赞
踩
授权声明:本篇文章授权活动官方亚马逊云科技文章转发、改写权,包括不限于在 亚马逊云科技开发者社区, 知乎,自媒体平台,第三方开发者媒体等亚马逊云科技官方渠道
活动链接:https://devpress.csdn.net/awstech/656049279820e81a16d9533b.html
本博客将围绕方向一进行创作。
2023年,生成式人工智能(AI)多次成为热点话题。如果想在轻松有趣的环境中探索这一领域,并且想要亲手构建一些游戏,那么 PartyRock是一个很好的选择!
这个平台提供了一个独特的实验空间,可以自由地进行尝试,学习生成式AI的关键技术和提示工程的精髓,无需编程基础就能开始AI创作之旅。
PartyRock鼓励用户之间的互动和协作,除了可以在这里轻松构建迷你应用程序,还可以与朋友们分享创作的app。可以从别人共享的应用程序开始,通过调整和优化,将其变成自己独特的作品,增加了创作的乐趣。
现在访问 https://partyrock.aws/ 即可快速体验PartyRock,并且限时免费哦!
可以输入对想要构建的应用程序的描述,然后使用 PartyRock 的生成式人工智能LLM为我们做好构建准备,并且支持二次编辑完善app。
PartyRock不仅提供了一个构建应用的强大平台,而且还为用户带来了前所未有的灵活性和创新可能性。无论是初学者还是经验丰富的开发者,都可以在这个平台上发挥创意,构建属于自己的独特应用程序。
快来PartyRock构建你的第一个应用程序吧!
欢迎体验我的app【CybersecuritySimulator网络安全威胁的情景模拟】
在探索PartyRock平台中app生成的过程,了解到了LLM(大型语言模型)的应用+其设计的prompt提示词,在实现app逻辑方面的独特价值。
先说优点:PartyRock借助LLM大模型,让我们能够利用其先进的自然语言处理能力,来更快、更高效地解析和生成用户友好的界面和功能。 LLM的一个显著优势在于,其对语言的深度理解和生成能力
,这使得在开发过程中能够轻松地构建出符合用户直觉的对话和指令。 此外,LLM的多样性和适应性
使得PartyRock能够在多种不同的应用场景中发挥作用,从而提供了极大的灵活性和扩展性
。
但这也是PartyRock的局限所在,LLM在处理更为复杂的逻辑或特定技术需求
时,可能不够精确或深入
。
例如在构建加解密app的过程中,发现他对于解密功能就应用的不太好。在解密功能的应用中,这种局限性变得尤为明显。由于加解密过程通常涉及复杂的算法和密钥管理,LLM可能无法充分理解和实现这些专业化的要求。
推理在实现类似的特定功能时,特别是涉及高度技术性和精确性要求的场景中,如果提示工程设计的不够精准,LLM的应用效果大概率会不尽人意。
从我看来,LLM作为一种强大的工具,它在应用程序开发中的价值不容小觑
。PartyRock是一个很好的开始,让我们体验了新时代LLM构建app的样例。
虽然LLM为应用程序开发带来了前所未有的便利和灵活性,但在涉及特定领域专业知识和复杂逻辑时,它仍需要与传统编程方法和相关逻辑的深度知识相结合。这种结合使用可以帮助克服LLM在处理复杂任务时的局限性,从而实现更加精准和高效的应用程序设计。
我一共尝试了两个app的生成,其中另一个app【加解密】不太成功。
尝试简单的分析了一下,有这么几个影响LLM(大型语言模型)自动生成有效应用代码的关键因素,大家生成自己的app时可以注意一下:
综上,PartyRock是一个很好的执行者,但好像不具备思考命令正确与否的能力。这似乎也是LLM目前的通病,如果不通过额外的提示工程引导,很少能意识到命令的错误,甚至指出命令的错误。
在我的实验中,没有生成设想描述功能之外的“自动修正”功能,比如其他的优化方向安全性考虑:在应用描述中,我没有提及如何保证加密过程的安全性,比如防止密钥泄露、保护加密文本免受未授权访问等,对安全设计进行考虑,那么PartyRock也不会自行打补丁。
因此,为了提高LLM在此类任务中的效果,可以考虑提供更详细的技术要求。这样,LLM就能提供更准确的代码生成或设计建议。
PartyRock 是一个用户友好的平台,让你在享受轻松有趣的体验的同时,深入了解生成式人工智能。无需任何编程技能或创建特定的亚马逊云科技账户,就可以在PartyRock 上进行实验,详细了解生成式人工智能,学习提示工程的精髓,并构建并分享迷你应用程序。
也可以从现有的共享应用程序模板开始,通过简单的调整和个性化设置,快速构建并增强自己的应用。
首先,访问 https://partyrock.aws/
点击登录,使用 Apple、Amazon 或 Google 账户登录。
经过身份验证后,就进入了 PartyRock 的首页。
可以查看一些示例应用程序,也可以单击构建自己的应用程序开始操作。
在这篇文章中,我将展示如何使用 PartyRock 构建应用程序。只需要简单描述想要创建的应用类型,PartyRock 的生成式人工智能技术就能帮助准备好基础框架。
当然,如果想要更深入地了解和掌握,也可以尝试手动构建每个小部件。感兴趣的朋友可以自行尝试 ~
接续前文对 PartyRock 平台的介绍,接下来我们将探索具体如何构建一个app。
本文设计的app主题为:专注于网络安全教育的应用程序CybersecuritySimulator,希望通过这个应用提供基于真实世界的网络安全威胁情景,让用户在模拟环境中学习和应对网络攻击。
然后,我们对应用app的预期功能进行梳理,以输入到 PartyRock中,让其帮助准备好基础框架。
[app描述]互动剧本:设计一系列基于真实世界网络安全威胁的情景模拟。模拟一次网络攻击,让用户选择如何应对。
一般提示工程输入英文时会有更佳的理解和表现,因此我们将上述功能转换为英文,并输入到PartyRock的App bulider中。
让我们来看看 PartyRock 能否提供帮助。
输入提示并单击生成应用程序。
这个应用程序在几秒钟内就已准备就绪,超级快!
