CN117574907A - 任务执行方法及装置 - Google Patents

任务执行方法及装置 Download PDF

Info

Publication number
CN117574907A
CN117574907A CN202311302479.XA CN202311302479A CN117574907A CN 117574907 A CN117574907 A CN 117574907A CN 202311302479 A CN202311302479 A CN 202311302479A CN 117574907 A CN117574907 A CN 117574907A
Authority
CN
China
Prior art keywords
task
target
intention
language model
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
Application number
CN202311302479.XA
Other languages
English (en)
Inventor
刘亚军
赵逢波
贺霆
陆仲达
周成标
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baolande Software Co ltd
Original Assignee
Beijing Baolande Software Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baolande Software Co ltd filed Critical Beijing Baolande Software Co ltd
Priority to CN202311302479.XA priority Critical patent/CN117574907A/zh
Publication of CN117574907A publication Critical patent/CN117574907A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/166—Editing, e.g. inserting or deleting
    • G06F40/186—Templates
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Machine Translation (AREA)

Abstract

本发明提供一种任务执行方法及装置，涉及软件智能运维技术领域，其中，所述任务执行方法，包括：获取目标任务对应的任务语句；调用大语言模型，识别所述任务语句对应的目标意图并根据所述目标意图和所述任务语句确定任务参数；根据所述目标意图和所述任务参数，执行所述目标任务。本发明可以有效地解决预料数据量不足的问题。

