言,导致程序解析报错 原因:格式约束不够强,示例不够多 解决方案: 在Prompt中明确要求"严格遵循XML/JSON格式" 提供至少5个完整的输出格式示例 明确标注必填和可选字段 在输出要求中强调"不要输出分析过程,直接输出结果" 实战案例:在每个Agent的Prompt中添加"## 输出格式"部分,提供6-7个示例 6大核心原则: 单一职责:一个Agent只做一件事,做好一件事。 职责分离:LLM擅长创造性生成,不擅长确定性决策。 显式优于隐式:状态、规则、示例都显示,明确告知优于期待模型推断。 结构化优于自然语言:使用表格、列表、代码块展示规则、要求、示例。 示例优于说明:边界case、输出格式都要有示例而非说明。 测试驱动优化:建立测试用例集、准确率baseline,根据错误case分析优化。 各位彦祖亦菲,你学会了吗?延展阅读:Prompt设计六要素