CN116541497A - 任务型对话的处理方法、装置、设备和存储介质 - Google Patents
任务型对话的处理方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN116541497A CN116541497A CN202310457079.XA CN202310457079A CN116541497A CN 116541497 A CN116541497 A CN 116541497A CN 202310457079 A CN202310457079 A CN 202310457079A CN 116541497 A CN116541497 A CN 116541497A
- Authority
- CN
- China
- Prior art keywords
- execution
- execution step
- operation object
- task
- instruction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 40
- 230000009471 action Effects 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 24
- 238000004806 packaging method and process Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 6
- 239000004973 liquid crystal related substance Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 239000008186 active pharmaceutical agent Substances 0.000 description 72
- 235000019580 granularity Nutrition 0.000 description 19
- 238000010586 diagram Methods 0.000 description 13
- 230000010354 integration Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000005538 encapsulation Methods 0.000 description 5
- 241000282414 Homo sapiens Species 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000005352 clarification Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/046—Forward inferencing; Production systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/107—Computer-aided management of electronic mailing [e-mailing]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
- G06Q10/1093—Calendar-based scheduling for persons or groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
- G06Q10/1093—Calendar-based scheduling for persons or groups
- G06Q10/1095—Meeting or appointment
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Stored Programmes (AREA)
Abstract
本公开提供了一种任务型对话的处理方法、装置、设备和存储介质,涉及人工智能技术领域,具体涉及对话系统、自然语言理解、智能办公等技术领域。任务型对话的处理方法包括:基于用户指令语句生成引导信息,所述引导信息包括:多个预先封装的候选操作对象的信息;基于所述引导信息,在所述多个候选操作对象中确定至少一个目标操作对象,并将所述用户指令语句对应的任务拆分为至少一个执行步骤,每个执行步骤对应一个目标操作对象;针对任一执行步骤,调用所述任一执行步骤对应的目标操作对象,以通过所述目标操作对象获得所述任一执行步骤的执行结果。本公开可以提升对话处理效果和可扩展性。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及对话系统、自然语言理解、智能办公等技术领域,尤其涉及一种任务型对话的处理方法、装置、设备和存储介质。
背景技术
对话系统(DialogueSystem)是一种模拟人类并旨在与人类以自然语言形成连贯通顺对话的计算机系统。任务型对话系统是面向任务的对话系统,旨在完成特定任务。在完成任务的过程中,可能需要调用多种业务系统。为此,需要解决业务系统之间互联互通的问题。
相关技术中,一般通过硬编码的方式,实现业务系统之间的互联互通。
发明内容
本公开提供了一种任务型对话的处理方法、装置、设备和介质。