Description

任务执行方法及装置
技术领域
本发明涉及软件智能运维技术领域，尤其涉及一种任务执行方法及装置。
背景技术
在传统环境下，构建任务型机器人对用户输入进行意图识别和词槽提取等，从而执行任务，需要准备大量问答预料进行模型训练。然而，由于预料数据量不足，传统模型效果往往不尽如人意，导致机器人难以理解用户意图，从而无法执行任务。
发明内容
针对现有技术存在的问题，本发明实施例提供一种任务执行方法及装置。
本发明提供一种任务执行方法，包括：
获取目标任务对应的任务语句；
调用大语言模型，识别所述任务语句对应的目标意图并根据所述目标意图和所述任务语句确定任务参数；
根据所述目标意图和所述任务参数，执行所述目标任务。
根据本发明提供的一种任务执行方法，所述调用大语言模型，识别所述任务语句对应的目标意图并根据所述目标意图和所述任务语句确定任务参数，包括：
将所述任务语句和预设的第一指令模板进行组合，得到意图识别指令；
基于所述意图识别指令，调用第一大语言模型识别所述任务语句对应的目标意图；
根据所述任务语句和所述目标意图，调用第二大语言模型确定任务参数。
根据本发明提供的一种任务执行方法，所述第一指令模板包括意图列表、用户问题和输出提示；
相应地，所述将所述任务语句和预设的第一指令模板进行组合，得到意图识别指令，包括：
将所述任务语句添加至所述用户问题关联的预设位置，得到意图识别指令。
根据本发明提供的一种任务执行方法，所述意图列表包含至少一个意图和各所述意图对应的意图描述；所述第一大语言模型包括分析单元、选择单元和输出单元；
相应地，所述基于所述意图识别指令，调用第一大语言模型识别所述任务语句对应的目标意图，包括：
调用所述分析单元对所述用户问题进行分析，得到分析结果；
调用所述选择单元，根据所述分析结果和各所述意图描述，从各所述意图中确定目标意图；
调用所述输出单元，根据所述输出提示输出所述目标意图。
根据本发明提供的一种任务执行方法，所述根据所述任务语句和所述目标意图，调用第二大语言模型确定任务参数，包括：
根据所述目标意图，确定预设的第二指令模板；根据所述任务语句和预设的第二指令模板，确定词槽提取指令；基于所述词槽提取指令，调用第二大语言模型确定任务参数；
或者，根据所述任务语句和预设的第二指令模板，确定词槽提取指令；基于所述词槽提取指令和所述目标意图，调用第二大语言模型确定任务参数。
根据本发明提供的一种任务执行方法，所述第二指令模板包括工具列表、当前问题、历史问题和模型返回格式说明；
相应地，所述根据所述任务语句、所述目标意图和预设的第二指令模板，确定词槽提取指令，包括：
将所述任务语句添加至所述当前问题关联的预设位置，得到词槽提取指令。
根据本发明提供的一种任务执行方法，所述工具列表中包含目标工具；所述第二大语言模型包括词槽提取单元、填充单元和输出单元；
相应地，所述基于所述词槽提取指令，调用第二大语言模型确定任务参数，包括：
调用所述词槽提取单元，根据所述目标工具对所述当前问题和/或所述历史问题进行词槽提取，得到关键词槽；
调用所述填充单元，根据所述关键词槽进行工具参数填充，得到任务参数；
调用所述输出单元，按照所述模型返回格式说明输出所述任务参数。
根据本发明提供的一种任务执行方法，所述工具列表中包含至少一个工具；所述第二大语言模型包括选择单元、词槽提取单元、填充单元和输出单元；
相应地，所述基于所述词槽提取指令和所述目标意图，调用第二大语言模型确定任务参数，包括：
调用所述选择单元，根据所述目标意图，从各所述工具中确定目标工具；
调用所述词槽提取单元，根据所述目标工具对所述当前问题和/或所述历史问题进行词槽提取，得到关键词槽；
调用所述填充单元，根据所述关键词槽进行工具参数填充，得到任务参数；
调用所述输出单元，按照所述模型返回格式说明输出所述任务参数。
根据本发明提供的一种任务执行方法，所述根据所述目标意图和所述任务参数，执行所述目标任务，包括：
根据所述目标意图，确定目标接口；
调用所述目标接口按照所述任务参数执行所述目标任务，并返回执行结果。
本发明还提供一种任务执行装置，包括：
获取模块，被配置为获取目标任务对应的任务语句；
调用模块，被配置为调用大语言模型，识别所述任务语句对应的目标意图并根据所述目标意图和所述任务语句确定任务参数；
执行模块，被配置为根据所述目标意图和所述任务参数，执行所述目标任务。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述任务执行方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述任务执行方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述任务执行方法。
本发明提供的任务执行方法及装置，通过获取目标任务对应的任务语句；调用大语言模型，识别所述任务语句对应的目标意图并根据所述目标意图和所述任务语句确定任务参数；根据所述目标意图和所述任务参数，执行所述目标任务。由于大语言模型具有强大的语义理解和生成能力，可以利用少量的问答预料进行训练，进而使用大语言模型识别目标意图和任务参数时，不仅能够保证目标意图和任务参数的准确性，以及任务执行的高效性，还可避免使用大量问答预料进行训练，从而有效地解决预料数据量不足的问题。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的任务执行方法的流程示意图之一；
图2是本发明提供的任务执行方法的流程示意图之二；
图3是本发明提供的任务执行装置的结构示意图；
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了便于更加清晰地理解本发明各实施例，首先对一些相关的背景知识进行如下介绍。
近年来，随着深度学习的快速发展，大语言模型(Large Language Model，LLM)如GPT、BERT和Transformer等取得了显著突破，并成为自然语言处理领域的重要里程碑。这些模型通过训练海量文本数据集，可以理解和生成自然语言文本。
因此，利用大语言模型可以解决传统环境中存在的问题。通过少量文本数据集进行训练，大语言模型如GPT、BERT和Transformer等可以理解和生成自然语言文本，从而使得机器人能够更好地理解用户意图。由于大语言模型具有强大的语义理解和生成能力，因此可以利用少量的问答预料进行训练，从而有效地解决预料数据量不足的问题。
下面结合图1-图3描述本发明的任务执行方法及装置
图1是本发明提供的任务执行方法的流程示意图之一，参见图1所示，包括步骤101-步骤103，其中：
步骤101：获取目标任务对应的任务语句。
首先需要说明的是，本发明的执行主体可以是执行任务的任何电子设备，例如可以为智能手机、智能手表、台式电脑、手提电脑、机器人等任何一种。
具体地，任务语句是指用户输入的自然语言。目标任务即任务语句所指示的任务。
示例性地，目标任务为查询系统健康，任务语句可以是“查询最近2小时客户关系管理(Customer Relationship Management，CRM)系统健康度数据”、“一天内财务系统健康度状况”、“2小时内财务系统健康度是否低于95分”、“查询最近2小时CRM系统请求成功率指标”和“查询CRM系统5分钟内是严重级别告警”等。