然后输入一些内容,了解输出是否能够满足我们的需求:
看起来不错!
这里可以点击edit,二次编辑该应用
这里可以看到,主要是应用LLM模型,并设计prompt提示词来完成app的各个应用逻辑的
优点在于,借助LLM大模型,我们能够利用其先进的自然语言处理能力来更快、更高效地解析和生成用户友好的界面和功能。 LLM的一个显著优势在于,其对语言的深度理解和生成能力
,这使得在开发过程中能够轻松地构建出符合用户直觉的对话和指令。 此外,LLM的多样性和适应性
使得它能够在多种不同的应用场景中发挥作用,从而提供了极大的灵活性和扩展性
。
这也是他的局限所在,例如在下一个加解密的app中,他对于解密功能就应用的不太好。LLM在处理更为复杂的逻辑或特定技术需求时,可能不够精确或深入。在解密功能的应用中,这种局限性变得尤为明显。
由于加解密过程通常涉及复杂的算法和密钥管理,LLM可能无法充分理解和实现这些专业化的要求。这可能导致在实现特定功能,特别是涉及高度技术性和精确性要求的场景中,LLM的应用效果不尽人意。
从我的观点来看,虽然LLM为应用程序开发带来了前所未有的便利和灵活性,但在涉及特定领域专业知识和复杂逻辑时,它仍需要与传统编程方法和相关逻辑的深度知识相结合。这种结合使用可以帮助克服LLM在处理复杂任务时的局限性,从而实现更加精准和高效的应用程序设计。
让我们来拆分看看它是如何工作的。
输入用户名后,生成每个用户专属的欢迎词
输出:Hello there! Welcome, it’s nice to meet you. I’m Claude, an AI assistant created by Anthropic. How may I be of assistance today? Please feel free to ask me any questions you have, and I’ll try my best to help.
测试测试网络安全威胁场景这个功能实际交互能力。可以看到,LLM给出很详细的分析,并且是结合实际的。
那么自动生成的prompt提示词是如何设计的呢?点击查看:
You receive an email claiming to be from your bank. It says your account has been compromised and asks you to click a link to reset your password. What do you do?
这是一段很聪明并且简短的提示工程设计,PartyRock一定程度上相当智能!
下面让我们来看看第三个功能,对上述对话的情景回顾,从而达到“复习”所学到的如何正确面对网络安全威胁情形的做法。
程序的回复如图所示。总分的结构,清晰明了的说明。
查看prompt提示词设计:
Provide 3 key takeaways from the phishing attack scenario the user just experienced, referencing their choices and outcomes in the [Phishing Simulation] chat.
针对PartyRock自动生成的“CybersecuritySimulator”网络安全威胁情景模拟的提示工程设计,我认为它有几个显著的优点:
总体而言,这个提示工程的设计具有教育价值、互动性和适应性,适合用于提升公众的网络安全意识和应对能力。
可以看出,PartyRock对我们之前提供的材料和核心功能的理解是非常贴切和到位的,可以很好的辅助构建属于自己的小应用程序。
对应用程序感到满意后,我们就可以将其公开并分享:
欢迎体验这个应用 https://partyrock.aws/u/yu222/WxSDoDBUs/CybersecuritySimulator%3A-Interactive-Learning-for-Real-World-Cyber-Threats
也可以登录并单击调整,在此基础上自行开发更好的应用程序。
上一个应用中,我们成功构建了一个比较理想的应用程序。但这是我经过多番磨合后,成功“摸清”PartyRock的小九九,与他一起更默契配合后谱写的一曲美妙的乐章。
在熟悉PartyRock中,我们弹出了不少“杂音”——加解密应用程序,就是其中的一个。
下面我们来一起分析一下,是哪些因素导致“杂音”产生的吧 ~
该应用程序是一个面向安全的应用程序,具有友好的用户界面,旨在执行三个主要功能:
总的来说,这个应用程序旨在为需要加密或解密文本的用户提供一个直接而强大的工具,重点是可用性和对加密和解密过程的理解。
同样,将其转化为英文输入,辅助更好的理解我们的表达。
The app is a security-oriented application with a user-friendly interface, designed to execute three main functions:
Overall, this app aims to provide a straightforward yet powerful tool for users needing to encrypt or decrypt text, with an emphasis on usability and understanding of the encryption and decryption processes.
