注意：以下翻译的准确性尚未经过验证。这是使用 AIP ↗ 从原始英文文本进行的机器翻译。

AIP Logic 常见问题解答

本页面详细介绍了一些关于 AIP Logic 应用程序的常见问题。

我如何将 AIP Logic 与平台的其他部分一起使用？

查看关于使用 Logic 函数的文档。

AIP Logic 中的所有活动均计入词元限制，包括工具响应。词元限制在每个块的基础上重置。您可以在调试器中每条消息的末尾查看使用的词元数量。如果条是红色的，请考虑减少词元计数以促进可靠性能。

我们建议采取以下步骤来减少词元计数：

从输入Object中选择所需的特定属性，或指定您要查询的Object属性，以减少LLM发送和接收的字符串(OBJECT_NAME property1 property2等)的大小；您可以通过选择 显示原始 在调试器中查看。
使用 查询Objects 工具时，选择要发送到LLM的属性子集。
考虑将单个块拆分为多个 使用LLM 块；每个块都有一个词元限制，因此您可以尝试将一个块分解为中间步骤。
将您的LLM模型更改为32k。
尽可能使用确定性块，例如变换块、执行块和应用操作块。这些块有助于产生更可预测的结果，并且不使用任何词元，使您的逻辑更高效和可管理。

一个大的单一块可以让您快速迭代，并在实验LLM的能力时轻松进行大的更改，但如果出现以下情况，您可能需要将 Logic 拆分为多个块：

由于每个块都有自己的上下文窗口，将其拆分为多个块可以具有以下优点：

要提高 AIP Logic 块的性能，请尝试以下建议：

您可以通过在 使用LLM 块的配置文本字段中编辑温度来修改LLM的温度，这是一个表示LLM响应随机性的参数。默认温度为0。较低的温度返回更确定的输出。

示例代码：

Copied!1
2
3
{
    "temperature": 0.9  // 在机器学习和自然语言处理领域，temperature 参数用于控制生成文本的随机性。值越高，生成的文本越随机；值越低，生成的文本越确定。
}

可以，您目前可以添加一个工具，使Logic能够在Ontology上执行语义搜索，这可以通过一个操作或编写一个函数在Object上，然后从AIP Logic调用。查看语义搜索工作流教程以了解更多信息。

如果适合您的工作流，您可以使用此设计模式帮助LLM从反馈中“学习”：

每当LLM提出建议时，捕获(1)建议以及(2)推理。然后，在将Logic函数连接到Workshop并构建人工审核过程时，将(3)人工反馈以及(4)正确的人工验证决策写回。为了这个例子，假设我们称这个数据输出Object为“Suggestion” Object。
在您的Logic函数中，启用LLM使用Query objects工具在“Suggestion” Object上，搜索LLM提出相同建议的其他实例。让LLM处理人工反馈，然后查询LLM是否继续执行LLM的建议。