LLM ලොග් කිරීම ප්රොම්ප්ට් සහ සම්පූර්ණතා අල්ලා ගනී — සිදුවීම් පිළිබඳ විස්තරාත්මක දත්ත. තීරණ සොයා ගැනීම කෙසේද යන්න අල්ලා ගනී — ප්රති/අපරාධ තර්ක, පූර්ව නීති, සහ සාධන. ලොග් කිරීම දෝෂ සොයා ගැනීමට ඉඩ සලසයි. තීරණ සොයා ගැනීම ආයතනික මතකය, පූර්ව නීති සොයා ගැනීම, සහ පැහැදිලි AI සක්රීය කරයි. AI Agentree ලොග් කිරීම ප්රතිස්ථාපනය කළ නොහැකි තීරණ සොයා ගැනීමේ තට්ටුව ලබා දෙයි.
TL;DR: ලොග් කිරීම මොඩලය කීවා යන්න අල්ලා ගනී. තීරණ සොයා ගැනීම තීරණය කළේ කෙසේද යන්න අල්ලා ගනී. පූර්ව නීති සහ ආයතනික මතකය සක්රීය කරන එකක් පමණි.
ලොග් කිරීම අවශ්යයි නමුත් ප්රමාණවත් නොවේ. මෙන්න එය අහිමි වන්නේ කෙසේද.
විස්තරාත්මක: "මෙය සිදුවිය"
// Log entry
{
"prompt": "Should we approve...",
"completion": "Yes, approved...",
"tokens": 847,
"latency_ms": 1234
}
ඔබට මෙම ලොග් එක සොයා ගත හැක. නමුත් ඔබට සමාන කේස් කෙසේ තීරණය කළේද යන්න සොයා ගත හැකිද?
නියමිත: "මෙය සහය දක්වයි/විරෝධය කරයි කෙසේද..."
// Decision trace
{
"decision": "APPROVED",
"pro_arguments": [...],
"con_arguments": [...],
"precedent_cited": "D-1234",
"rationale_ids": [...]
}
තර්ක ආකාරය මගින් සොයා ගත හැක. පූර්ව නීති ලෙස උපුටා ගත හැක.
| පැත්ත | LLM ලොග් කිරීම | තීරණ සොයා ගැනීම |
|---|---|---|
| එය කුමක් අල්ලා ගනී | ප්රතිපත්ති, සම්පූර්ණතා, ටෝකන්, ප්රමාදය | කාරණාමය ව්යුහය, පෙරනිමිති, යුක්තිය |
| දත්ත ව්යුහය | අවිසින් ලියන ලද පෙළ, සරල මැටාදත්ත | ව්යුහගත වාද ගස, සාමාන්ය සම්බන්ධතා |
| පරීක්ෂණ හැකියාව | 'X අඩංගු ලොග් සොයා ගන්න' | 'Y සම්බන්ධ කාරණාමය ආකාරය මත සමාන තීරණ සොයා ගන්න' |
| පෙරනිමියට සහය දක්වයි | ||
| සංස්ථාපන මතකය | ||
| විස්තරාත්මකත්වය | මාදිලිය කුමක් කියා සිටියේද යන්න පෙන්වයි | තීරණය කෙසේ ගන්නා ලදිද යන්න පෙන්වයි |
| අනුකූලතා වටිනාකම | සිද්ධීන්ගේ පරීක්ෂණ මාර්ගය | කාරණාමය පරීක්ෂණ මාර්ගය |
"අපි සමාන ආපසු ගෙවීම් ඉල්ලීම් කෙසේ කළාද?" යන්න තර්ක ව්යුහයක් අවශ්යයි, පෙළ සොයා ගැනීමක් නොවේ. ලොග් සමාන වචන සොයාගනී. සටහන් සමාන රටාවන් සොයාගනී.
කාලය ගතවීමෙන් එකතු වන දැනුම ව්යුහගත තීරණ අවශ්ය කරයි. ලොග් පුරාණ විද්යාවයි. සටහන් වාසියයි.
පැරණි තීරණ උපුටා ගන්නා නියෝජිතයන්ට ව්යුහගත පෙරනිමිය අවශ්යයි. "අපි සමාන තත්වයන් යටතේ D-1234 අනුමත කළා" යන්න තීරණ සටහන් අවශ්ය කරයි.
"AI එක X තීරණය කළේ කෙසේද?" යන්න ව්යුහගත සාධන අවශ්යයි. සිතුවිලි සම්බන්ධතා පසුකාලීන වේ. තීරණ සටහන් යථාර්ථයයි.
හොඳ ප්රතිඵල වලට ගෙන යන තර්ක රටාවන් අනුගමනය කිරීම ව්යුහයක් අවශ්ය කරයි. ලොග් ප්රතිඵල වලට තර්ක සම්බන්ධ කරගත නොහැක.
මිනිසා-අභ්යන්තරයෙන් සම්පූර්ණ ස්වාධීනත්වයට යාමට සාක්ෂි අවශ්යයි. තීරණ සටහන් තීරණයේ ගුණාත්මකත්වය සනාථ කරයි. ලොග් ක්රියාත්මක කිරීම සනාථ කරයි.
LLM ලොග් කිරීම ප්රොම්ප්ට්, සම්පූර්ණ කිරීම්, සහ මැටාදත්ත (ටෝකන්, ප්රමාදය) අල්ලා ගනී. තීරණ සොයා ගැනීම සංවිධානමය යුක්තිකරණය අල්ලා ගනී: ප්රති/අපක්ෂ ආර්ගුමන්ට්, උදාහරණ, විශ්වාස මට්ටම්, සහ තීරණය ගෙන යන යුක්තිය. ලොග් කිරීම විස්තරාත්මක වේ; සොයා ගැනීම නියමිත වේ.
ප්රොම්ප්ට්/ප්රතිඵල ලොග් යුක්තිකරණය ව්යුහය අල්ලා ගන්නේ නැහැ. ඔබට 'අපි සමාන කේස් කෙසේ කළාද?' හෝ 'මෙම තීරණය සඳහා කුමන උදාහරණ සහය දක්වයිද?' යන්න කුඩා පෙළ ලොග් වලින් විමසිය නොහැක. තීරණ සොයා ගැනීම ව්යුහගත කාර්ය සාධක නිර්මාණය කරයි, එමඟින් උදාහරණ සොයා ගැනීම සහ ආයතනික මතකය සක්රීය කරයි.
නැහැ. චේන්-අව්-තෝට් යනු ආකෘතියෙන් පසු නිර්මාණය කරන ලද යුක්තියකි — එය අභ්යන්තර ගණනයට විශ්වාසදායක නොවේ. දෙකක් ප්රොම්ප්ට් එකම පිළිතුරක් ලබා දිය හැක, විවිධ 'විසඳුම්' සමඟ. තීරණ සොයා ගැනීම තීරණයේ අවස්ථාවේ ව්යුහගත කාර්ය සාධක අල්ලා ගනී, නැවත නිර්මාණය කරන ලද කතාන්දර නොවේ.
ආකර්ශනීය ලෙස නොහැක. උදාහරණ නියමිත සම්බන්ධතා (සහාය/අපක්ෂ) අවශ්ය වේ, විස්තරාත්මක සම්බන්ධතා (අඩංගු/සඳහන්) නොවේ. ලොග් මූලික සොයා ගැනීම සමාන පෙළ සොයා ගනී; තීරණ සොයා ගැනීම සමාන යුක්තිකරණ රටාවන් සොයා ගනී. වෙනස මූලික වේ.
ඔව්. ඔබේ ලොග් කිරීම දෝෂ සොයා ගැනීම, වියදම් අනුගමනය කිරීම, සහ අනුකූලතාවය සඳහා තබා ගන්න. විස්තරාත්මක බව, උදාහරණ, සහ ආයතනික මතකය සඳහා තීරණ සොයා ගැනීම එකතු කරන්න. එය විවිධ අරමුණු සඳහා සේවය කරයි සහ එකට ක්රියා කරයි.
නියාමන ඉතාමත්ම AI තීරණ පැහැදිලි කිරීමක් අවශ්ය කරයි. ලොග් මොඩලය කුමක් කියනවාද යන්න පෙන්වයි. තීරණ සොයා ගැනීම් පෙන්වයි කුමක් නිසා තීරණය ගෙන ඇත, කුමන විකල්ප සලකා බැලූයේද, සහ කුමන සාක්ෂි එය සහය දක්වයි. මෙය පරීක්ෂකයින් සහ නියාමකයින්ට අවශ්යයි.
ඔබේ AI එක කෙසේ තීරණය කරනවාද යන්න අල්ලා ගන්න, එය කුමක් කියනවාද පමණක් නොවේ.