Подскажи мне решение следующей задачи: я часто использую одну и ту же последовательность…
- User
Подскажи мне решение следующей задачи: я часто использую одну и ту же последовательность промптом для нейросети (давай считать что это chatgpt) для обработки своих вводных. Как мне оптимизировать процесс, чтобы я давал на вход данные и дальше последовательно вызывалось несколько промптов заранее заданных и на вызоде я получал результат в виде текста или документа
-
Какие именно действия выполняются в каждом шаге (например: очистка текста, анализ, генерация ответа и т.п.)? 2. Сколько шагов обычно в этой цепочке? 3. Хотел бы ты это реализовать локально (например, через Python-скрипт) или через облачный сервис (например, сценарии в OpenAI API)? 4. Нужно ли сохранять промежуточные результаты или только финальный?
-
Это просто анализ текста - выделить главные поинты, переделать другой текст в зависимости от выделенных критериев и таких итераций несколкьо. Я даю на вход описание вакансии, прошу выделить топ5 главных задач, затем 10 самых важных ключевых слов, затем оценить мое резюме на соответствие, дальше переделать саммари, раздел скилов, переформулировать опыт используя лексику вакансии и выделенные задачи, затем написать по определенной структуре кавер леттер по полученному резюме.
-
Может быть в среднем 10-15 итераций
-
Не очень понял что значит локально. Все равно ведь в ллм обращаться.
-
Промежуточные тоже было бы неплохо посмотреть да, чтобы можно было внести правки например в шаге 2 и все последующие шаги 3,4,5 перевыполнялись заново с новыми вводными
-
Assistant
Для автоматизации многошаговой обработки данных через цепочку промптов в ChatGPT предлагаю комплексное решение, сочетающее структурирование запросов, техническую реализацию и контроль промежуточных результатов.
1. Архитектура процесса
Этапы обработки (на примере анализа резюме):
- Извлечение ключевых элементов вакансии (топ-5 задач)
- Выделение 10 ключевых слов
- Оценка соответствия резюме
- Адаптация разделов резюме:
- Саммари
- Навыки
- Опыт (с использованием лексики вакансии)
- Генерация сопроводительного письма
Особенности реализации:
- Каждый этап — отдельный промпт с чёткими инструкциями
- Использование JSON для структурированного ввода/вывода
- Возможность ручной корректировки на любом этапе
2. Техническая реализация
Рекомендуемый стек:
# Пример скрипта на Python с использованием OpenAI API import openai import json pipeline = [ {"name": "extract_tasks", "prompt": "Извлеки топ-5 главных задач..."}, {"name": "extract_keywords", "prompt": "Выдели 10 ключевых слов..."}, # ... остальные шаги ] def run_pipeline(input_data): results = {} for step in pipeline: response = openai.ChatCompletion.create( model="gpt-4", messages=[{"role": "user", "content": f"{step['prompt']}\n\n{json.dumps(input_data)}"}] ) results[step['name']] = json.loads(response.choices.message.content) return resultsПреимущества подхода:
- Автоматическое выполнение цепочки промптов
- Сохранение результатов каждого этапа в структурированном виде
- Возможность повторного запуска с изменёнными данными
3. Оптимизация промптов
Ключевые улучшения:
- Добавление разделителей для структурирования ввода:
Анализируй следующий текст вакансии: ### {текст вакансии} ### - Использование шаблонов ответов:
Верни ответ в формате JSON с полями: - main_tasks: список из 5 строк - keywords: список из 10 строк
Пример промпта для анализа соответствия:
Сравни резюме с требованиями вакансии. Верни JSON-объект с: - match_percentage: процент соответствия - missing_skills: список недостающих навыков - strong_points: список сильных сторон Резюме: {текст резюме} Требования: {список требований}4. Работа с промежуточными результатами
Стратегия управления данными:
- Сохранение всех этапов в виде отдельного файла (напр.,
process_12345.json) - Возможность ручного редактирования через веб-интерфейс или текстовый редактор
- Автоматический перезапуск цепочки при изменении данных
Пример структуры данных:
{ "input": {"vacancy": "...", "cv": "..."}, "steps": { "tasks": ["...", "..."], "keywords": ["...", "..."], "assessment": {...} } }5. Интеграционные решения
Варианты развёртывания:
-
Локальный скрипт (Python + Jupyter Notebook):
- Полный контроль над процессом
- Использование
.ipynbдля визуализации этапов
-
Облачный сервис (OpenAI API + Airflow):
- Автоматическое расписание выполнения
- Ведение истории процессов
- Интеграция с Google Docs/Dropbox
-
Гибридный подход:
- Локальный интерфейс для управления
- Облачные вычисления через API
- Хранение данных в приватном S3-хранилище
Рекомендации:
- Используйте библиотеку
langchainдля работы с цепочками промптов - Реализуйте кэширование ответов для экономии токенов
- Добавьте валидацию ответов на каждом этапе
Это решение позволяет сократить время обработки с 10-15 ручных итераций до единого автоматизированного процесса с возможностью тонкой настройки на любом этапе. Для старта рекомендую начать с Python-скрипта с поэтапным выполнением промптов, постепенно добавляя элементы автоматизации [4][5][8].