CN116776836A - 一种基于AI-Chain的文本生成方法 - Google Patents

Abstract

本发明基于AI‑Chain技术，提出一种基于AI‑Chain技术的文本生成方法，包括写作准备的过程以及写作与润色的过程，写作准备的过程包括写作指导、交流细化、素材查找以及素材内容处理四个工作单元，写作与润色的过程利用写作准备过程中产生的各种信息并利用大语言模型来进行写作，模型写作工作单元，根据写作准备过程对各种用户认为需要留下的信息利用大语言模型来进行写作，并且将写完之后的文章输出给用户；文章润色工作单元，用户要输入自己觉得需要再次改写润色的部分，然后再输入用户想要的润色的方向，将这些内容输入给大语言模型进行，大语言模型润色完成后将相应文本输出给用户，通过各种AI的相互配合与合作以及人性化的人机交互，实现个性化写作服务。

Description

一种基于AI-Chain的文本生成方法

技术领域

本发明涉及一种基于人工智能的写作/创作方法，尤其是涉及一种基于AI-Chain设计理念设计的写作工具/创作方法。

背景技术

随着人工智能技术的不断进步，大型语言模型(Large Language Model，简称LLM)在自然语言处理、文本生成等领域取得了巨大的突破和应用。LLM是一种基于深度学习的模型，通过大规模训练数据和参数量巨大的神经网络，能够对自然语言进行理解、生成和应用，从而产生更为准确的预测和响应。然而，由于LLM的应用范围非常广泛，它在处理更为复杂的任务时可能会面临一些限制。其中最主要的问题是缺乏透明度和控制性。由于模型的复杂性和参数量巨大，人们往往无法准确了解模型内部的运作机制，也难以对模型的输出结果进行精确的控制和解释。

为了解决大型语言模型的透明度和控制性问题，AI-Chain的设计理念应运而生。AI-Chain提出了一种新的模型组织方式，即通过串联操作将大型语言模型的输出结果连接起来，形成一个链式的模型结构。这样的设计理念能够实现任务的连续性和效率的提升。

在AI-Chain中，一个复杂的问题被分解为许多更小的子任务。每个子任务都映射到AI-Chain中的一个特定步骤，每个步骤都具有相应的自然语言提示。前面一个或多个步骤的输出结果将被聚合在下一个步骤的输入提示中，形成任务的连续流程。这种链式结构使得用户可以在多个子任务上运行相同的模型，提高每个子任务的成功概率(相对于一次性解决整个任务而言)。AI-Chain的设计理念具有以下几个优势和特点：

可控性和透明度提升：通过将大型语言模型的输出结果串联连接，AI-Chain使得模型的输出更具有可控性和可解释性。每个步骤的输出都可以被清晰地理解和调整，从而提高对模型行为的理解和控制。

提升任务效率：AI-Chain将复杂的问题分解为多个子任务，并通过连续的步骤进行处理，使得任务的执行更加高效。每个步骤都可以专注于解决特定的子任务，从而提高整体任务的完成效率。

灵活性和可定制性：AI-Chain的设计理念为用户提供了更高的灵活性和可定制性。通过交互式系统，用户可以对模型进行修改和优化，根据具体任务的需求进行调整和定制。用户可以根据自己的需求在每个子任务上选择不同的自然语言提示，从而对模型的输出结果进行精确控制，使其更符合实际需求。

辅助人类完成复杂任务：AI-Chain的链式结构和任务分解方式有助于辅助人类完成更复杂的任务。通过将任务拆分为多个子任务，并为每个子任务提供相应的自然语言提示，AI-Chain能够协助人类在每个子任务上进行决策和操作，从而提高任务的完成质量和效率。

总之，AI-Chain作为一种新的模型组织方式，通过串联大型语言模型的输出结果形成链式结构，提供了更高的可控性、透明度和灵活性。它能够有效解决大型语言模型在处理复杂任务时的限制，并辅助人类完成更为复杂的任务。

AI-Chain的设计理念为人工智能技术在各个领域的应用带来了新的可能性，并有望进一步推动自然语言处理和文本生成等领域的发展。随着大型语言模型(LLM)的广泛应用，许多人发现它是一个方便的写作工具，可以帮助他们生成文本和完成写作任务。然而，使用LLM进行写作时，常常面临一些关键问题和缺陷，这些缺陷可能限制了用户的写作体验和结果。