每个任务语句表示用户等的一次查询请求，从上述任务语句中可以看出每次用户可能查询的是不同的意图、不同的时间范围和不同的阈值等。例如，上述第一个任务语句至第三个任务语句的意图是系统健康度查询，第四个任务语句的意图是指标查询，第五个任务语句的意图是告警查询。
实际应用中，获取目标任务对应的任务语句的方式有多种。例如，用户通过任务执行平台提供的任务执行页面输入或选择任务语句，相应地，执行主体获取到目标任务对应的任务语句。又如，用户通过任务执行平台提供的任务选择页面选择目标任务，相应地，执行主体接收到描述目标任务执行指令，从预设语言库中选择目标任务对应的任务语句。本发明对此不作限定。
步骤102：调用大语言模型，识别所述任务语句对应的目标意图并根据所述目标意图和所述任务语句确定任务参数。
具体地，大语言模型也称大型语言模型，是一种人工智能模型，旨在理解和生成人类语言，在大量的文本数据上进行训练，可以执行广泛的任务，包括文本总结、翻译、情感分析等等。目标意图也即用户意图，是指任务语句对应用户希望执行主体达到某种目的的想法。任务参数是指执行任务所需的参数，例如用户查询上一个月的数据，则“上一个月”为任务参数中的时间参数；又如用户请求将退款并退还至银行卡，则“退还至银行卡”为任务参数中的退款方式。
实际应用中，在获取了任务语句的基础上，进一步地，可以通过大语言模型对任务语句进行意图识别，得到任务语句对应的目标意图，并通过大语言模型对目标意图和任务语句进行处理，确定任务参数。
需要说明的是，可以利用同一个大语言模型，先对任务语句进行意图识别，再对目标意图和任务语句进行处理；还可以利用一个大语言模型对任务语句进行意图识别，再利用另一个大语言模型对目标意图和任务语句进行处理，两个大语言模型可以相同，也可以不同。
步骤103：根据所述目标意图和所述任务参数，执行所述目标任务。
实际应用中，在获取到目标意图和任务参数的基础上，可以基于目标意图确定需要执行的目标任务，并按照任务参数执行目标任务。
本发明提供的任务执行方法，通过获取目标任务对应的任务语句；调用大语言模型，识别所述任务语句对应的目标意图并根据所述目标意图和所述任务语句确定任务参数；根据所述目标意图和所述任务参数，执行所述目标任务。由于大语言模型具有强大的语义理解和生成能力，可以利用少量的问答预料进行训练，进而使用大语言模型识别目标意图和任务参数时，不仅能够保证目标意图和任务参数的准确性，以及任务执行的高效性，还可避免使用大量问答预料进行训练，从而有效地解决预料数据量不足的问题。
在本发明一个或更多个可选的实施例中，所述调用大语言模型，识别所述任务语句对应的目标意图并根据所述目标意图和所述任务语句确定任务参数，具体实现过程可以如下：
根据所述任务语句和预设的第一指令模板，调用第一大语言模型识别所述任务语句对应的目标意图；
根据所述任务语句和所述目标意图，调用第二大语言模型确定任务参数。
具体地，第一大语言模型和第二大语言模型可以为同一个大语言模型，也可以为不同的大语言模型。若第一大语言模型和第二大语言模型为不同的大语言模型，第一大语言模型和第二大语言模型可以为结构相同的模型，也可以为结构不同的模型。第一指令模板是指用于意图识别的提示指令模板，即意图识别prompt模板。第二指令模板是指用于词槽提取的提示指令模板，即词槽提取prompt模板。
实际应用中，可以根据任务语句和预选设置好的第一指令模板，确定用于意图识别的提示指令，然后基于用于意图识别的提示指令，引导第一大语言模型对任务语句进行意图识别，得到目标意图。如此，根据任务语句和第一指令模板进行意图识别，可以提高获取目标意图的效率。进一步地，根据任务语句和目标意图，引导第二大语言模型确定目标任务对应的任务参数，可以提高任务参数的可靠性。
在本发明一个或更多个可选的实施例中，所述根据所述任务语句和预设的第一指令模板，调用第一大语言模型识别所述任务语句对应的目标意图，具体实现过程可以如下：
将所述任务语句和预设的第一指令模板进行组合，得到意图识别指令；
基于所述意图识别指令，调用第一大语言模型识别所述任务语句对应的目标意图。
具体地，意图识别指令是指用于意图识别的提示指令，即意图识别prompt。
实际应用中，可以将任务语句和预设的第一指令模板进行拼接、组合或组装，得到意图识别指令。进一步地，通过意图识别指令引导第一大语言模型，使第一大语言模型具备意图准确识别的能力，并对意图识别指令中携带的任务语句进行意图识别，从而得到任务语句对应的目标意图。如此，可以基于意图识别指令使第一大语言模型识别目标意图，不仅可以提高识别目标意图的效率，还可以提高识别的可靠性。
在本发明一个或更多个可选的实施例中，所述第一指令模板包括用户问题；相应地，所述将所述任务语句和预设的第一指令模板进行组合，得到意图识别指令，具体实现过程可以如下：
将所述任务语句添加至所述用户问题关联的预设位置，得到意图识别指令。
具体地，用户问题是指第一指令模板中用于填写任务语句的板块，也即用户的输入原始数据或输入语句，例如：查询CRM系统健康度、财务系统健康度评分和财务系统近五分钟健康状态等。
实际应用中，第一指令模板中用户问题的板块，预留了用于填写任务语句的预设位置，将任务语句添加至预设位置，即得到了包含有任务语句的意图识别指令。如此，可以提高生成意图识别指令的效率。
需要说明的是，所述第一指令模板还包括意图列表和输出提示。其中，输出提示包含输出示例和模型返回格式说明。所述输出示例是通过小样本(few-short)的方式给大语言模型一些提示，帮助模型更好的理解目标意图和返回格式要求；所述模型返回格式说明是指在意图识别prompt模板中明确大语言模型的返回格式，让大语言模型可以理解目标意图。
此外，所述意图列表包含至少一个意图和各所述意图对应的意图描述。基于此，可以通过意图识别指令调用第一大语言模型，对用户问题，即任务语句进行分析，从意图列表中选择一个可以处理用户问题的意图作为目标意图。示例性地，将用户问题和各意图描述进行语义关联或语义匹配，将关联或匹配成功的意图描述对应的意图确定为目标意图。
需要说明的是，将用户问题和各意图描述进行语义关联或语义匹配，可以为计算任务语句与各意图描述的语义相似度，将语义相似度最高的意图描述作为目标意图描述，或者将大于相似度阈值的语义相似度所对应的意图描述作为目标意图描述。然后，将目标意图描述对应的意图确定为目标意图。
在本发明一个或更多个可选的实施例中，所述意图列表包含至少一个意图和各所述意图对应的意图描述；所述第一大语言模型包括分析单元和选择单元；相应地，所述基于所述意图识别指令，调用第一大语言模型识别所述任务语句对应的目标意图，具体实现过程可以如下：
调用所述分析单元对所述用户问题进行分析，得到分析结果；
调用所述选择单元，根据所述分析结果和各所述意图描述，从各所述意图中确定目标意图。
具体地，意图是指意图列表中预先设置的初始意图，也即指执行主体提供的底层应用程序接口(Application Programming Interface，API)，即接口的查询能力，例如系统健康度查询、指标查询、告警查询等。意图通常以意图名称的形式陈列在意图列表中。所述意图描述是指意图的详细功能进行说明和举例，示例性地，系统健康度查询的意图描述为“系统健康度查询主要是查询某系统的健康度评分，例如查询CRM系统健康度、财务系统健康度评分和财务系统近五分健康状态等”。
