调用配置：包括端点、输入、输出等。 大语言模型友好的输入和输出： 基本类型（如字符串/布尔值/数字） 风格的输入和输出 业务逻辑：用于在大语言模型友好的与实际 之间进行映射。
是个编程术语
成模式，拿表作类比，表头是） 这样的技能 贷款数据库 使大语言模型能够执行与我们的产品相关的各种任务，如查看个人资料、搜索文章/人员/职位/公司，甚至查询内部分析系统。同样的技术也用于调用非 ，如搜索和新闻。 智能体产品案例深度思考和分享（全球顶级公司实践细节，做智能体必读） 图：使用技能调用内部 我们编写了提示词，要求大语言模型（）决定使用哪种技能来解决特定任务（通过规划来完成技能选择），然后输出调用该技能所需的参数（函数调用）。由于调用参数必须与输入匹配，我们要求以结构化的方式输出它们。大多数都经过和的结构化输出训练。
我们选择是因为它更简洁
因此消耗的比少。 我们遇到的一个挑战是，虽然大约%的时间里，的响应包含了正确格式的参数，但有大约%的时间，会出错（注：经常说的幻觉），并且经常输出不符合要求的数据，或者更糟糕的是，甚至不是有效的。虽然这些错误对人类来说微不足道，但会导 snapchat 入门包：如何利用 2016 年最大胆的社交网络 致解析它们的代码出错。由于%的比例足够高，我们不能忽视这些微不足道的错误，因此我们着手解决这个问题。 解决这个问题的标准方法是检测到错误，然后重新发提示词给大语言模型，要求它在这些额外指示下纠正错误。虽然这种方法有效，但它增加了不小的延迟，并且由于额外的调用而消耗了宝贵的算力。
为了绕过这些限制
我们最终编写了一个内部防御性解析器。 通过对各种调用参数（）的分析，我们确定了常犯的错误，并编写了代码来在解析之前检测和适当修补这些错误。我们 1000个手机号码 还修改了提示词，以便在这些常见错误周围注入提示词，以提高我们修补的准确性。最终，我们将这些错误的发生率降低到了约.%。（注：这其实是用规则补足模型的不足，降低成本） 还在死磕的事是：构建一个统一的技能注册机制，以便在我们的生成式产品中动态发现和调用封装为友好技能的/智能体。