缺乏写作思路：使用LLM进行写作时，一个主要的问题是缺乏写作思路。尽管LLM可以生成文本，但它不能像人类作家那样具备创造性和独特的思维过程。它主要是通过学习大量的文本数据来模仿人类的写作风格，而无法提供独到的观点和创意。这使得用户在使用LLM进行写作时往往难以找到独特和有趣的切入点。

不完全符合要求：尽管LLM可以生成文本，但它不能完全理解用户的意图和要求。用户可能需要通过提供明确的指示和编辑来引导LLM生成符合要求的文章。然而，即使在给出明确指导的情况下，LLM的输出结果仍可能不符合用户的预期，需要进行多次修改和调整。这给用户带来了额外的时间和努力，降低了写作的效率和流畅性。

缺乏逻辑和连贯性：LLM在生成文本时可能缺乏逻辑和连贯性。尽管它可以生成连贯的句子和段落，但在整体结构和逻辑推理方面仍存在一定的局限性。这使得用户在使用LLM进行长篇写作或逻辑性强的文章时，需要对其输出结果进行深入的审查和修改，以确保文章的连贯性和逻辑性。

受限于已有知识：LLM的训练是基于已有的文本数据，因此它的知识和信息来源有限。如果用户需要进行领域特定的写作或涉及最新的研究成果，LLM可能无法提供准确和最新的信息。这就需要用户在使用LLM时，根据自己的需求和要求对其输出结果进行验证和补充，以确保文章的准确性和可信度。

综上所述，尽管LLM是一款便捷的写作工具，但在使用过程中存在一些缺陷。用户常常面临缺乏写作思路、输出结果不完全符合要求、缺乏逻辑和连贯性以及受限于已有知识等问题。这些缺陷需要用户在使用LLM进行写作时保持警觉，并采取适当的措施来克服它们。

发明内容

本发明针对现有技术不足，提出一种基于AI-Chain技术的文本生成方法，通过各种AI的相互配合与合作以及人性化的人机交互，实现个性化写作服务。解决了对于使用大模型写作过程中出现的缺乏写作思路，输出结果不符合要求的问题。

本发明采用的技术方案：

本发明基于AI-Chain技术，通过各种AI的相互配合与合作以及人性化的人机交互，实现个性化写作服务，所述的基于AI-Chain技术的文本生成方法，包括写作准备(用于写作准备，具体包括写作指导，交流细化，素材查找，素材内容处理)的过程以及写作与润色的过程(用于正式写作与润色，具体包括调用LLM写作与文章润色)，其中：

写作准备过程主要是为用户在写作之前做相应的准备，以避免用户缺乏写作思路，以及受限于已有知识，目的是确保审查结果符合用户的需求和要求。

该过程有四个功能不同的工作单元。第一个工作单元是根据用户需要写的文本类型，来提供大体的写作指导，第二个工作单元是用户在受到大体指导之后，与AI利用对话来明确写作内容(比如：写作的主题，文章的风格等)，第三个工作单元是，在明确写作内容之后用户在缺乏素材的情况下可以使用大语言模型来产生一些素材，第四个工作单元是对素材利用大语言模型来进行处理(比如：将素材缩写，或者扩写)。

“写作指导”工作单元：在进入此工作单元之前，用户要先输入一个目标的文本类型，根据这个文本类型，大语言模型会在后台生成列表式的写作指导，并且输出给用户；

“交流细化”工作单元：这个工作单元利用大语言模型建立了一个小机器人来进行对话，用户的输入是自己对于这个写作的疑问，然后小机器人会根据对话的内容为用户输出最为合适的回答；

“素材查找”工作单元：用户输入需要查找的素材类型，该工作单元会在后台调用大语言模型来来帮助用户去产生相应的素材；

“素材内容处理”工作单元：用户输入自己认为不符合要求的素材，以及要求素材更改的方向，该单元会在后台调用大语言模型来帮助用户按照用户的更改方向来对素材内容进行处理。