实际应用中，在确定了意图识别指令的基础上，通过意图识别指令调用第一大语言模型，使分析单元对分析用户问题，即分析任务语句，得到分析结果，如对用户问题进行语义分析，得到用户问题的语义特征，即分析结果。
进一步地，通过选择单元将分析结果和各意图描述进行语义关联或语义匹配，将关联或匹配成功的意图描述对应的意图确定为目标意图，即从意图列表中选择一个可以处理用户问题的意图作为目标意图。
示例性地，分析结果为用户问题的语义特征。可以对各意图描述进行语义分析，得到各意图描述的语义特征。计算用户问题的语义特征分别与各意图描述的语义特征之间的语义相似度，将语义相似度最高的意图描述所对应的意图确定为目标意图。如此，可以提高确定目标意图的准确性和可靠性。
需要说明的是，第一大语言模型还包括输出单元。在调用所述选择单元，根据所述分析结果和各所述意图描述，从各所述意图中确定目标意图之后，还可以调用所述输出单元，根据所述输出提示输出所述目标意图。
实际应用中，为了提高任务执行的效率，需要规定目标意图的格式。在从意图列表中确定目标意图之后，输出单元对输出提示中的输出示例进行学习，以更好的理解输出提示中的模型返回格式说明。并按照模型返回格式说明输出目标意图。
示例性地，意图识别prompt或意图识别prompt模板包含意图列表、用户问题和输出提示，意图列表包括意图(意图名称)和各意图对应的意图描述，输出提示包括输出示例和模型返回格式说明。
意图识别prompt模板如下所示：
你是一个专业运维，分析用户问题，从意图列表中选择一个可以处理用户问题的意图，如果没有意图可以处理用户问题，则返回“机器人无法处理该问题”。
意图列表：
{intention}：{IntentionDescription}
用户问题：
{question}
输出示例：
其中，“你是一个专业运维，分析用户问题，从意图列表中选择一个可以处理用户问题的意图，如果没有意图可以处理用户问题，则返回“机器人无法处理该问题””是角色定义，用于告知大语言模型要处理的任务。意图列表中{intention}代表意图或意图名称，意图列表中{IntentionDescription}代表意图描述，{outputSchema}中的内容代表模型返回格式说明。
示例性地，若任务语句为“查询信贷系统最近3小时健康度”，意图识别prompt可以如下：
你是一个专业运维，分析用户问题，从意图列表中选择一个可以处理用户问题的意图，如果没有意图可以处理用户问题，则返回“机器人无法处理该问题”。
意图列表：
健康度查询：系统健康度查询主要是查询某系统的健康度评分，例如查询CRM系统健康度，财务系统健康度评分，财务系统近五分健康状态等。
指标查询：输入模型和指标名称查询指标一段时间内的值，例查询CRM系统10点到12点的请求成功率，主机01最近2小时CPU利用率，redis-xd最近5分钟内存使用率等。
告警查询：按照告警级别和时间范围查找对象告警信息，例如查询CRM系统最近5分钟的告警，查询最近2小时严重告警，财务系统昨天到今天的业务告警等。
用户问题：
查询信贷系统最近3小时健康度
The output should be a markdown code snippet formatted in thefollowing schema，including the leading and trailing"```json"and"```"：
```
{
"intention"：string//在这里写下意图名称
"intentionDescription"：string//在这里写下意图描述
}
```
示例性地，若任务语句为“CRM系统最近5分钟的严重业务告警”，意图识别prompt可以如下：
你是一个专业运维，分析用户问题，从意图列表中选择一个可以处理用户问题的意图，如果没有意图可以处理用户问题，则返回“机器人无法处理该问题”。
意图列表：
健康度查询：系统健康度查询主要是查询某系统的健康度评分，例如查询CRM系统健康度，财务系统健康度评分，财务系统近五分健康状态等。
指标查询：输入模型和指标名称查询指标一段时间内的值，例查询CRM系统10点到12点的请求成功率，主机01最近2小时CPU利用率，redis-xd最近5分钟内存使用率等。
告警查询：按照告警级别和时间范围查找对象告警信息，例如查询CRM系统最近5分钟的告警，查询最近2小时严重告警，财务系统昨天到今天的业务告警等。
用户问题：
CRM系统最近5分钟的严重业务告警
The output should be a markdown code snippet formatted in thefollowing schema，including the leading and trailing"```json"and"```":
```
{
"intention":string//在这里写下意图名称
"intentionDescription":string//在这里写下意图描述
}
```
示例性地，若任务语句为“CRM系统最近5分钟的告警”，意图识别prompt可以如下：
你是一个专业运维，分析用户问题，从意图列表中选择一个可以处理用户问题的意图，如果没有意图可以处理用户问题，则返回“机器人无法处理该问题”。
意图列表：
健康度查询：系统健康度查询主要是查询某系统的健康度评分，例如查询CRM系统健康度，财务系统健康度评分，财务系统近五分健康状态等。
指标查询：输入模型和指标名称查询指标一段时间内的值，例查询CRM系统10点到12点的请求成功率，主机01最近2小时CPU利用率，redis-xd最近5分钟内存使用率等。
告警查询：按照告警级别和时间范围查找对象告警信息，例如查询CRM系统最近5分钟的告警，查询最近2小时严重告警，财务系统昨天到今天的业务告警等。
用户问题：
CRM系统最近5分钟的告警
The output should be a markdown code snippet formatted in thefollowing schema，including the leading and trailing"```json"and"```":
```
{
"intention":string//在这里写下意图名称
"intentionDescription":string//在这里写下意图描述
}
```
在本发明一个或更多个可选的实施例中，所述根据所述任务语句和所述目标意图，调用第二大语言模型确定任务参数，具体实现过程可以如下：
根据所述目标意图，确定预设的第二指令模板；
根据所述任务语句和预设的第二指令模板，确定词槽提取指令；
基于所述词槽提取指令，调用第二大语言模型确定任务参数。
具体地，词槽提取指令是指用于词槽提取的提示指令，即词槽提取prompt。
实际应用中，不同的第二指令模板对应不同的意图。此时，可以确定目标意图对应的第二指令模板。进一步地，将任务语句和目标意图对应的第二指令模板进行组合，得到词槽提取指令。进一步地，根据通过词槽提取指令引导第二大语言模型，使第二大语言模型具备准确提取词槽的能力，并对意图识别指令中携带的任务语句进行词槽提取从而得到任务参数。如此，可以基于词槽提取指令使第二大语言模型提取词槽，不仅可以提高词槽提取的效率，还可以提高提取的可靠性。