根据本公开的一方面,提供了一种任务型对话的处理方法,包括:基于用户指令语句生成引导信息,所述引导信息包括:多个预先封装的候选操作对象的信息;基于所述引导信息,在所述多个候选操作对象中确定至少一个目标操作对象,并将所述用户指令语句对应的任务拆分为至少一个执行步骤,每个执行步骤对应一个目标操作对象;针对任一执行步骤,调用所述任一执行步骤对应的目标操作对象,以通过所述目标操作对象获得所述任一执行步骤的执行结果。
根据本公开的另一方面,提供了一种任务型对话的处理装置,包括:生成模块,用于基于用户指令语句生成引导信息,所述引导信息包括:多个预先封装的候选操作对象的信息;推理模块,用于基于所述引导信息,在所述多个候选操作对象中确定至少一个目标操作对象,并将所述用户指令语句对应的任务拆分为至少一个执行步骤,每个执行步骤对应一个目标操作对象;处理模块,用于针对任一执行步骤,调用所述任一执行步骤对应的目标操作对象,以通过所述目标操作对象获得所述任一执行步骤的执行结果。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上述任一方面的任一项所述的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据上述任一方面的任一项所述的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据上述任一方面的任一项所述的方法。
根据本公开的技术方案,可以提升对话处理效果和可扩展性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的示意图;
图2是根据本公开实施例提供的整体架构的示意图;
图3是根据本公开第二实施例的示意图;
图4是根据本公开实施例提供的整体流程的示意图;
图5是根据本公开第三实施例的示意图;
图6是根据本公开第四实施例的示意图;
图7是用来实现本公开实施例的任务型对话的处理方法的电子设备的示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
相关技术中,一般通过硬编码的方式,实现业务系统之间的互联互通。
硬编码的方式是指预先通过编码定义任务处理流程,基于该定义的任务处理流程调用对应的业务系统。由于是预先定义的,扩展性较差,难以满足用户的个性化需求。
为了提高对话处理效果和可扩展性,本公开提供如下实施例。
图1是根据本公开第一实施例的示意图,本实施例提供一种任务型对话的处理方法,该方法包括:
101、基于用户指令语句,生成引导信息,所述引导信息包括:多个预先封装的候选操作对象的信息。
102、基于所述引导信息,在所述多个候选操作对象中确定至少一个目标操作对象,并将所述用户指令语句对应的任务拆分为至少一个执行步骤,每个执行步骤对应一个目标操作对象。
103、针对任一执行步骤,调用所述任一执行步骤对应的目标操作对象,以通过所述任一操作对象获得所述任一执行步骤的执行结果。
其中,执行该方法的系统是任务型对话系统,可以称为任务助手。
用户以自然语言与任务助手进行交互,因此,用户指令语句(query)可以是自然语言语句,如“离我最近的待办截止还有多久”。
任务型对话系统是面向任务的,目的是完成用户指令语句对应的任务,例如,基于上述用户指令语句的目标是获得最近待办截止时间距离当前时间的差值。
为了完成用户指令语句对应的任务,可能需要调用业务系统,所调用的业务系统可以为一个或多个。该业务系统例如为企业内部的业务系统,和/或,企业外部的第三方业务系统。
业务系统可以对外提供应用程序编程接口(ApplicationProgrammingInterface,API),以便通过该API调用对应的业务系统。
为了调用业务系统,可以将业务系统对应的API进行封装,得到可调用的操作对象。
封装时可以采用不同的粒度,例如,API粒度、流(flow)粒度或者业务系统粒度,相应的的操作对象可以是API粒度的,流(flow)粒度的,或者业务系统粒度的。其中,API粒度的操作对象,是指操作对象与业务系统的原始API是一一对应的,即每个API封装为一个操作对象;流粒度的操作对象,是指多个原始API可以组合为一个流,将该流封装为一个操作对象。业务系统粒度的操作对象,是指操作对象与业务系统一一对应,即可以将某个业务系统的全部API封装为一个操作对象。
对API进行封装后得到的操作对象可以注册(或称为集成、封装)到任务型对话系统中。为了区分,预先封装的操作对象称为候选操作对象,候选操作对象通常是多个,以操作对象是原始API为例,多个候选操作对象例如包括:第一API、第二API、第三API。
不同的任务需要调用的API通常是不同的,针对某个任务,该任务需要调用的API称为目标操作对象,例如,某个任务需要调用上述多个候选操作对象中的第一API和第二API,则第一API和第二API为目标操作对象。
在执行任务时,可以将任务拆分为至少一个执行步骤(step)。本实施例中,至少一个执行步骤是预训练语言模型生成的,预训练语言模型具体可以是大语言模型(LargeLanguageModel,LLM)。
LLM是近年来人工智能领域的热点问题,LLM是一种预训练语言模型,通过在海量文本数据上进行预训练,学习到了丰富的语言知识和世界知识,从而能够在各种自然语言处理(NaturalLanguageProcessing,NLP)任务上取得惊人的效果。文心一言、ChatGPT等都是基于LLM开发的应用,它们可以生成流畅、有逻辑、有创意的文本内容,甚至可以与人类进行自然对话。具体地,大模型可以是基于Transformer的通用预训练(GenerativePre-trainedTransformer,GPT)模型,或者,基于知识集成实现增强型表示(EnhancedRepresentationthroughKnowledgeIntegration,ERNIE)模型等。