写作与润色过程主要是利用写作准备过程中产生的各种信息并利用大语言模型来进行写作，该模块具体包括两个工作单元。其中

第一个工作单元为大模型写作，在写作准备模块中会对各种用户认为需要留下的信息进行保存，然后再这一模块全部交给大语言模型来进行写作；

第二个工作单元为文章润色，因为大模型写出来的文字可能出现不完全符合要求，或者缺乏逻辑和连贯性，于是就可以使用润色模块对这部分内容进行反复润色修改，从而达到想要的效果。

“大模型写作”工作单元：当用户输入“start”则让大模型根据之前给出的各种信息进行写作。并且将写完之后的文章输出给用户；

“文章润色”工作单元：用户要输入自己觉得需要再次改写润色的部分，然后再输入用户想要的润色的方向，将这些内容输入给大语言模型进行，大语言模型润色完成后将相应文本输出给用户。

发明有益效果：

1、本发明基于AI-Chain的文本生成方法，通过各种AI的相互配合与合作以及人性化的人机交互，实现个性化写作服务。解决了对于使用大模型写作过程中出现的缺乏写作思路，输出结果不符合要求的问题。写作准备的过程包括写作指导、交流细化、素材查找以及素材内容处理四个工作单元：第一个工作单元是根据用户需要写的文本类型，来提供大体的写作指导，第二个工作单元是用户在受到大体指导之后，与AI利用对话来明确写作内容(比如：写作的主题，文章的风格等)，第三个工作单元是，在明确写作内容之后用户在缺乏素材的情况下可以使用大语言模型来产生一些素材，第四个工作单元是对素材利用大语言模型来进行处理(比如：将素材缩写，或者扩写)；根据用户输入的不符合要求的素材以及要求素材更改的方向，在后台调用大语言模型来帮助用户按照用户的更改方向来对素材内容进行处理。

2、本发明基于AI-Chain的文本生成方法，写作与润色的过程利用写作准备过程中产生的各种信息并利用大语言模型来进行写作，模型写作工作单元，根据写作准备过程对各种用户认为需要留下的信息利用大语言模型来进行写作，并且将写完之后的文章输出给用户；文章润色工作单元，用户要输入自己觉得需要再次改写润色的部分，然后再输入用户想要的润色的方向，将这些内容输入给大语言模型进行，大语言模型润色完成后将相应文本输出给用户。因为大模型写出来的文字可能出现不完全符合要求，或者缺乏逻辑和连贯性，于是就可以使用润色模块对这部分内容进行反复润色修改，从而达到想要的效果。

附图说明

图1所示为本发明基于AI-Chain技术的文本生成方法实现过程。

具体实施方式

为了使发明创造实现其发明目的的技术构思及优点更加清楚明白，下面结合附图对本发明的技术方案作进一步的详细描述。应当理解的是，以下各实施例仅用以解释和说明本发明的优选实施方式，不应当构成对本发明要求专利保护的范围的限定。

实施例1

本发明基于AI-Chain的文本生成方法，包括写作准备的过程以及写作与润色的过程，其中写作准备的过程包括：

写作指导工作单元：根据用户输入的一个目标的文本类型，利用大语言模型在后台生成列表式的写作指导，并且输出给用户；

交流细化工作单元：利用大语言模型建立一个小机器人来进行对话，用户的输入是自己对于这个写作的疑问，然后小机器人会根据对话的内容为用户输出最为合适的回答；

素材查找工作单元：根据用户输入需要查找的素材类型，在后台调用大语言模型来来帮助用户去产生相应的素材；

素材内容处理工作单元：根据用户输入的不符合要求的素材以及要求素材更改的方向，在后台调用大语言模型来帮助用户按照用户的更改方向来对素材内容进行处理。

第一个工作单元是根据用户需要写的文本类型，来提供大体的写作指导，第二个工作单元是用户在受到大体指导之后，与AI利用对话来明确写作内容(比如：写作的主题，文章的风格等)，第三个工作单元是，在明确写作内容之后用户在缺乏素材的情况下可以使用大语言模型来产生一些素材，第四个工作单元是对素材利用大语言模型来进行处理(比如：将素材缩写，或者扩写)。

实施例2

本实施例的基于AI-Chain的文本生成方法，与实施例1不同的是：进一步的限定了所述写作与润色的过程主要是利用写作准备过程中产生的各种信息并利用大语言模型来进行写作，具体包括大模型写作和文章润色两个工作单元，其中