在本发明一个或更多个可选的实施例中，所述第二指令模板包括当前问题；相应地，所述根据所述任务语句、所述目标意图和预设的第二指令模板，确定词槽提取指令，具体实现过程可以如下：
将所述任务语句添加至所述当前问题关联的预设位置，得到词槽提取指令。
具体地，当前问题是指第二指令模板中用于填写任务语句的板块，即最新一条输入的自然语言描述。
实际应用中，第二指令模板中当前问题的板块，预留了用于填写任务语句的预设位置，将任务语句添加至预设位置，即得到了包含有任务语句的词槽提取指令。如此，可以提高生成词槽提取指令的效率。
需要说明的是，所述第二指令模板还包括工具列表(工具说明)、历史问题和模型返回格式说明。所述工具列表(工具说明)主要是指提供基础能力的API描述及参数信息说明等；所述历史问题是指同一个用户在最近N条输入信息，N为预设的自然数；所述模型返回格式说明是在词槽提取prompt中明确大语言模型的返回格式，让大语言模型可以理解词槽。
此外，所述工具列表包含目标工具。基于此，可以通过意图识别指令调用第一大语言模型，根据意图列表中目标工具提取目标工具相关的词槽，从而得到任务参数。
在本发明一个或更多个可选的实施例中，所述工具列表中包含目标工具；所述第二大语言模型包括词槽提取单元和填充单元；相应地，所述基于所述词槽提取指令，调用第二大语言模型确定任务参数，包括：
调用所述词槽提取单元，根据所述目标工具对所述当前问题和/或所述历史问题进行词槽提取，得到关键词槽；
调用所述填充单元，根据所述关键词槽进行工具参数填充，得到任务参数。
实际应用中，在确定了词槽提取指令的基础上，通过词槽提取指令调用第二大语言模型，使词槽提取单元，从当前问题和/或历史问题中，提取目标工具对应的关键词槽；然后通过填充单元根据关键词槽对目标工具对应的工具参数进行填充，得到任务参数。
由于所采用的第二指令模板与目标意图对应，因此第二指令模板或词槽提取指令的工具列表中，工具(目标工具)与目标意图相匹配，基于该目标工具进行词槽提取并确定任务参数，可以提高确定任务参数的准确性和可靠性。
需要说明的是，第二大语言模型还包括输出单元。在调用所述填充单元，根据所述关键词槽进行工具参数填充，得到任务参数之后，还可以调用所述输出单元，按照所述模型返回格式说明输出所述任务参数。为了提高任务执行的效率，可以通过输出单元按照模型返回格式说明输出任务参数。
在本发明一个或更多个可选的实施例中，所述根据所述任务语句和所述目标意图，调用第二大语言模型确定任务参数，具体实现过程可以如下：
根据所述任务语句和预设的第二指令模板，确定词槽提取指令；
基于所述词槽提取指令和所述目标意图，调用第二大语言模型确定任务参数。
实际应用中，不同的意图对应同一个的第二指令模板。此时，可以将任务语句和预设的第二指令模板进行组合，得到词槽提取指令。进一步地，根据通过词槽提取指令和目标意图引导第二大语言模型，使第二大语言模型具备准确提取词槽的能力，并对意图识别指令中携带的任务语句进行词槽提取从而得到任务参数。如此，可以基于词槽提取指令和目标意图使第二大语言模型提取词槽，不仅可以提高词槽提取的效率，还可以提高提取的可靠性。
在本发明一个或更多个可选的实施例中，所述第二指令模板包括当前问题；相应地，所述根据所述任务语句、所述目标意图和预设的第二指令模板，确定词槽提取指令，具体实现过程可以如下：
将所述任务语句添加至所述当前问题关联的预设位置，得到词槽提取指令。
具体地，当前问题是指第二指令模板中用于填写任务语句的板块，即最新一条输入的自然语言描述。
实际应用中，第二指令模板中当前问题的板块，预留了用于填写任务语句的预设位置，将任务语句添加至预设位置，即得到了包含有任务语句的词槽提取指令。如此，可以提高生成词槽提取指令的效率。
需要说明的是，所述第二指令模板还包括工具列表(工具说明)、历史问题和模型返回格式说明。所述工具列表(工具说明)主要是指提供基础能力的API描述及参数信息说明等；所述历史问题是指同一个用户在最近N条输入信息，N为预设的自然数；所述模型返回格式说明是在词槽提取prompt中明确大语言模型的返回格式，让大语言模型可以理解词槽。
需要说明的是，所述第二指令模板还包括工具列表(工具说明)、历史问题和模型返回格式说明。所述工具列表(工具说明)主要是指提供基础能力的API描述及参数信息说明等；所述历史问题是指同一个用户在最近N条输入信息，N为预设的自然数；所述模型返回格式说明是在词槽提取prompt中明确大语言模型的返回格式，让大语言模型可以理解词槽。
此外，所述工具列表包含至少一个工具。基于此，第二大语言模型可以通过目标意图从各工具中确定目标工具，并根据目标工具提取目标工具相关的词槽，从而得到任务参数。
在本发明一个或更多个可选的实施例中，所述工具列表中包含至少一个工具；所述第二大语言模型包括选择单元、词槽提取单元和填充单元；相应地，所述基于所述词槽提取指令和所述目标意图，调用第二大语言模型确定任务参数，具体实现过程可以如下：
调用所述选择单元，根据所述目标意图，从各所述工具中确定目标工具；
调用所述词槽提取单元，根据所述目标工具对所述当前问题和/或所述历史问题进行词槽提取，得到关键词槽；
调用所述填充单元，根据所述关键词槽进行工具参数填充，得到任务参数；
调用所述输出单元，按照所述模型返回格式说明输出所述任务参数。
实际应用中，在确定了词槽提取指令的基础上，通过词槽提取指令调用第二大语言模型，使词槽提取单元根据目标意图，从工具列表中选择目标意图对应的目标工具。通过词槽提取单元从当前问题和/或历史问题中，提取目标工具对应的关键词槽；然后通过填充单元根据关键词槽对目标工具对应的工具参数进行填充，得到任务参数。
由于选取与目标意图对应的目标工具，基于该目标工具进行词槽提取并确定任务参数，可以提高确定任务参数的准确性和可靠性。
需要说明的是，第二大语言模型还包括输出单元。在调用所述填充单元，根据所述关键词槽进行工具参数填充，得到任务参数之后，还可以调用所述输出单元，按照所述模型返回格式说明输出所述任务参数。为了提高任务执行的效率，可以通过输出单元按照模型返回格式说明输出任务参数。
示例性地，意图识别prompt模板如下所示：
通过分析问题，从当前问题和历史对话中提取关键词槽，完成工具参数填充，词槽只能来源于当前问题和历史对话中一部分，禁止臆想，只返回JSON。
词槽提取按照以下原则进行：
原则1：词槽优先来于“当前问题”。
原则2：当前问题中没有的词槽，按照对话1，对话2，对话3的顺序进行一次查找提取。
你可以使用以下工具：
开始提取
当前问题：
{question}
历史对话：
{history}
其中，“通过分析问题，从当前问题和历史对话中提取关键词槽，完成工具参数填充，词槽只能来源于当前问题和历史对话中一部分，禁止臆想，只返回JSON”是角色定义，用于告知大语言模型要处理的任务。“词槽提取按照以下原则进行：原则1：词槽优先来于“当前问题”。原则2：当前问题中没有的词槽，按照对话1，对话2，对话3的顺序进行一次查找提取”是词槽提取原则，用于告知大语言模型如何进行词槽提取。{tool}中用于填充对应的工具说明，{outputSchema}中用于填充对应的模型返回格式说明。
示例1，若任务语句为“CRM002”，意图识别prompt可以如下：
通过分析问题，从当前问题和历史对话中提取关键词槽，完成工具参数填充，词槽只能来源于当前问题和历史对话中一部分，禁止臆想，只返回JSON。