通常执行步骤是多个,这多个执行步骤是具有时序关系的,即LLM可以生成按序执行的多个执行步骤(step)。这些按序执行的多个执行步骤组成的集合可以称为思维链,为此,本实施例中的LLM具有思维推理能力,以生成思维链,思维链包括多个按序执行的step,之后可以按序执行每个step。
目标执行步骤与目标操作对象是一一对应的,为此,针对某个目标执行步骤,可以调用对应的目标操作对象完成,保证该执行步骤被正确执行。
另外,上述的候选操作对象以对业务系统对应的API进行封装得到为例,实际实施时,候选操作对象还可以是LLM自身具备的能力,如排序能力、分类能力等。因此,目标操作对象可以是业务系统的API,也可以是LLM自身的能力。
LLM可以基于引导信息(prompt)生成上述的思维链。
prompt学习是一种利用预训练模型知识的新范式,它可以有效地提高下游任务性能,并减少标注数据需求。prompt通过在模型输入中添加额外的文本或向量,来指导模型完成特定任务。
本实施例中,prompt可以是由任务型对话系统中的执行框架生成,该执行框架生成prompt后发送至LLM,由LLM基于该prompt生成思维链(或者说执行步骤)。
相关技术中,任务处理流程是预先定义的,即任务处理流程是固定的,具体如,针对任务A,定义该任务A需要调用第一API和第二API,并将第一API和第二API预先集成到系统中。
上述方式灵活性较差,例如,用户需要通过系统完成任务B,则需要对系统进行修改,将任务B对应的API预先注册到系统中。
而本实施例中,系统可以基于引导信息在多个候选操作对象中,自主选择目标操作对象,例如,针对任务A选择第一API和第二API作为目标操作对象,针对任务B选择第一API和第三API作为目标操作对象。因此,实现了操作对象的动态编排,可以提高灵活性和可扩展性。
另外,本实施例中,系统可以基于引导信息将任务拆分为至少一个执行步骤,相对于固定处理流程的方式,也可以提高灵活性和可扩展性,又由于执行步骤与目标操作对象一一对应,可以保证执行步骤的正确执行,提升处理效果。因此,本实施例可以提升对话处理效果和可扩展性。
为了更好地理解本公开实施例,下面对本公开实施例的应用场景进行说明。
如图2所示,用户可以与任务型对话系统进行交互,通过任务型对话系统完成用户指令语句对应的任务。任务型对话系统在执行任务时,可能调用多种业务系统,例如,待办系统、财报系统、协作平台(用Icafe表示)、数据平台(用DataGo表示)等。
本实施例中,任务型对话系统包括:操作集成201、执行框架202和LLM203。
操作集成201主要负责注册和集成任务助手(任务型对话系统)自建、企业内部的业务系统或企业外部的第三方业务系统注册的操作能力,提供标准化的接口地址、功能用法描述、输入输出等信息。
操作集成中包括多种操作对象,如待办操作、数据查询、图表生成、Icafe操作等。这些操作对象是对任务助手自身接口和/或业务系统的接口进行封装后得到的。
操作对象的类型可以为多种,可以分别称为第一类型、第二类型和第三类型。
第一类型的操作对象,是API粒度的操作对象,是对单个原始API进行封装后得到的。原始API例如是任务助手自建的原始API、业务系统提供的原始API等。
第二类型的操作对象,是流(flow)粒度的操作对象,是对多个原始API进行封装后得到的。在一些场景下,可以将多个原始API组合成一个流,基于该流实现该多个原始API的功能。流可以通过对原始API进行预编排得到。通过将多个原始API组成流,可以更高效、准确地复用原始API,降低大模型学习理解成本,提升准确度。
第三类型的操作对象,是业务系统粒度的操作对象,是对业务系统的全部API进行封装后得到的。通过该类型的操作对象可以调用整个业务系统,从而支持自然语言指令的嵌套、递归调用,实现复杂任务的编排。
以操作对象是业务系统提供的原始API为例,集成方式可以包括:
操作信息:业务系统提供必要的操作信息,如名称、API地址、描述、输入/返回;
交互引导:业务系统可按对话方式提供额外引导,辅助LLM学习API的使用方法;
操作封装:任务助手将业务系统提供的API封装为可执行操作(操作对象),供执行框架调用。
执行框架202作为用户、大模型和操作集成三方的代理,实现整个系统的全局调度、对话管理和操作执行等工作。
执行框架202包括引导信息(prompt)框架和执行引擎。
prompt框架支持业务系统对操作管理、对话管理部分的自定义以微调具体操作的效果;基于系统设定、操作集合、历史对话生成对应的prompt。执行引擎是对话的处理中枢,基于大模型输出的操作命令执行对应操作。
大模型主要基于执行框架输出的引导信息生成操作命令,并输出至执行引擎。
本实施例中,LLM203,主要进行思维链推理,以生成思维链,思维链由按序执行的执行步骤(step)组成,从而可以一步步(stepbystep)的思考应该采取的行动,并输出给执行框架处理或自身处理,等待接收处理结果并思考和执行下一步的行动,直到任务完成。
思维链可以基于执行框架输出的prompt、系统设定信息、对话历史语句、用户指令语句等生成。
每个执行步骤对应操作集成中的一个操作对象,操作对象可以是对业务系统提供的API进行封装后得到的,或者也可以为LLM自身具有的能力,从而可以通过调用对应的业务系统或大模型自身完成对应执行步骤。
例如,如图2所示,用户指令语句是“离我最近的待办截止还有多久”,LLM基于prompt、用户指令语句、对话历史语句等生成的思维链包括三个执行步骤,分别是第一执行步骤“查询待办列表”、第二执行步骤“获取最近的待办截止时间”、第三执行步骤“计算距离当前时间还有多久”。