大模型写作工作单元，根据写作准备过程对各种用户认为需要留下的信息利用大语言模型来进行写作，并且将写完之后的文章输出给用户；

文章润色工作单元，用户要输入自己觉得需要再次改写润色的部分，然后再输入用户想要的润色的方向，将这些内容输入给大语言模型进行，大语言模型润色完成后将相应文本输出给用户。

因为大模型写出来的文字可能出现不完全符合要求，或者缺乏逻辑和连贯性，于是就可以使用润色模块对这部分内容进行反复润色修改，从而达到想要的效果。

实施例3

如实施例1和实施例2所述，本发明基于AI-Chain的文本生成方法，完成写作准备以及写作与润色以上功能的核心代码是利用逻辑语句实现各种逻辑，在代码中调用相应的大语言模型的API，并且选择合适的模型，同时设计好部分的提示，这提示是初始的提示，再加上用户的输入与大语言模型的输出来合成的。而前端代码是用户输入信息，然后传输到后端服务器中，服务器收到请求后执行相应的操作，然后将结果返回前端。所以核心代码被部署在后端服务器中。下面将具体阐述在代码中调用的是哪个大语言模型的API和调用时使用的提示(提示是给大语言模型的指令)以让大语言模型根据相应的提示产生相应的回复，从而实现对应的功能。

以下实施例只是实现方式的一种，如果对提示(指令)稍作修改，不改变其大体功能，对于相同(或者相似)的代码框架，也能实现与本发明相同的效果(或者是极其相似的效果)，故实施例的不同主要体现提示的设计不同，即给出的指令不同。另外，对于相同的提示与相同的代码，如果调用适当的不同大语言模型不同，也能够实现相同效果。

还应当理解的是，以下工作单元实际上指的是一个代码块，为了方便理解，将其称之为工作单元。在提示中字符串1{{字符串2}}字符串3，其中字符串1，3是不会改变的，字符串2会被输入工作单元的变量中的字符串代替。

参见图1，本发明基于AI-Chain的文本生成方法，实现过程/系统构成包括：

一、写作准备模块，实现写作准备的过程包括

1、“写作指导”工作单元：在这个工作单元中，调用GPT-3.0模型，将用户输入文本类型的变量text_type这个变量输入这个工作单元中，对模型设计的提示如下：

你是一名语文老师，你要去指导学生完成相应的写作任务，你的学生想写{{用户输入的文本类型}}，请你为你的学生提供写作指导，指导的形式是对学生进行提问，要为列表的形式。

2、“交流细化”工作单元：在这个工作单元中，调用的是GPT-3.0模型，这里的输入工作单元中的变量有text_type,history,question，history记录的是用户与聊天机器人的对话内容，question记录的是用户对写作机器人的提问，或者是需要讨论的话题。对模型设计的提示如下：

你是一个名为“纯纯”的对话机器人，为用户提供写作建议。你的工作是为用户提供他们需要的写作建议，并在他们缺乏灵感时激励他们。你还可以向用户提供写作素材。用户想要写作的文本类型是{{文本类型}}。以下是一段之前的对话内容：

{{历史记录}}

人类：{{用户最新提出的问题}}

其中对history利用一个单独的内置的python解释器来处理，处理代码如下：print(history+'\n'+"human:"+question+'\n'+"bot:"+bot+'\n')

注：其中bot为每次大模型返回的字符串

3、“素材查找”工作单元：在这个工作单元中，调用的是GPT-3.0模型，这里的输入工作单元的变量有wented_knowledge,这里是用户输入的自己想要的素材的种类，对模型设计的提示如下：

假设你是一个打字员，在你的手上有很多的写作素材，请你为我提供{{写作素材的种类}}

4、“素材内容处理”工作单元：在这个工作单元中，调用的是GPT-3.0模型，这里输入的变量为text_1,rewrite_dirction,text_1为想要改写的素材，rewrite_dirction为素材修改的方向，对模型设计的提示如下：

{{text}}

{{dirction}}

二、写作与润色模块，实现写作润色并生成和输出文本的过程包括：

1、“大模型写作”工作单元：在这个工作模块中调用的是GPT-3.5模型，这里输入的变量为input_1,input_2，text_type，其中input_1为在交流细化模块之后的用户对文章的需求input_2为在素材处理之后用户选择使用的素材。对模型设计的提示如下：