词槽提取按照以下原则进行：
原则1：词槽优先来于“当前问题”。
原则2：当前问题中没有的词槽，按照对话1，对话2，对话3的顺序进行一次查找提取。
你可以使用以下工具：
系统健康度分数查询：系统健康度分数查询(systemName：str，startTime：str，endTime：str)-查询系统的健康度分数，系统名称，起始日期，结束日期。
开始提取
当前问题：CRM002
历史对话：
对话1：查询BOSS系统健康度
对话2：2小时
对话3：最近5分钟健康度
对话4：查询CRM01最近5分钟
示例2，若任务语句为“CRM系统”，意图识别prompt可以如下：
通过分析问题，从当前问题和历史对话中提取关键词槽，完成工具参数填充，词槽只能来源于当前问题和历史对话中一部分，禁止臆想，只返回JSON。
词槽提取按照以下原则进行：
原则1：词槽优先来于“当前问题”。
原则2：当前问题中没有的词槽，按照对话1，对话2，对话3的顺序进行一次查找提取。
你可以使用以下工具：
系统健康度分数查询：系统健康度分数查询(systemName：str，startTime：str，endTime：str)-查询系统的健康度分数，系统名称，起始日期，结束日期。
开始提取
当前问题：CRM系统
历史对话：
对话1：查询BOSS系统健康度
对话2：2小时
对话3：最近5分钟健康度
对话4：查询CRM01最近5分钟
示例3，若任务语句为“2小时内的健康度分数”，意图识别prompt可以如下：
通过分析问题，从当前问题和历史对话中提取关键词槽，完成工具参数填充，词槽只能来源于当前问题和历史对话中一部分，禁止臆想，只返回JSON。
词槽提取按照以下原则进行：
原则1：词槽优先来于“当前问题”。
原则2：当前问题中没有的词槽，按照对话1，对话2，对话3的顺序进行一次查找提取。
你可以使用以下工具：
系统健康度分数查询：系统健康度分数查询(systemName：str，startTime：str，endTime：str)-查询系统的健康度分数，系统名称，起始日期，结束日期。
开始提取
当前问题：2小时内的健康度分数
历史对话：
对话1：查询BOSS系统健康度
对话2：2小时
对话3：最近5分钟健康度
对话4：查询CRM01最近5分钟
在本发明一个或更多个可选的所述根据所述目标意图和所述任务参数，执行所述目标任务，包括：
根据所述目标意图，确定目标接口；
调用所述目标接口按照所述任务参数执行所述目标任务。
实际应用中，在获取到目标意图和任务参数的基础上，可以基于目标意图确定可以执行目标任务的目标接口，并调用目标接口按照任务参数执行目标任务。如此，可以提高任务执行的高效性和准确性。
所述调用所述目标接口按照所述任务参数执行所述目标任务之后，还包括返回执行结果。即在目标接口执行目标任务之后，返回执行任务的执行结果，以供用户查看。
下面结合图2对本发明提供的任务执行方法进行进一步说明。
步骤201：自然语言输入。
即获取目标任务对应的任务语言。
步骤202：意图识别prompt组装。
意图识别prompt组装主要是通过调优后的意图识别prompt让大语言模型具备用户意图准确识别的能力。即将任务语言与调优后的意图识别prompt模板组合，得到调优后的意图识别prompt。
需要说明的是，调优主要是针对意图识别prompt模板进行调优，意图识别prompt模板针对用户是不可见的，所以只需要调优一次。
步骤203：意图识别。
所述意图识别是将组装好的意图识别prompt调用大语言模型，如ChatGPT3.5、文心一言和chatGLM2-6b等大语言模型，得到JSON结构数据(表征的用户意图，即目标意图)。然后对大语言模型返回的JSON结构数据进行解析，提取到用户意图。
步骤204：词槽提取prompt组装。
所述词槽提取prompt是在步骤203的基础上提取具体API调用参数的Prompt。即根据任务语言和词槽提取prompt模板组合，得到词槽提取prompt。
步骤205：词槽提取。
所述词槽提取是将组装好的词槽提取prompt调用大语言模型，得到JSON结构数据(表征任务参数，即参数信息)。然后对模型返回的JSON结构数据进行解析，获取到调用API所需的参数信息。
步骤206：执行API。
根据步骤203的意图识别的结果(用户意图)和步骤205的词槽提取的结果(参数信息)，调用响应用户意图对应的API按照参数信息进行任务执行，并返回JSON格式化数据集，即执行结果。
步骤207：样式渲染并展示。
将步骤206返回的JSON格式化数据集通过Freemarker等技术进行动态渲染，生成图表、列表、详情等页面。
下面对本发明提供的任务执行装置进行描述，下文描述的任务执行装置与上文描述的任务执行方法可相互对应参照。
图3是本发明提供的任务执行装置的结构示意图，如图3所示，该任务执行装置300包括：获取模块301、调用模块302和执行模块303，其中：
获取模块301，被配置为获取目标任务对应的任务语句；
调用模块302，被配置为调用大语言模型，识别所述任务语句对应的目标意图并根据所述目标意图和所述任务语句确定任务参数；
执行模块303，被配置为根据所述目标意图和所述任务参数，执行所述目标任务。
本发明提供的任务执行装置，通过获取目标任务对应的任务语句；调用大语言模型，识别所述任务语句对应的目标意图并根据所述目标意图和所述任务语句确定任务参数；根据所述目标意图和所述任务参数，执行所述目标任务。由于大语言模型具有强大的语义理解和生成能力，可以利用少量的问答预料进行训练，进而使用大语言模型识别目标意图和任务参数时，不仅能够保证目标意图和任务参数的准确性，以及任务执行的高效性，还可避免使用大量问答预料进行训练，从而有效地解决预料数据量不足的问题。
在本发明一个或更多个可选的实施例中，所述调用模块302，包括：
第一组合模块，被配置为将所述任务语句和预设的第一指令模板进行组合，得到意图识别指令；
识别模块，被配置为基于所述意图识别指令，调用第一大语言模型识别所述任务语句对应的目标意图；
确定模块，被配置为根据所述任务语句和所述目标意图，调用第二大语言模型确定任务参数。
在本发明一个或更多个可选的实施例中，所述第一指令模板包括意图列表、用户问题和输出提示；
相应地，所述第一组合模块，进一步被配置为：
将所述任务语句添加至所述用户问题关联的预设位置，得到意图识别指令。
在本发明一个或更多个可选的实施例中，所述意图列表包含至少一个意图和各所述意图对应的意图描述；所述第一大语言模型包括分析单元、选择单元和输出单元；
相应地，所述识别模块，进一步被配置为：
调用所述分析单元对所述用户问题进行分析，得到分析结果；
调用所述选择单元，根据所述分析结果和各所述意图描述，从各所述意图中确定目标意图；
调用所述输出单元，根据所述输出提示输出所述目标意图。
在本发明一个或更多个可选的实施例中，所述确定模块，进一步被配置为：
根据所述目标意图，确定预设的第二指令模板；根据所述任务语句和预设的第二指令模板，确定词槽提取指令；基于所述词槽提取指令，调用第二大语言模型确定任务参数；
或者，根据所述任务语句和预设的第二指令模板，确定词槽提取指令；基于所述词槽提取指令和所述目标意图，调用第二大语言模型确定任务参数。
在本发明一个或更多个可选的实施例中，所述第二指令模板包括工具列表、当前问题、历史问题和模型返回格式说明；