其中,第一执行步骤对应操作集成中的待办操作API(假设该待办操作具体是查询待办列表),此时,LLM可以向执行框架发送操作指令,该操作指令可以称为行动(action)指令,行动指令用于指示调用上述的待办操作API,执行框架(具体是执行引擎)基于该操作指令调用该待办操作API,从而可以从待办系统中查询到待办列表,执行框架获取待办列表后将其返回给大模型。
第二执行步骤和第三执行步骤是大模型自身具有的能力,大模型获取待办列表后,可以基于自身的排序功能获取最近的待办截止时间,以及基于自身的运算功能计算出该最近的待办截止时间与当前时间的差值时间,获得最终的任务执行结果。
大模型获得任务执行结果后,可以将其反馈给用户。如,“您最近的待办事项是XX,截止时间为YY,距离现在还有ZZ天。请问还有其他需要帮忙的吗?”,其中,XX、YY、ZZ是根据实际情况得到的具体值。
LLM输出给执行引擎的操作指令可以包括三种类型:
第一类型的操作指令(action_exector)可以称为行动(action)指令,执行引擎基于该行动指令用于调用业务系统,如上述的待办系统。
第二类型的操作指令(user_question)可以称为问询指令,执行引擎基于该问询指令可以通过用户界面上用户展示问题,并接收用户反馈的该问题对应的答案。
第三类型的操作指令(user_feedback)可以称为反馈指令,任务完成后,执行引擎基于该反馈指令将任务执行结果反馈给用户,如将上述的“您最近的待办事项是XX,截止时间为YY,距离现在还有ZZ天。请问还有其他需要帮忙的吗?”反馈给用户。
结合上述的应用场景,本公开还提供一种任务型对话的处理方法。
图3是根据本公开第二实施例的示意图,本实施例提供一种任务型对话的处理方法,本实施例以预训练语言模型为LLM为例,并结合图2所示的整体架构以及图4所示的整体流程图,该方法包括:
301、集成多个候选操作对象。
其中,如图2所示,任务型对话系统可以将多个候选操作对象集成到操作集成部分。
每个候选操作对象可以是对业务系统提供的API进行封装后得到的,或者,也可以是LLM自身具有的能力。
针对业务系统提供的API,可以包括如下项中的至少一项:
将业务系统提供的每个原始API,封装为一个候选操作对象;
对业务系统提供的多个原始API进行组合,将组合后的多个原始API封装为一个候选操作对象;
将每个业务系统提供的全部API封装为一个候选操作对象。
本实施例中,通过上述封装方式,可以获得API粒度、流粒度和业务系统粒度的候选操作对象,提升候选操作对象的多样性,提升处理灵活性。
302、执行框架接收用户指令语句。
303、执行框架基于所述用户指令语句生成引导信息(prompt)。
其中,如图2所示,执行框架还可以进行系统设定,如设定LLM的工作范式,通过设定工作范式,可以让LLM理解其工作内容,主要包括:(1)让LLM理解其需要满足用户表达的需求(用户指令语句);(2)LLM需要一步步的拆解和执行,不能直接生成一个假的答案;(3)LLM在必要时,需要使用系统提供的操作对象来完成某个步骤,根据中间结果再完成后续步骤,不能自由发挥,假造答案(该点是普通大模型的常见弊端);(4)遇到问题,存在澄清需求时,可以询问用户等。
如图4所示,除了当前的用户指令语句之外,还可能存在对话历史语句,因此,执行框架具体可以基于用户指令语句、系统设定信息、对话历史语句和操作对象,生成引导信息。
引导信息中包括:多个预先封装的候选操作对象的信息,例如,API的基本信息,如名称、描述、输入/返回等。还可以包括业务系统提供的便于LLM学习的除了上述API基本信息之外的额外信息。还可以包括系统设定的工作范式内容。另外,还可以包括与用户指令语句和对话历史语句相关的带掩码(mask)的提示信息等。
执行框架具体可以采用预设生成方式,基于上述的用户指令语句、系统设定信息、对话历史语句、预先封装的候选操作对象的信息等,生成引导信息(prompt)。
304、执行框架将所述引导信息发送至LLM。
其中,除了引导信息,执行框架还可以将用户指令语句、对话历史语句与引导信息一起发送至LLM。
305、LLM基于所述引导信息,在所述多个候选操作对象中确定至少一个目标操作对象,并将所述用户指令语句对应的任务拆分为至少一个执行步骤,每个执行步骤对应一个目标操作对象。
其中,该步骤可以称为思维推理,即LLM通过思维推理可以生成思维链,思维链中包括按序执行的执行步骤(step),通过一步步执行对应的step完成用户指令语句对应的任务。
例如,参见图2,LLM可以生成三个执行步骤,每个执行步骤对应一个目标操作对象,目标操作对象是在操作集成中的多个候选操作对象中确定的。
本实施例中,基于LLM确定目标操作对象以及执行步骤,可以利用LLM的优良性能,提升思维链的准确度,进而提升对话处理准确度。
305、LLM针对任一执行步骤,调用所述任一执行步骤对应的目标操作对象,以通过所述目标操作对象获得所述任一执行步骤的执行结果。
其中,针对任一执行步骤,若所述任一执行步骤对应的目标操作对象是对所述预训练语言模型之外的业务系统的API进行封装后得到的,采用所述预训练语言模型生成行动指令,所述行动指令用于表明调用所述业务系统;采用预设的执行框架,基于所述行动指令调用所述业务系统,以通过所述业务系统获得所述任一执行步骤的执行结果。
例如,图2的第一执行步骤需要调用待办系统,由于待办系统是LLM之外的业务系统,为此,如图4所示,LLM可以生成行动(action)指令,将行动指令发送至执行引擎,执行引擎基于该行动指令调用待办系统完成查询待办列表,并将获得的待办列表返回给LLM。
本实施例中,通过行动指令可以调用业务系统,基于业务系统获取对应执行步骤的执行结果,提升执行结果的准确度。
