本發(fā)明屬于人工智能，更具體的說是涉及一種工業(yè)場景中大模型提示詞設(shè)計(jì)方法、系統(tǒng)、設(shè)備及介質(zhì)。

背景技術(shù)：

1、在工業(yè)4.0浪潮的推動(dòng)下，大模型憑借其強(qiáng)大的語言理解和生成能力，在工業(yè)領(lǐng)域的多個(gè)關(guān)鍵場景中展現(xiàn)出巨大的應(yīng)用潛力，特別是在工藝優(yōu)化和故障診斷等方面。工藝優(yōu)化能夠借助大模型對(duì)海量生產(chǎn)數(shù)據(jù)進(jìn)行分析，挖掘潛在的生產(chǎn)改進(jìn)點(diǎn)，從而提升生產(chǎn)效率和產(chǎn)品質(zhì)量；故障診斷則可利用大模型對(duì)設(shè)備運(yùn)行數(shù)據(jù)的實(shí)時(shí)監(jiān)測與分析，提前發(fā)現(xiàn)設(shè)備異常，降低停機(jī)時(shí)間和維修成本。然而，隨著大模型在這些場景中的應(yīng)用日益廣泛，其背后的提示詞設(shè)計(jì)技術(shù)所暴露出的缺陷也愈發(fā)明顯，嚴(yán)重制約了大模型在工業(yè)場景中性能的充分發(fā)揮。

2、當(dāng)前的提示詞設(shè)計(jì)技術(shù)主要依賴通用自然語言處理（nlp）技術(shù)，如tf-idf統(tǒng)計(jì)法提取提示詞。然而，工業(yè)領(lǐng)域?qū)I(yè)性強(qiáng)，存在大量獨(dú)特本體與規(guī)范。例如航空航天材料標(biāo)準(zhǔn)asmebpvc規(guī)定了材料性能、檢測方法等關(guān)鍵信息，汽車制造iatf16949規(guī)范對(duì)質(zhì)量管理體系、生產(chǎn)過程控制等有嚴(yán)格要求。這些專業(yè)知識(shí)和規(guī)范包含豐富語義信息，對(duì)準(zhǔn)確理解工業(yè)任務(wù)需求至關(guān)重要。但現(xiàn)有技術(shù)缺乏對(duì)工業(yè)領(lǐng)域本體的深度語義解析能力，生成的提示詞難以精準(zhǔn)映射專業(yè)任務(wù)需求。

3、由于工業(yè)生產(chǎn)任務(wù)具有流程動(dòng)態(tài)性和數(shù)據(jù)異構(gòu)性特點(diǎn)。柔性制造產(chǎn)線生產(chǎn)任務(wù)常根據(jù)市場需求和訂單情況頻繁切換，不同任務(wù)對(duì)提示詞需求不同；工業(yè)生產(chǎn)過程中還會(huì)產(chǎn)生plc日志、cad圖紙文本等異構(gòu)數(shù)據(jù)，不同類型數(shù)據(jù)格式和語義結(jié)構(gòu)各異。但傳統(tǒng)提示詞設(shè)計(jì)方法未建立任務(wù)特征與提示詞結(jié)構(gòu)的映射模型，無法根據(jù)實(shí)時(shí)變化的生產(chǎn)任務(wù)和數(shù)據(jù)特點(diǎn)動(dòng)態(tài)調(diào)整提示詞。面對(duì)復(fù)雜多變的工業(yè)生產(chǎn)環(huán)境，大模型性能大幅下降，難以滿足實(shí)時(shí)生產(chǎn)需求。