这里我们尝试应用密码学知识,对他生成密码的过程进行解密,辅助理解应用功能的底层逻辑。
下面是分析过程:(不感兴趣的uu可以跳过~)
加密信息"Gsv Hmxirkgvnm Xnzivv wrr xvsfgsr yb RfkgblVnxp vh vsfqqb xnnq!"看起来像是使用了凯撒密码。这是一种替换密码,其中明文中的每个字母都会按照字母表向下或向上移动固定数量的位置。
为了验证这一点并确定使用了哪种位移,我们可以尝试对给定的密文进行解码,直到我们得到明文The Encryption Courier app created by PartyRock is really cool!
让我们解码这条信息,以确认编码策略并识别使用的位移。
事实证明,使用凯撒密码正确解码你的信息需要移位25位。解码后的消息为“Htw Inyjslhwon Yoajww xss ywtghts zc SglhcmWoyq wi wtgrrc yoor!”
然而,这与预期的明文“the Encryption Courier app created by PartyRock is really cool!”并不匹配。看起来编码策略可能不是简单的Caesar密码,或者它涉及到一种不同类型的替换或变换。
在加密过程的简单说明和示意图中,有很好的结果展示。这赖于LLM强大的知识库,能够很好的对加解密的过程进行理解,并且转换输出。
可以在图中看到程序输出的解密结果。
整体来说,解密的结果还行,但部分语句存在差错,可能是由于输入和输出是两个LLM导致的。
这个应用的构建测试,对于解密功能就应用的不太好。展现了PartyRock的局限所在:LLM在处理更为复杂的逻辑或特定技术需求时,可能不够精确或深入。在解密功能的应用中,这种局限性变得尤为明显。
但这似乎不难理解,我们对原因进行分析:由于加解密过程通常涉及复杂的算法和密钥管理,LLM可能无法充分理解和实现这些专业化的要求。这可能导致在实现特定功能,特别是涉及高度技术性和精确性要求的场景中,LLM的应用效果不尽人意。
从我的观点来看,虽然LLM为应用程序开发带来了前所未有的便利和灵活性,但在涉及特定领域专业知识和复杂逻辑时,它仍需要与传统编程方法和相关逻辑的深度知识相结合。这种结合使用可以帮助克服LLM在处理复杂任务时的局限性,从而实现更加精准和高效的应用程序设计。
Amazon Bedrock这个也很有趣!能调用更多的LLM模型。感兴趣的朋友可以了解一下:
Build your first generative AI application with Amazon Bedrock 部分预览:
Troy Cui: 基于 Amazon BedRock 来看,它存在的意义在于亚马逊云科技帮助我们筛选市场上最优秀的模型,将这些模型提供给我们,使得我们自己无需再进行繁琐的连接步骤。现在,只需通过一个 API 即可直接访问这些模型。
这一次,Amazon BedRock 最直接的改进之一是对这些模型进行了大量更新,比如增加了对 Claude 2.1 和 Llama2 70b 的支持。其中,Claude 2.1 模型在处理复杂的总结和推理方面非常强大,支持 200k 上下文 token,而我们还进一步加强了对整个稳定性方面的支持,提供了强大的扩展性。
使用 PartyRock 和 Amazon Bedrock 构建 AI 应用程序 部分预览:
宋洪涛: 帮助开发者借助于生成式 AI 的应用来提升个人的效率,以及持续推动生成式 AI 的普惠化,是亚马逊云科技一直以来的愿景。基于此,除了上面产品之外,Swami 博士在演讲中还带来一款与 Amazon Bedrock 名字相似的产品——PartyRock。那么,这款产品到底有什么作用?
王晓野: PartyRock 的底层是基于 Amazon Bedrock 研发的。简单来看,它相当于是一个“游乐场”,让开发者感受到生成式 AI+Agent 的能力所散发的巨大潜力,以及让众多开发者发挥想象,去创新创造。
Troy Cui: 我认为可以将其视为一个体验区,甚至不需要亚马逊云科技的账号,可以在 PartyRock 上尝试网络体验。
袁滚滚: 我强烈推荐尝试一下 PartyRock,它实际上是基于 Amazon BedRock 打造的一站式 AI 应用生成工具。你甚至无需注册亚马逊云科技的账户,就能够免费使用亚马逊云科技的云资源,轻松生成令人惊叹的 Web 和 App 应用,并可以与他人分享。更有趣的是,它在线上已经提供了一些示范应用,有些甚至功能异常强大,底层采用了 Claude 2 的先进模型技术,让人感到非常惊喜。
在PartyRock平台上,创新和个性化的应用程序构建变得触手可及。
让我们一起速览PartyRock所提供的更多丰富功能和灵活性:
快来PartyRock构建你的第一个应用程序吧!
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。