另外,若针对某一执行步骤,该执行步骤可以通过LLM自身能力实现,如图2的第二执行步骤和第三执行步骤,则LLM可以在自身执行对应步骤而不需要调用业务系统。
LLM反馈给执行引擎的操作命令除了上述的行动指令,还可以是其他指令,如问询指令或者反馈指令。
一些实施例中,所述方法还包括:
若基于所述任一执行步骤的执行结果确定向用户问询,采用所述预训练语言模型生成问询指令;
采用预设的执行框架,基于所述问询指令向用户展示问题,并接收所述用户基于所述问题输入的答案。
其中,一些情况下,可能需要澄清问题或用户需求,此时可以生成问询指令,例如,某个步骤的执行结果存在多个相似内容或缺失内容,此时,如图4所示,LLM可以生成问询指令,其中包含问题,如询问时间、地点等。LLM将问询指令发送至执行引擎,执行引擎基于该问询指令向用户展示对应的问题。
本实施例中,通过问询指令可以向用户澄清问题,提升处理准确度。
一些实施例中,所述方法还包括:
若基于所述任一执行步骤的执行结果确定所述任务完成,采用所述预训练语言模型生成反馈指令;
采用预设的执行框架,基于所述反馈指令向任务执行结果展示给用户。
其中,基于图2的示例,由于任务的目的是获得最近待办截止距离当前时间,获得第三执行步骤的执行结果后,就获得了该时间,即任务完成,此时,如图4所示,LLM可以生成反馈指令,其中包含任务执行结果,LLM将反馈指令发送至执行引擎,执行引擎基于该反馈指令向用户展示对应的任务执行结果。
本实施例中,通过反馈指令可以向用户反馈任务执行结果,提升处理的及时性。
一些实施例中,该方法还可以包括:
若所述任一执行步骤的执行结果不满足预设条件,获取样例,并基于所述样例更新执行顺序晚于所述任一执行步骤的其他执行步骤。
例如,LLM确定的初始思维链包括按序执行的:第一步骤、第二步骤、第三步骤,若第一步骤的执行结果不满足预设条件,则可以更新第二步骤和第三步骤,具体可以基于样例进行步骤更新。
具体地,针对某个执行步骤,LLM获得该执行步骤的执行结果后,可以将该执行结果反馈给执行框架,执行框架中可以预先配置执行结果的标准输出格式,如果LLM反馈的执行结果的输出格式不符合标准输出格式,则认为不满足预设条件,此时可以进行异常处理。
异常处理时,执行框架可以生成新的prompt,该新的prompt中可以包含样例,或者也可以将样例添加到对话历史语句中,将添加了样例的引导信息等输入到LLM,LLM基于新的引导信息等重新生成新的执行步骤。
样例主要包括输入-输出对,主要是告诉LLM在什么输入下应该输出什么,该样例可以是预先配置的,基于人类反馈对语言模型进行强化学习(ReinforcementLearningfromHumanFeedback,RLHF)生成的等。
另外,若某个执行步骤正常,即执行结果符合标准输出格式,则可以按序执行下一步骤,如第一步骤正常执行,则按序执行第二步骤,从而可以一步一步地完成任务。
本实施例中,在某一执行步骤的执行结果不满足预设条件时,更新该执行步骤的后序执行步骤,可以实现思维链中执行步骤的动态调整,提升处理准确度和效率,提升整体处理效果。
图5是根据本公开第三实施例的示意图,本实施例提供一种任务型对话的处理装置,该装置500包括:生成模块501、推理模块502和处理模块503。
生成模块501用于基于用户指令语句生成引导信息,所述引导信息包括:多个预先封装的候选操作对象的信息;推理模块502用于基于所述引导信息,在所述多个候选操作对象中确定至少一个目标操作对象,并将所述用户指令语句对应的任务拆分为至少一个执行步骤,每个执行步骤对应一个目标操作对象;处理模块503用于针对任一执行步骤,调用所述任一执行步骤对应的目标操作对象,以通过所述目标操作对象获得所述任一执行步骤的执行结果。
本实施例中,系统可以基于引导信息在多个候选操作对象中,自主选择目标操作对象,例如,针对任务A选择第一API和第二API作为目标操作对象,针对任务B选择第一API和第三API作为目标操作对象。因此,实现了操作对象的动态编排,可以提高灵活性和可扩展性。另外,本实施例中,系统可以基于引导信息将任务拆分为至少一个执行步骤,相对于固定处理流程的方式,也可以提高灵活性和可扩展性,又由于执行步骤与目标操作对象一一对应,可以保证执行步骤的正确执行,提升处理效果。因此,本实施例可以提升对话处理效果和可扩展性。
一些实施例中,所述推理模块502进一步用于:采用预训练语言模型,基于所述引导信息,在所述多个候选操作对象中确定至少一个目标操作对象,并将所述用户指令语句对应的任务拆分为至少一个执行步骤。
本实施例中,基于LLM确定目标操作对象以及执行步骤,可以利用LLM的优良性能,提升思维链的准确度,进而提升对话处理准确度。
一些实施例中,所述处理模块503进一步用于:针对所述任一执行步骤,若所述任一执行步骤对应的目标操作对象是对所述预训练语言模型之外的业务系统的API进行封装后得到的,采用所述预训练语言模型生成行动指令,所述行动指令用于表明调用所述业务系统;采用预设的执行框架,基于所述行动指令调用所述业务系统,以通过所述业务系统获得所述任一执行步骤的执行结果。
本实施例中,通过行动指令可以调用业务系统,基于业务系统获取对应执行步骤的执行结果,提升执行结果的准确度。
图6是根据本公开第四实施例的示意图,本实施例提供一种任务型对话的处理装置,该装置600包括:生成模块601、推理模块602和处理模块603,该三个模块的说明可以参见上一实施例。
一些实施例中,所述至少一个执行步骤是多个执行步骤,且所述多个执行步骤是按序执行的,所述装置600还包括:更新模块604。