相应地，所述确定模块，进一步被配置为：
将所述任务语句添加至所述当前问题关联的预设位置，得到词槽提取指令。
在本发明一个或更多个可选的实施例中，所述工具列表中包含目标工具；所述第二大语言模型包括词槽提取单元、填充单元和输出单元；
相应地，所述确定模块，进一步被配置为：
调用所述词槽提取单元，根据所述目标工具对所述当前问题和/或所述历史问题进行词槽提取，得到关键词槽；
调用所述填充单元，根据所述关键词槽进行工具参数填充，得到任务参数；
调用所述输出单元，按照所述模型返回格式说明输出所述任务参数。
在本发明一个或更多个可选的实施例中，所述工具列表中包含至少一个工具；所述第二大语言模型包括选择单元、词槽提取单元、填充单元和输出单元；
相应地，所述确定模块，进一步被配置为：
调用所述选择单元，根据所述目标意图，从各所述工具中确定目标工具；
调用所述词槽提取单元，根据所述目标工具对所述当前问题和/或所述历史问题进行词槽提取，得到关键词槽；
调用所述填充单元，根据所述关键词槽进行工具参数填充，得到任务参数；
调用所述输出单元，按照所述模型返回格式说明输出所述任务参数。
在本发明一个或更多个可选的实施例中，所述执行模块303，进一步被配置为：
根据所述目标意图，确定目标接口；
调用所述目标接口按照所述任务参数执行所述目标任务，并返回执行结果。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行任务执行方法，该方法包括：获取目标任务对应的任务语句；调用大语言模型，识别所述任务语句对应的目标意图并根据所述目标意图和所述任务语句确定任务参数；根据所述目标意图和所述任务参数，执行所述目标任务。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的任务执行方法，该方法包括：获取目标任务对应的任务语句；调用大语言模型，识别所述任务语句对应的目标意图并根据所述目标意图和所述任务语句确定任务参数；根据所述目标意图和所述任务参数，执行所述目标任务。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的任务执行方法，该方法包括：获取目标任务对应的任务语句；调用大语言模型，识别所述任务语句对应的目标意图并根据所述目标意图和所述任务语句确定任务参数；根据所述目标意图和所述任务参数，执行所述目标任务。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种任务执行方法，其特征在于，包括：
获取目标任务对应的任务语句；
调用大语言模型，识别所述任务语句对应的目标意图并根据所述目标意图和所述任务语句确定任务参数；
根据所述目标意图和所述任务参数，执行所述目标任务。
2.根据权利要求1所述的任务执行方法，其特征在于，所述调用大语言模型，识别所述任务语句对应的目标意图并根据所述目标意图和所述任务语句确定任务参数，包括：
将所述任务语句和预设的第一指令模板进行组合，得到意图识别指令；
基于所述意图识别指令，调用第一大语言模型识别所述任务语句对应的目标意图；
根据所述任务语句和所述目标意图，调用第二大语言模型确定任务参数。
3.根据权利要求2所述的任务执行方法，其特征在于，所述第一指令模板包括意图列表、用户问题和输出提示；
相应地，所述将所述任务语句和预设的第一指令模板进行组合，得到意图识别指令，包括：
将所述任务语句添加至所述用户问题关联的预设位置，得到意图识别指令。
4.根据权利要求3所述的任务执行方法，其特征在于，所述意图列表包含至少一个意图和各所述意图对应的意图描述；所述第一大语言模型包括分析单元、选择单元和输出单元；
相应地，所述基于所述意图识别指令，调用第一大语言模型识别所述任务语句对应的目标意图，包括：
调用所述分析单元对所述用户问题进行分析，得到分析结果；
调用所述选择单元，根据所述分析结果和各所述意图描述，从各所述意图中确定目标意图；
调用所述输出单元，根据所述输出提示输出所述目标意图。
5.根据权利要求2所述的任务执行方法，其特征在于，所述根据所述任务语句和所述目标意图，调用第二大语言模型确定任务参数，包括：
根据所述目标意图，确定预设的第二指令模板；根据所述任务语句和预设的第二指令模板，确定词槽提取指令；基于所述词槽提取指令，调用第二大语言模型确定任务参数；
或者，根据所述任务语句和预设的第二指令模板，确定词槽提取指令；基于所述词槽提取指令和所述目标意图，调用第二大语言模型确定任务参数。
6.根据权利要求5所述的任务执行方法，其特征在于，所述第二指令模板包括工具列表、当前问题、历史问题和模型返回格式说明；
相应地，所述根据所述任务语句、所述目标意图和预设的第二指令模板，确定词槽提取指令，包括：
将所述任务语句添加至所述当前问题关联的预设位置，得到词槽提取指令。
7.根据权利要求6所述的任务执行方法，其特征在于，所述工具列表中包含目标工具；所述第二大语言模型包括词槽提取单元、填充单元和输出单元；
相应地，所述基于所述词槽提取指令，调用第二大语言模型确定任务参数，包括：
调用所述词槽提取单元，根据所述目标工具对所述当前问题和/或所述历史问题进行词槽提取，得到关键词槽；
调用所述填充单元，根据所述关键词槽进行工具参数填充，得到任务参数；
调用所述输出单元，按照所述模型返回格式说明输出所述任务参数。
8.根据权利要求6所述的任务执行方法，其特征在于，所述工具列表中包含至少一个工具；所述第二大语言模型包括选择单元、词槽提取单元、填充单元和输出单元；
相应地，所述基于所述词槽提取指令和所述目标意图，调用第二大语言模型确定任务参数，包括：
调用所述选择单元，根据所述目标意图，从各所述工具中确定目标工具；
调用所述词槽提取单元，根据所述目标工具对所述当前问题和/或所述历史问题进行词槽提取，得到关键词槽；
调用所述填充单元，根据所述关键词槽进行工具参数填充，得到任务参数；
调用所述输出单元，按照所述模型返回格式说明输出所述任务参数。
9.根据权利要求1所述的任务执行方法，其特征在于，所述根据所述目标意图和所述任务参数，执行所述目标任务，包括：
根据所述目标意图，确定目标接口；
调用所述目标接口按照所述任务参数执行所述目标任务，并返回执行结果。
10.一种任务执行装置，其特征在于，包括：
获取模块，被配置为获取目标任务对应的任务语句；
调用模块，被配置为调用大语言模型，识别所述任务语句对应的目标意图并根据所述目标意图和所述任务语句确定任务参数；
执行模块，被配置为根据所述目标意图和所述任务参数，执行所述目标任务。
CN202311302479.XA 2023-10-09 2023-10-09 任务执行方法及装置 Pending CN117574907A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311302479.XA CN117574907A (zh) 2023-10-09 2023-10-09 任务执行方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311302479.XA CN117574907A (zh) 2023-10-09 2023-10-09 任务执行方法及装置