4、另外，現(xiàn)有提示詞設(shè)計(jì)方案多基于經(jīng)驗(yàn)驅(qū)動(dòng)，呈碎片化特點(diǎn)，缺乏對(duì)任務(wù)目標(biāo)、操作流程和輸出規(guī)范的分層建模。這導(dǎo)致提示詞無法準(zhǔn)確引導(dǎo)大模型推理生成，操作流程易出現(xiàn)信息傳遞不暢和失誤，輸出指令存在歧義，大模型執(zhí)行效率低下。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)以上問題，本發(fā)明的目的在于提供一種工業(yè)場景中大模型提示詞設(shè)計(jì)方法、系統(tǒng)、設(shè)備及介質(zhì)，針對(duì)工業(yè)場景中復(fù)雜任務(wù)需求構(gòu)建基于分層結(jié)構(gòu)的提示詞設(shè)計(jì)與優(yōu)化體系，提升了大模型在工業(yè)生產(chǎn)、質(zhì)量檢測、設(shè)備運(yùn)維等場景的任務(wù)處理性能。

2、本發(fā)明為實(shí)現(xiàn)上述目的，通過以下技術(shù)方案實(shí)現(xiàn)：

3、第一方面，本技術(shù)實(shí)施例提供一種工業(yè)場景中大模型提示詞設(shè)計(jì)方法，包括：

4、運(yùn)用網(wǎng)絡(luò)爬蟲收集工業(yè)領(lǐng)域文本數(shù)據(jù)，通過去噪和分詞處理，并進(jìn)行數(shù)據(jù)分類后，通過bert模型生成私有提示詞模板庫；

5、借助領(lǐng)域知識(shí)圖譜構(gòu)建技術(shù)、tf-idf算法、專家系統(tǒng)進(jìn)行任務(wù)總覽層設(shè)計(jì)，構(gòu)建任務(wù)約束條件集合；

6、獲取工業(yè)場景任務(wù)，利用基于petri網(wǎng)的流程建模方法將工業(yè)場景任務(wù)分解為子任務(wù)，構(gòu)建任務(wù)鏈并進(jìn)行子任務(wù)的排序優(yōu)化；

7、針對(duì)每個(gè)子任務(wù)，基于私有提示詞模板庫，采用卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)設(shè)計(jì)提示詞模板，生成每個(gè)子任務(wù)的提示詞；

8、構(gòu)建大模型的輸出格式約束規(guī)則，將每個(gè)子任務(wù)的提示詞輸入大模型中，并采用bleu評(píng)分機(jī)制和領(lǐng)域特定評(píng)估指標(biāo)評(píng)估大模型輸出的質(zhì)量；

9、運(yùn)用文本聚類算法和詞嵌入技術(shù)對(duì)進(jìn)行私有提示詞模板庫進(jìn)行管理；通過情感分析算法和命名實(shí)體識(shí)別算法處理用戶反饋，構(gòu)建多維度評(píng)估指標(biāo)對(duì)私有提示詞模板庫進(jìn)行性能評(píng)估，利用apriori算法分析日志記錄以實(shí)現(xiàn)提示詞管理與迭代優(yōu)化。

10、在一個(gè)可選的實(shí)施方式中，所述運(yùn)用網(wǎng)絡(luò)爬蟲收集工業(yè)領(lǐng)域文本數(shù)據(jù)，通過去噪和分詞處理，并進(jìn)行數(shù)據(jù)分類后，通過bert模型生成私有提示詞模板庫，包括：

11、運(yùn)用網(wǎng)絡(luò)爬蟲算法從工業(yè)技術(shù)文獻(xiàn)數(shù)據(jù)庫、行業(yè)設(shè)備廠商官網(wǎng)、工業(yè)論壇中抓取工業(yè)領(lǐng)域?qū)I(yè)詞匯、行業(yè)標(biāo)準(zhǔn)規(guī)范、工廠私有知識(shí)資料，作為工業(yè)領(lǐng)域文本數(shù)據(jù)；

12、利用正則表達(dá)式去除工業(yè)領(lǐng)域文本數(shù)據(jù)中的噪聲數(shù)據(jù)，采用結(jié)巴分詞、nltk庫對(duì)工業(yè)領(lǐng)域文本數(shù)據(jù)進(jìn)行分詞處理；