更新模块604用于若所述任一执行步骤的执行结果不满足预设条件,获取样例,并基于所述样例更新执行顺序晚于所述任一执行步骤的其他执行步骤。
本实施例中,在某一执行步骤的执行结果不满足预设条件时,更新该执行步骤的后序执行步骤,可以实现思维链中执行步骤的动态调整,提升处理准确度和效率,提升整体处理效果。
一些实施例中,所述装置600还包括:问询模块605。
问询模块605用于若基于所述任一执行步骤的执行结果确定向用户问询,采用所述预训练语言模型生成问询指令;以及,采用预设的执行框架,基于所述问询指令向用户展示问题,并接收所述用户基于所述问题输入的答案。
本实施例中,通过问询指令可以向用户澄清问题,提升处理准确度。
一些实施例中,所述装置600还包括:反馈模块606。
反馈模块606用于若基于所述任一执行步骤的执行结果确定所述任务完成,采用所述预训练语言模型生成反馈指令;以及,采用预设的执行框架,基于所述反馈指令向任务执行结果展示给用户。
本实施例中,通过反馈指令可以向用户反馈任务执行结果,提升处理的及时性。
一些实施例中,所述装置600还包括:封装模块607。
封装模块607用于执行如下项中的至少一项:将业务系统提供的每个原始API,封装为一个候选操作对象;对业务系统提供的多个原始API进行组合,将组合后的多个原始API封装为一个候选操作对象;将每个业务系统提供的全部API封装为一个候选操作对象。
本实施例中,通过上述封装方式,可以获得API粒度、流粒度和业务系统粒度的候选操作对象,提升候选操作对象的多样性,提升处理灵活性。
可以理解的是,本公开实施例中,不同实施例中的相同或相似内容可以相互参考。
可以理解的是,本公开实施例中的“第一”、“第二”等只是用于区分,不表示重要程度高低、时序先后等。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备700旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备700还可以表示各种形式的移动装置,诸如,个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,电子设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM703中,还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
电子设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许电子设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如任务型对话的处理方法。例如,在一些实施例中,任务型对话的处理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM703并由计算单元701执行时,可以执行上文描述的任务型对话的处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行任务型对话的处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程负载均衡装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("VirtualPrivate Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (17)
1.一种任务型对话的处理方法,包括:
基于用户指令语句生成引导信息,所述引导信息包括:多个预先封装的候选操作对象的信息;
基于所述引导信息,在所述多个候选操作对象中确定至少一个目标操作对象,并将所述用户指令语句对应的任务拆分为至少一个执行步骤,每个执行步骤对应一个目标操作对象;
针对任一执行步骤,调用所述任一执行步骤对应的目标操作对象,以通过所述目标操作对象获得所述任一执行步骤的执行结果。
2.根据权利要求1所述的方法,其中,所述至少一个执行步骤是多个执行步骤,且所述多个执行步骤是按序执行的,所述方法还包括:
若所述任一执行步骤的执行结果不满足预设条件,获取样例,并基于所述样例更新执行顺序晚于所述任一执行步骤的其他执行步骤。
3.根据权利要求1所述的方法,其中,所述基于所述引导信息,在所述多个候选操作对象中确定至少一个目标操作对象,并将所述用户指令语句对应的任务拆分为至少一个执行步骤,包括:
采用预训练语言模型,基于所述引导信息,在所述多个候选操作对象中确定至少一个目标操作对象,并将所述用户指令语句对应的任务拆分为至少一个执行步骤。
4.根据权利要求3所述的方法,其中,所述针对任一执行步骤,调用所述任一执行步骤对应的目标操作对象,以通过所述目标操作对象获得所述任一执行步骤的执行结果,包括:
针对所述任一执行步骤,若所述任一执行步骤对应的目标操作对象是对所述预训练语言模型之外的业务系统的应用程序编程接口进行封装后得到的,采用所述预训练语言模型生成行动指令,所述行动指令用于表明调用所述业务系统;
采用预设的执行框架,基于所述行动指令调用所述业务系统,以通过所述业务系统获得所述任一执行步骤的执行结果。
5.根据权利要求3所述的方法,还包括:
若基于所述任一执行步骤的执行结果确定向用户问询,采用所述预训练语言模型生成问询指令;
采用预设的执行框架,基于所述问询指令向用户展示问题,并接收所述用户基于所述问题输入的答案。
6.根据权利要求3所述的方法,还包括:
若基于所述任一执行步骤的执行结果确定所述任务完成,采用所述预训练语言模型生成反馈指令;
采用预设的执行框架,基于所述反馈指令向任务执行结果展示给用户。
