從 2023 年開始,在去年 為何技術老人這樣想那樣做? 的那場分享之前,就開始探索管理的更多可能性,以及探索更深層的奧秘,宇宙的二進位,生活中的陰與陽,到透過朋友深入探索 8 進位和 64 進位的玄學領域。
一開始只是想將自己體驗進行工程的還原,先是以為透過 ai 可以很快(偷懶)就可以解決掉資訊整理的問題,這邊有些踩雷的過程,以及對於整體實作的紀錄,分享給大家。
人生,原本以為很輕鬆的事情,最後都會不太容易
原本目標是希望將網路上許多的八卦資訊,以及六十四卦象內容,透過 AI 將資料進行彙整,就資料進行整合以及釐清就花了些時間 (汗)
以下且聽我慢慢道來 ... .
思緒步驟
大概步驟會是這樣,首先進行基礎八卦資訊搜集,大概由乾掛到坤卦,這些都可以在網路上容易取得,(這邊採用的是先天八卦順序)
https://chatgpt.com/share/672083ea-4000-8010-ae50-3e120d845244
接著進入重點, 64 卦目前並沒有太多工程項目可以進行整合資料,因此主要透過 ChatGPT 產生資訊,以及透過 wiki 進行先達到快速效果。
https://chatgpt.com/share/67208416-c210-8010-9d43-a8c7235a1b03
緊接著,就會得到一串很像是 64 掛的內容,
不看不知道,一看嚇一跳,取得資料中會包含錯誤資訊,對應錯誤的上下卦,但畢竟是電腦,有錯很正常,這才是我認識的 ChatGPT (這邊也有試過 Claude 也有相同問題)。
校正回歸
此時經驗就非常重要,透過 AI 協助我們進行資料編寫比對,但不是單純的比對,而是要先想清楚自己的目標是什麼。
- 64 卦,兩兩相對。
- 64 卦,每個卦象不重複。
基礎於一開始『懶』的狀態, 首先直覺性的,是將比對錯誤的 json 直接丟入,原本預計透過 chain of thought 的方式,讓 llm 進行重複確認,但 ...
測試發現,需要透過 llm 產出原生資料越大時,隱藏的重複錯誤性會隨之提高。
llm 不轉,我轉
因此,這邊的解法朝向糾錯為主。 首先回到目的性,我們需要得到的結果是
- 完整的 64 卦象
- 取得對應的正確上下卦位置。
當我們有這樣明確的目標時,回到工程面向身為工程魂的各位,學習過各種 XDD (X-driven development) 的各位很快就可以猜到,可透過 AI 進行建立 jest / mocha 進行正向測試,進行測試腳本,
目標如下,
- 隨機進行測試,測試兩兩一對,並且卦象都是可以取得正確資訊。(不可為空)
- 以 8 卦為基底參數,進行迴圈測試,確認資料並為重複。
透過 1 & 2 且成立的狀態下,很快就可以跑出錯誤,錯誤的造成,可以馬上就知道哪些是重複,或者會讓結果跳出 null 的可能性,接著就可以再將這些輸出直接放回到 chatgpt 讓他進行補完。
很快劈哩啪啦,咖咖澎洽,一下子就可以讓 test 生出來, https://github.com/clonn/yi-insight/tree/main/test
以我這邊的例子,就可以明確的產出錯誤的範圍,有了明確修正範圍,直接透過 prompt 請任何一個 llm 都可以進行產出修正。
console.log
[ '巽-震', '巽-震', '離-兌', '巽-坎', '坎-兌', '震-艮' ]
看起來有六個重複, 請修正
無情中途工商
RAG/Agent 應用開發從 0 至 1 實戰工作坊 第二場來了!
想掌握最新 AI 技術並將其應用於真實開發中嗎?這堂課程專為具備 Web 開發經驗的開發者設計,從 Prompt Engineering、RAG 系統到智能代理的實作,帶您從理論到實戰,快速上手!
⏩ 立即報名! 詳情請見:https://exma.kktix.cc/events/ai-for-dev-course-rag-2
看成果
結果,透過產生的修正縮小範圍,就可以得到完美的六十四卦的組合, 不用自己透過 wiki 複製貼上,完全透過 free chatgpt ,不用課金,不用任何奇技淫巧,就可以得到整理後的資訊,
https://github.com/clonn/yi-insight/blob/main/src/hexagram/hexagram_64.json
回思
首先, ChatGPT 都至少訓練資料都有更新至 2023年,因此可以大膽地推論,他應該是有讀過易經,八卦爻辭基本定義說明,應該都是有的。
這邊有試過直接將卦象,或者取得的爻詞放入 ChatGPT 進行闡述,但很可惜都只能得到一知半解的回應,甚至是很多意象概念的解釋,是無法融入解釋當中,在進行 LLM 解釋的部分,只能先放一旁。
至少,對於 JSON format 的整理,或者資料的分析上其實是可以有根據的重新歸納,其實是有機會的,且十分快速的。
這邊想要表達的是,除了少數的量體,或者是無關緊要的隨機資訊可以這樣透過 LLM 進行產生,但如果要透過 LLM 產生有嚴謹度的資訊時,其實需要透過搭配大量的驗證,這類的驗證就可以如上述的方式,不一定要透過手動的方式進行檢查,也不需要請美少女小編來進行確認,需要的就是透過『對於結果的認定』『對於可能的邊界』進行數據上的驗證檢查。
如此一來,就很容易透過 AI 打 AI 的方式,產出一個相對可信任的數據基礎。
以上小小經驗作為分享!
無情結尾工商
RAG/Agent 應用開發從 0 至 1 實戰工作坊 第二場來了!
想掌握最新 AI 技術並將其應用於真實開發中嗎?這堂課程專為具備 Web 開發經驗的開發者設計,從 Prompt Engineering、RAG 系統到智能代理的實作,帶您從理論到實戰,快速上手!
⏩ 立即報名! 詳情請見:https://exma.kktix.cc/events/ai-for-dev-course-rag-2
以上分享,各位有任何更好更懶的做法,歡迎分享。
後記的後記
最讓我意想不到的是每個卦象其實都已經有自己的 unicode
留言
張貼留言