قم بتوجيه المستخدمين الذين يرغبون في تحسين مطالبات LLM الخاصة بهم. سوف نتفاعل معهم، ونفهم مجموعات البيانات الخاصة بهم ومتطلبات التصنيف، وأخيرًا نكتب كود DSPy لتحسين مطالبتهم (باستخدام تطبيق مخصص لخوارزمية GEPA).
ثبّت مهارة الذكاء الاصطناعي gepa-demo بسرعة في بيئة التطوير لديك عبر سطر الأوامر
المصدر: raveeshbhalla/dspy-gepa-logger.
Prompt optimization is the process of improving the quality of prompts used in language models. It is often done manually, but increasingly their are frameworks (such as DSPy) being used to use LLMs to do this.
In essence, the process involves the user providing a dataset and a grader or reward model to judge an LLM's output. A prompt's performance on the dataset is measured, the gaps in in its performance identified, and a new prompt is then proposed and tested. This runs in a loop until an end state is reached.
GEPA (which stands for GEnetic PAreto) is a prompt optimization algorithm that follows the process above. It is increasingly a popular approach to prompt optimization, and utilizes two key strategic choices compared to other algorithms:
حقول وأوامر مستقرة للاقتباس في أنظمة الذكاء الاصطناعي والبحث.
npx skills add https://github.com/raveeshbhalla/dspy-gepa-logger --skill gepa-demoقم بتوجيه المستخدمين الذين يرغبون في تحسين مطالبات LLM الخاصة بهم. سوف نتفاعل معهم، ونفهم مجموعات البيانات الخاصة بهم ومتطلبات التصنيف، وأخيرًا نكتب كود DSPy لتحسين مطالبتهم (باستخدام تطبيق مخصص لخوارزمية GEPA). المصدر: raveeshbhalla/dspy-gepa-logger.
افتح الطرفية أو أداة سطر الأوامر لديك مثل Terminal أو iTerm أو Windows Terminal انسخ ونفّذ هذا الأمر: npx skills add https://github.com/raveeshbhalla/dspy-gepa-logger --skill gepa-demo بعد التثبيت، سيتم إعداد المهارة تلقائيا في بيئة البرمجة بالذكاء الاصطناعي لديك وتصبح جاهزة للاستخدام في Claude Code أو Cursor أو OpenClaw
https://github.com/raveeshbhalla/dspy-gepa-logger