7.根据权利要求1-6任一项所述的方法,还包括如下项中的至少一项:
将业务系统提供的每个原始应用程序编程接口,封装为一个候选操作对象;
对业务系统提供的多个原始应用程序编程接口进行组合,将组合后的多个原始应用程序编程接口封装为一个候选操作对象;
将每个业务系统提供的全部应用程序编程接口封装为一个候选操作对象。
8.一种任务型对话的处理装置,包括:
生成模块,用于基于用户指令语句生成引导信息,所述引导信息包括:多个预先封装的候选操作对象的信息;
推理模块,用于基于所述引导信息,在所述多个候选操作对象中确定至少一个目标操作对象,并将所述用户指令语句对应的任务拆分为至少一个执行步骤,每个执行步骤对应一个目标操作对象;
处理模块,用于针对任一执行步骤,调用所述任一执行步骤对应的目标操作对象,以通过所述目标操作对象获得所述任一执行步骤的执行结果。
9.根据权利要求8所述的装置,其中,所述至少一个执行步骤是多个执行步骤,且所述多个执行步骤是按序执行的,所述装置还包括:
更新模块,用于若所述任一执行步骤的执行结果不满足预设条件,获取样例,并基于所述样例更新执行顺序晚于所述任一执行步骤的其他执行步骤。
10.根据权利要求8所述的装置,其中,所述推理模块进一步用于:
采用预训练语言模型,基于所述引导信息,在所述多个候选操作对象中确定至少一个目标操作对象,并将所述用户指令语句对应的任务拆分为至少一个执行步骤。
11.根据权利要求10所述的装置,其中,所述处理模块进一步用于:
针对所述任一执行步骤,若所述任一执行步骤对应的目标操作对象是对所述预训练语言模型之外的业务系统的应用程序编程接口进行封装后得到的,采用所述预训练语言模型生成行动指令,所述行动指令用于表明调用所述业务系统;
采用预设的执行框架,基于所述行动指令调用所述业务系统,以通过所述业务系统获得所述任一执行步骤的执行结果。
12.根据权利要求10所述的装置,还包括:
问询模块,用于若基于所述任一执行步骤的执行结果确定向用户问询,采用所述预训练语言模型生成问询指令;以及,采用预设的执行框架,基于所述问询指令向用户展示问题,并接收所述用户基于所述问题输入的答案。
13.根据权利要求10所述的装置,还包括:
反馈模块,用于若基于所述任一执行步骤的执行结果确定所述任务完成,采用所述预训练语言模型生成反馈指令;以及,采用预设的执行框架,基于所述反馈指令向任务执行结果展示给用户。
14.根据权利要求8-13任一项所述的装置,还包括:
封装模块,用于执行如下项中的至少一项:
将业务系统提供的每个原始应用程序编程接口,封装为一个候选操作对象;
对业务系统提供的多个原始应用程序编程接口进行组合,将组合后的多个原始应用程序编程接口封装为一个候选操作对象;
将每个业务系统提供的全部应用程序编程接口封装为一个候选操作对象。
15.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310457079.XA CN116541497A (zh) | 2023-04-25 | 2023-04-25 | 任务型对话的处理方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310457079.XA CN116541497A (zh) | 2023-04-25 | 2023-04-25 | 任务型对话的处理方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116541497A true CN116541497A (zh) | 2023-08-04 |
Family
ID=87442777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310457079.XA Pending CN116541497A (zh) | 2023-04-25 | 2023-04-25 | 任务型对话的处理方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116541497A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992006A (zh) * | 2023-09-26 | 2023-11-03 | 武汉益模科技股份有限公司 | 一种大语言模型驱动的链式自然语言交互方法与系统 |
CN116992001A (zh) * | 2023-08-07 | 2023-11-03 | 北京百度网讯科技有限公司 | 知识问答方法、装置、设备、音箱和存储介质 |
CN117033030A (zh) * | 2023-08-25 | 2023-11-10 | 玻尔科技成都有限公司 | 基于大规模语言模型的应用程序接口调度系统及方法 |
CN117032722A (zh) * | 2023-08-18 | 2023-11-10 | 上海澜码科技有限公司 | 基于api文档的代码生成方法 |
CN117112777A (zh) * | 2023-10-24 | 2023-11-24 | 北京睿企信息科技有限公司 | 一种基于llm的多任务数据处理方法及存储介质 |
CN117370638A (zh) * | 2023-12-08 | 2024-01-09 | 中国科学院空天信息创新研究院 | 思维图提示增强的基础模型任务分解与调度方法及装置 |
-
2023
- 2023-04-25 CN CN202310457079.XA patent/CN116541497A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992001A (zh) * | 2023-08-07 | 2023-11-03 | 北京百度网讯科技有限公司 | 知识问答方法、装置、设备、音箱和存储介质 |
CN117032722A (zh) * | 2023-08-18 | 2023-11-10 | 上海澜码科技有限公司 | 基于api文档的代码生成方法 |
CN117032722B (zh) * | 2023-08-18 | 2024-04-26 | 上海澜码科技有限公司 | 基于api文档的代码生成方法 |
CN117033030A (zh) * | 2023-08-25 | 2023-11-10 | 玻尔科技成都有限公司 | 基于大规模语言模型的应用程序接口调度系统及方法 |
CN116992006A (zh) * | 2023-09-26 | 2023-11-03 | 武汉益模科技股份有限公司 | 一种大语言模型驱动的链式自然语言交互方法与系统 |
CN116992006B (zh) * | 2023-09-26 | 2024-01-12 | 武汉益模科技股份有限公司 | 一种大语言模型驱动的链式自然语言交互方法与系统 |
CN117112777A (zh) * | 2023-10-24 | 2023-11-24 | 北京睿企信息科技有限公司 | 一种基于llm的多任务数据处理方法及存储介质 |
CN117112777B (zh) * | 2023-10-24 | 2024-01-26 | 北京睿企信息科技有限公司 | 一种基于llm的多任务数据处理方法及存储介质 |
CN117370638A (zh) * | 2023-12-08 | 2024-01-09 | 中国科学院空天信息创新研究院 | 思维图提示增强的基础模型任务分解与调度方法及装置 |
CN117370638B (zh) * | 2023-12-08 | 2024-05-07 | 中国科学院空天信息创新研究院 | 思维图提示增强的基础模型任务分解与调度方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116541497A (zh) | 任务型对话的处理方法、装置、设备和存储介质 | |
US11699073B2 (en) | Network off-line model processing method, artificial intelligence processing device and related products | |
CN114911465B (zh) | 算子的生成方法、装置、设备以及存储介质 | |
CN116802629A (zh) | 用于自然语言处理的多因素建模 | |
CN112787999A (zh) | 跨链调用方法、装置、系统与计算机可读存储介质 | |
CN112860356A (zh) | 一种api调用控制方法、装置、电子设备和存储介质 | |
CN115509522A (zh) | 面向低代码场景的接口编排方法、系统、电子设备 | |
KR20220081957A (ko) | 음성 방송 방법, 장치, 전자 기기 및 저장 매체 | |
WO2022271345A1 (en) | Triggering dynamic robotic process automation | |
CN110941655B (zh) | 一种数据格式转换方法及装置 | |
CN117112065B (zh) | 大模型插件调用方法、装置、设备及介质 | |
CN116302218B (zh) | 函数信息的添加方法、装置、设备以及存储介质 | |
WO2023216857A1 (en) | Multi-agent chatbot with multi-intent recognition | |
CN111767059A (zh) | 深度学习模型的部署方法、装置、电子设备和存储介质 | |
CN118202344A (zh) | 用于从文档中提取嵌入式数据的深度学习技术 | |
CN114036250A (zh) | 高精地图任务处理方法、装置、电子设备和介质 | |
CN112905270A (zh) | 工作流实现方法、装置、平台、电子设备以及存储介质 | |
US9800692B2 (en) | Expression based declarative data service execution chaining | |
US20230065354A1 (en) | Method for sharing resource, method for creating service, electronic device, and storage medium | |
US11069339B2 (en) | Computer-assisted conversation using addressible conversation segments | |
CN111046146B (zh) | 用于生成信息的方法和装置 | |
CN115660064A (zh) | 基于深度学习平台的模型训练方法、数据处理方法和装置 | |
CN114168347A (zh) | 信息处理方法、装置、服务器及存储介质 | |
CN114997329A (zh) | 用于生成模型的方法、装置、设备、介质和产品 | |
CN117992417A (zh) | 一种日志调用方法、装置及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |