第二章 菜农的经营策略

博客以菜农策略类比软件发布。指出软件发布前要清除明显bug,避免匆忙发布影响声誉;软件应包含帮助文档,可减少服务工作量;共享软件需有许可协议避免法律纠纷,还应有卸载程序,以提升用户友好度。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

 

当你有一个关于种菜的想法,决定做一个菜农时,你必须知道一些菜农的策略。

一:

当然是把菜种出来了。

但是种成什么样子却是需要策略考虑的。

1.            在你的菜上市之前,你要保证你的菜是基本可食用的。有些菜农把还有农药残留的菜上市了,结果令顾客反胃,顾客以后再也不买你的菜了。
对软件而言,你必须在作品发布之前把明显的bug都除清楚了,匆忙发布作品会让你失去一部分用户,并使自己的声誉受到影响。初次发布要求作品尽善尽美也是不现实的,完善是需要过程的,对于张口就要完美的用户我们无法满足它,地球上也没有人能满足他,也许在火星上能。

2.            你还要保证你的菜是完整可卖的,如果你的菜需要顾客自己动手包扎,会让顾客感到非常不方便的。
有些作者连帮助文档都没有写就把作品发布出去了,这无疑是让用户自己去摸索着使用你的软件,虽然用户使用帮助文档的习惯还不是很普遍,但是作为软件产品它应该包括帮助文档,用户可通过帮助文档得到一些帮助。同时对你而言可以减少服务工作量,如果有用户就某个问题寻求你的帮助,而这个问题在帮助文档里就有,那么你可以让用户阅读帮助文档而不是每次把答案翻出来再发给用户。
作为共享软件,软件许可协议也是比不可少的一部分,以避免可能的不必要的法律纠纷。
还有卸载程序,对用户而言,没有卸载程序的软件是不友好的软件,它试图永久占有硬盘空间,用户是绝不会让你阴谋得逞的。

资源下载链接为: https://pan.quark.cn/s/140386800631 通用大模型文本分类实践的基本原理是,借助大模型自身较强的理解和推理能力,在使用时需在prompt中明确分类任务目标,并详细解释每个类目概念,尤其要突出类目间的差别。 结合in-context learning思想,有效的prompt应包含分类任务介绍及细节、类目概念解释、每个类目对应的例子和待分类文本。但实际应用中,类目和样本较多易导致prompt过长,影响大模型推理效果,因此可先通过向量检索缩小范围,再由大模型做最终决策。 具体方案为:离线时提前配置好每个类目的概念及对应样本;在线时先对给定query进行向量召回,再将召回结果交给大模型决策。 该方法不更新任何模型参数,直接使用开源模型参数。其架构参考GPT-RE并结合相关实践改写,加入上下文学习以提高准确度,还使用BGE作为向量模型,K-BERT提取文本关键词,拼接召回的相似例子作为上下文输入大模型。 代码实现上,大模型用Qwen2-7B-Instruct,Embedding采用bge-base-zh-v1.5,向量库选择milvus。分类主函数的作用是在向量库中召回相似案例,拼接prompt后输入大模型。 结果方面,使用ICL时accuracy达0.94,比bert文本分类的0.98低0.04,错误类别6个,处理时添加“家居”类别,影响不大;不使用ICL时accuracy为0.88,错误58项,可能与未修改prompt有关。 优点是无需训练即可有较好结果,例子优质、类目界限清晰时效果更佳,适合围绕通用大模型api打造工具;缺点是上限不高,仅针对一个分类任务部署大模型不划算,推理速度慢,icl的token使用多,用收费api会有额外开销。 后续可优化的点是利用key-bert提取的关键词,因为核心词语有时比语意更重要。 参考资料包括
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值