"""一个人的信息。"""name: Optional[str] = Field(default=None, description="这个人的名字")hair_color: Optional[str] = Field(default=None, description="如果知道这个人头发的颜色")skin_color: Optional[str] = Field(default=None, d

一旦我们有了示例数据集，就需要考虑提示中应该有多少个示例。关键的权衡是，更多的示例通常会提高性能，但更大的提示会增加成本和延迟。超过某个阈值，太多示例可能会开始混淆模型。找到正确数量的示例在很大程度上取决于模型、任务、示例的质量以及成本和延迟限制。有趣的是，模型越好，它需要精准的示例就越少。但其实，最佳的方法是使用不同数量的示例进行一些实验。若此时我们有【大量】的示例数据集。对于大模型来说，就没必

对于【AI大模型】来说，它最擅长的是语义理解和文本总结，最不擅长的就是获取实时的信息。因为大模型的训练数据是有截止日期的！对于【搜索引擎】来说，它最擅长的就是获取实时的信息，缺点是信息分散，每次都需要人为进行总结。大模型与搜索引擎的结合，就是给AI配备了一个活字典，让AI可以随时进行查阅。下图展示了一个最简单的AI搜索工作流程，搜索引擎在这里充当知识库，结合我们的查询语句，大模型便可以从知识库中获

输出解析器 = 把大模型“说的人话”转成“程序能直接用的数据”比如：把一段文字变成 JSON、Python字典、Pydantic对象等。输出解析器 = 让大模型学会“讲程序听得懂的语言”你想让模型输出 JSON、对象还是纯文本，就选对应的解析器，然后用把它接到模型后面。

对于【AI大模型】来说，它最擅长的是语义理解和文本总结，最不擅长的就是获取实时的信息。因为大模型的训练数据是有截止日期的！对于【搜索引擎】来说，它最擅长的就是获取实时的信息，缺点是信息分散，每次都需要人为进行总结。大模型与搜索引擎的结合，就是给AI配备了一个活字典，让AI可以随时进行查阅。下图展示了一个最简单的AI搜索工作流程，搜索引擎在这里充当知识库，结合我们的查询语句，大模型便可以从知识库中获

输出解析器 = 把大模型“说的人话”转成“程序能直接用的数据”比如：把一段文字变成 JSON、Python字典、Pydantic对象等。输出解析器 = 让大模型学会“讲程序听得懂的语言”你想让模型输出 JSON、对象还是纯文本，就选对应的解析器，然后用把它接到模型后面。

一旦我们有了示例数据集，就需要考虑提示中应该有多少个示例。关键的权衡是，更多的示例通常会提高性能，但更大的提示会增加成本和延迟。超过某个阈值，太多示例可能会开始混淆模型。找到正确数量的示例在很大程度上取决于模型、任务、示例的质量以及成本和延迟限制。有趣的是，模型越好，它需要精准的示例就越少。但其实，最佳的方法是使用不同数量的示例进行一些实验。若此时我们有【大量】的示例数据集。对于大模型来说，就没必

一旦我们有了示例数据集，就需要考虑提示中应该有多少个示例。关键的权衡是，更多的示例通常会提高性能，但更大的提示会增加成本和延迟。超过某个阈值，太多示例可能会开始混淆模型。找到正确数量的示例在很大程度上取决于模型、任务、示例的质量以及成本和延迟限制。有趣的是，模型越好，它需要精准的示例就越少。但其实，最佳的方法是使用不同数量的示例进行一些实验。若此时我们有【大量】的示例数据集。对于大模型来说，就没必

"""一个人的信息。"""name: Optional[str] = Field(default=None, description="这个人的名字")hair_color: Optional[str] = Field(default=None, description="如果知道这个人头发的颜色")skin_color: Optional[str] = Field(default=None, d

"""一个人的信息。"""name: Optional[str] = Field(default=None, description="这个人的名字")hair_color: Optional[str] = Field(default=None, description="如果知道这个人头发的颜色")skin_color: Optional[str] = Field(default=None, d