Publications (1)

Publication Number Publication Date
CN117574907A true CN117574907A (zh) 2024-02-20

Family

ID=89885110

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311302479.XA Pending CN117574907A (zh) 2023-10-09 2023-10-09 任务执行方法及装置

Country Status (1)

Country Link
CN (1) CN117574907A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117992598A (zh) * 2024-04-07 2024-05-07 同盾科技有限公司 基于大模型的需求响应方法、装置、介质及设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117992598A (zh) * 2024-04-07 2024-05-07 同盾科技有限公司 基于大模型的需求响应方法、装置、介质及设备

Similar Documents

Publication Publication Date Title
CN110096570B (zh) 一种应用于智能客服机器人的意图识别方法及装置
CN110765763A (zh) 语音识别文本的纠错方法、装置、计算机设备和存储介质
CN111859960A (zh) 基于知识蒸馏的语义匹配方法、装置、计算机设备和介质
CN108710704B (zh) 对话状态的确定方法、装置、电子设备及存储介质
CN111783471B (zh) 自然语言的语义识别方法、装置、设备及存储介质
CN110674131A (zh) 财务报表数据处理方法、装置、计算机设备和存储介质
CN112328761A (zh) 一种意图标签设置方法、装置、计算机设备及存储介质
CN111159375A (zh) 一种文本处理方法及装置
CN112732871A (zh) 一种机器人催收获取客户意向标签的多标签分类方法
CN117574907A (zh) 任务执行方法及装置
CN112766319A (zh) 对话意图识别模型训练方法、装置、计算机设备及介质
CN114579104A (zh) 数据分析场景的生成方法、装置、设备及存储介质
CN115687621A (zh) 一种短文本标签标注方法及装置
CN113434631A (zh) 基于事件的情感分析方法、装置、计算机设备及存储介质
CN117648982A (zh) 基于问答模型生成答案方法、装置、电子设备及存储介质
US20230206007A1 (en) Method for mining conversation content and method for generating conversation content evaluation model
CN116186223A (zh) 一种金融文本处理方法、装置、设备和存储介质
CN114461665B (zh) 用于生成语句转换模型的方法、装置及计算机程序产品
KR102363958B1 (ko) 이중 클러스터링 기반 소비자 인식 분석 방법, 장치 및 프로그램
CN112416754B (zh) 一种模型评测方法、终端、系统及存储介质
CN114661746A (zh) 语句转换方法、装置、电子设备及存储介质
CN117609444B (zh) 一种基于大模型的搜索问答方法
CN116755683B (zh) 一种数据处理方法和相关装置
CN114579608B (zh) 基于表格数据的人机交互方法、装置及设备
CN114238603A (zh) 基于人工智能的问答方法、装置、计算机设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication