基于AI语言大模型的新编程范式

    在GPT模型进入到4.0时代之后，语言模型的逻辑判断和处理能力都得到了显著的提高。Claude 2.1以及百度文心一言4等模型在逻辑判断上都持续发力，逻辑判断方面基本达到实用的层面。特别是跟用户的语言交互结合，加上不错的逻辑判断能力，也为我们的程序开发提供了一种新的可能。

    任何开发语言中，逻辑处理都是其中非常核心的内容，大量的if, else, switch, case已经融入到了编程的呼吸中，平时甚至已经不会可以感受到了。但是一些复杂场景的逻辑处理也在挑战我们的脑力，和测试小伙伴的耐性。

    借助AI语言大模型的接口，和提示词工程(Prompt Engineering)我们对这个问题可以有一个新的解法。使用AI语言模型API接口，借助大模型的逻辑判断能力来简化甚至提高编程的逻辑处理能力。

    我们可以借助几个例子来具体看一下效果。

    **例子一： 目标像素目标选择**

    场景描述：在使用stable xl模型进行图片处理时对于原图像像素有限定，仅能支持1024x1024, 1152x896, 1216x832, 1344x768, 1536x640, 640x1536, 768x1344, 832x1216, 896x1152这些像素的图片，所以我们需要对图片进行预处理，找到满足要求的像素目标。

    在我们的常规处理中，可能会通过原始图片的长宽逐级匹配找到能够匹配上的长宽组合，或者进一步通过匹配总像素，然后找到最近的对应长宽组合。不论哪种一方方法都会涉及到一大堆的逻辑判断（附送一大堆bug）。

    下面我们来看一下通过调用AI大模型接口如果优雅的解决这个问题。

    我们这里使用的提示词函数如下:        

def get_image_dimensions_for_stable_xl_template(width, height):
    template = f"""
        The image original width is: '{width}', height is: '{height}', which is {width}x{height} for short, the required image dimensions are:
        1024x1024, 1152x896, 1216x832, 1344x768, 1536x640, 640x1536, 768x1344, 832x1216, 896x1152. They are all in the widthxheight format.
        please pick one and only one suitable dimensions for the image, and return the target dimensions in the plain text format:
        
        target_width x target_height
        Do NOT need to explain or give any conversation, just extract the target image dimensions in the above JSON format.
    """

    return template

    传入原始图像的长宽之后就可以获取到对目标的结果值。比如传入width: 500, height: 750, 返回对应的选择为896x1152。

    

    **例子二： 客服工单系统决定问题路由到哪个具体部门。**

    场景描述：在客服系统中，如果遇到客户问题升级需要转到具体对应部门处理时，或者是依靠人工判断，如果要自动判断，需要涉及到大量的NLP关键词处理。本身语言和客户情况都比较复杂，会导致NLP处理和逻辑处理都非常复杂。

    但是这种跟自然语言融合的逻辑处理，对于AI大模型来说却会轻松很多。

    我们设定的场景会略微复杂一些，初步设定了5个不同的部门"售后处理部门", "产品咨询部门", "打假部门", "投诉部门", "VIP特别通道", 中间会有一些交叉。

        You are an online customer router, you need to decide which department should be routed.
        
        The user problem is: <我在你们平台上买的口红, 发货之后发现口红是假的，卖家死活不承认，已经跟我拉扯了3天了，我要投诉你们>.
        The user info is: <VIP, spent 30000 in this year>
        
        We have the following departments:
        1. 售后处理部门: 处理用户产品质量问题，退货退款等问题
        2. 产品咨询部门: 处理用户对产品的咨询，包括产品的使用，产品的功能等
        3. 打假部门: 处理平台上的假货事件
        4. 投诉部门: 处理用户对平台的投诉，包括卖家的服务态度，平台的服务态度等
        5. VIP特别通道: 专门处理今年消费超过10000的VIP用户的问题
        
        Please decide which department should be routed, and return in the following JSON format:
        {
            "department": <department_name>,
            "product": <product_name>
            "user_requirement": <user_requirement>
        }
        
        Do NOT need to explain or give any conversation, just return the JSON result.

    通过使用GPT4模型，我们很快就可以得到返回结果

{
    "department": "VIP特别通道",
    "product": "口红",
    "user_requirement": "处理假货投诉并要求退款"
}

   * ps: 使用GPT3.5模型返回的是“打假部门”。*

    通过使用AI大模型接口，和提示词工程技巧，我们非常简化我们的逻辑处理过程，效果反倒可能得到提升，甚至实现了通过中文编程。在系统维护的时候也不需要维护非常复杂的逻辑，可以理解为维护注释就行了，后面的小伙伴看的时候更是一目了然。

    我们在大幅度简化编程复杂度的同时，更提高了处理的效果，降低了维护的复杂度。相信必然会成为未来一种新的编程范式。

现有主流AI大模型逻辑处理能力比对

    笔者也对现在几款顶流的语言AI大模型的逻辑处理能力做了实测，简单对比如下供大家参考。

模型逻辑处理效果GPT4Claude 2.1文言一心4谷歌GeminiChatGLM3GPT3.5
从目前的效果上看GPT4还是当之无愧的第一，比其他几款顶流模型的效果更好。谷歌的Gemini模型虽然Deepmind亲自操刀，不过也才刚展露头脚，效果上目前略逊一筹。Claude 2.1与我们的文言一心4.0版本效果也都还不错。ChatGLM3的效果上还是略有差距，比GPT3.5略好一点。

    *（以上评测仅为笔者个人有限场景使用体验，就像一首诗每个人的解读都不一样，属于您的理解还得您亲自读完方可）*        

“日月摘星”助您比竞争对手更快一步完成编程范式升级。

    “日月摘星”为您整合了顶流的语言大模型AI，为您提供便捷的接口访问，仅需要10分钟就可以接入顶流的语言AI大模型，图形处理AI大模型，以及智能知识库接口等。

    您可以一站式试用，组合选择适合您的AI语言大模型，上述的语言大模型“日月摘星”您可以接入访问。（Gemini模型近期即将上线，敬请期待）。

    现在注册认证更送6.66元体验金，还等什么，马上点击注册“日月摘星”，比竞争对手更快一步进入AI新时代！

    点击了解日月摘星更多能力介绍。

    无需东奔西走，日月摘星统一API接口助您10分钟接入AI新时代！