{{input_1}}

{{input_2}}

假设你是一个专业的作家，你要根据以上需求写一篇{{text_type}}。

2、“文章润色”工作单元：在这个工作板块调用的是GPT-3.0，这里输入的变量为polish_part，与polish_dirction，polish_part用户输入的大语言模型输出中的需要润色的部分，polish_dirction用户输入的为润色的方向，对模型的设计的提示如下：

{{polish_part}}

{{polish_dirction}}

以上所述仅为本发明的较佳实施方式，并不构成对本发明的限定。相对于现有技术，本发明通过各种AI的相互配合与合作以及人性化的人机交互，实现个性化写作服务。解决了对于使用大模型写作过程中出现的缺乏写作思路，输出结果不符合要求的问题。逻辑性和连贯性得到加强，个性化写作服务不再受限于已有知识。

本领域技术人员在现有技术的指引下，无需进行创造性劳动即可对本发明的实施情况进行其他修改，凡在本发明的精神和原则之内所作的任何修改或者采用本领域惯用技术手段进行的简单置换或等同替换，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于AI-Chain的文本生成方法，包括写作准备的过程以及写作与润色的过程，其特征在于：写作准备的过程包括：

写作指导工作单元：根据用户输入的一个目标的文本类型，利用大语言模型在后台生成列表式的写作指导，并且输出给用户；

交流细化工作单元：利用大语言模型建立一个小机器人来进行对话，用户的输入是自己对于这个写作的疑问，然后小机器人会根据对话的内容为用户输出最为合适的回答；

素材查找工作单元：根据用户输入需要查找的素材类型，在后台调用大语言模型来来帮助用户去产生相应的素材；

素材内容处理工作单元：根据用户输入的不符合要求的素材以及要求素材更改的方向，在后台调用大语言模型来帮助用户按照用户的更改方向来对素材内容进行处理。

2.根据权利要求1所述的基于AI-Chain的文本生成方法，其特征在于：所述写作与润色过程主要是利用写作准备过程中产生的各种信息并利用大语言模型来进行写作，具体包括大模型写作和文章润色两个工作单元，其中

大模型写作工作单元，根据写作准备过程对各种用户认为需要留下的信息利用大语言模型来进行写作，并且将写完之后的文章输出给用户；

文章润色工作单元，用户要输入自己觉得需要再次改写润色的部分，然后再输入用户想要的润色的方向，将这些内容输入给大语言模型进行，大语言模型润色完成后将相应文本输出给用户。

3.根据权利要求1或2所述的基于AI-Chain的文本生成方法，其特征在于：写作准备过程中，写作指导工作单元调用GPT-3.0模型，将用户输入文本类型的变量text_type这个变量输入这个工作单元中，对模型设计的进行提示，指导学生完成相应的写作任务；

交流细化工作单元调用GPT-3.0模型，根据输入的变量text_type,history,question，其中history记录的是用户与聊天机器人的对话内容，question记录的是用户对写作机器人的提问，或者是需要讨论的话题，对模型设计进行提示，为用户提供写作建议；

素材查找工作单元调用GPT-3.0模型，根据输入变量wented_knowledge,这里是用户输入的自己想要的素材的种类，对模型设计进行提示：假设你是一个打字员，在你的手上有很多的写作素材，请你为我提供{{写作素材的种类}}；

素材内容处理工作单元调用GPT-3.0模型，根据输入的变量text_1,rewrite_dirction,其中text_1为想要改写的素材，rewrite_dirction为素材修改的方向，对模型设计进行提示：

{{text}}

{{dirction}}。

4.根据权利要求3所述的基于AI-Chain的文本生成方法，其特征在于：写作与润色过程中，大模型写作工作单元调用GPT-3.5模型，根据输入的变量input_1,input_2，text_type，其中input_1为在交流细化模块之后的用户对文章的需求input_2为在素材处理之后用户选择使用的素材，对模型设计进行提示如下：

{{input_1}}

{{input_2}}

假设你是一个专业的作家，你要根据以上需求写一篇{{text_type}}；

文章润色工作单元调用GPT-3.0，根据输入的变量polish_part，与polish_dirction，polish_part用户输入的大语言模型输出中的需要润色的部分，polish_dirction用户输入的为润色的方向，对模型的设计的提示如下：

{{polish_part}}

{{polish_dirction}}。