13、利用k-means聚類算法對(duì)分詞處理后的工業(yè)領(lǐng)域文本數(shù)據(jù)進(jìn)行數(shù)據(jù)分類；

14、基于分類后的工業(yè)領(lǐng)域文本數(shù)據(jù)，采用基于transformer架構(gòu)的bert模型提取出相應(yīng)指令的意圖，采用bilstm-crf模型進(jìn)行實(shí)體提??；

15、基于提取出的意圖和實(shí)體歸納出通用的提示詞模板，存儲(chǔ)到私有提示詞模板庫中。

16、在一個(gè)可選的實(shí)施方式中，所述借助領(lǐng)域知識(shí)圖譜構(gòu)建技術(shù)、tf-idf算法、專家系統(tǒng)進(jìn)行任務(wù)總覽層設(shè)計(jì)，構(gòu)建任務(wù)約束條件集合，包括：

17、運(yùn)用領(lǐng)域知識(shí)圖譜構(gòu)建技術(shù)，從工業(yè)標(biāo)準(zhǔn)文檔、設(shè)備手冊中提取關(guān)鍵概念及其關(guān)系，構(gòu)建知識(shí)網(wǎng)絡(luò)；

18、采用tf-idf算法對(duì)歷史工單、故障報(bào)告進(jìn)行關(guān)鍵詞提取，確定任務(wù)的核心主題詞分布；

19、通過專家系統(tǒng)融合領(lǐng)域?qū)＜医?jīng)驗(yàn)，構(gòu)建任務(wù)約束條件集合。

20、在一個(gè)可選的實(shí)施方式中，所述獲取工業(yè)場景任務(wù)，利用基于petri網(wǎng)的流程建模方法將工業(yè)場景任務(wù)分解為子任務(wù)，構(gòu)建任務(wù)鏈并進(jìn)行子任務(wù)的排序優(yōu)化，包括：

21、獲取工業(yè)場景任務(wù)，采用基于?petri?網(wǎng)的流程建模方法，將工業(yè)場景任務(wù)分解為子任務(wù)網(wǎng)絡(luò)；

22、如果工業(yè)場景任務(wù)為設(shè)備預(yù)測性維護(hù)任務(wù)，通過?alpha?算法從歷史維護(hù)日志中挖掘出典型流程路徑，構(gòu)建任務(wù)鏈；

23、為每個(gè)子任務(wù)定義輸入輸出接口規(guī)范，并應(yīng)用馬爾可夫決策過程進(jìn)行子任務(wù)排序優(yōu)化，通過狀態(tài)轉(zhuǎn)移概率矩陣計(jì)算任務(wù)的最優(yōu)執(zhí)行路徑。

24、在一個(gè)可選的實(shí)施方式中，所述針對(duì)每個(gè)子任務(wù)，基于私有提示詞模板庫，采用卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)設(shè)計(jì)提示詞模板，生成每個(gè)子任務(wù)的提示詞，包括：

25、針對(duì)每個(gè)特征提取子任務(wù)，基于私有提示詞模板庫，采用卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)設(shè)計(jì)提示詞，并定義卷積核參數(shù)集合；

26、在提示詞中嵌入激活函數(shù)選擇指令，通過激活函數(shù)進(jìn)行提示詞的非線性變換，生成子任務(wù)的提示詞；

27、針對(duì)每個(gè)模型訓(xùn)練子任務(wù)，采用梯度下降優(yōu)化算法優(yōu)化模型參數(shù)，生成子任務(wù)的提示詞，并在提示詞中明確學(xué)習(xí)率調(diào)度策略。

28、在一個(gè)可選的實(shí)施方式中，所述運(yùn)用文本聚類算法和詞嵌入技術(shù)對(duì)進(jìn)行私有提示詞模板庫進(jìn)行管理，包括：

29、運(yùn)用dbscan?密度聚類算法對(duì)私有提示詞模板庫中的提示詞模板按領(lǐng)域、任務(wù)類型進(jìn)行分類；

30、采用word2vec算法計(jì)算提示詞模板間的語義相似度，依據(jù)相似度結(jié)果對(duì)模板進(jìn)行合并或拆分優(yōu)化；

31、定期利用網(wǎng)絡(luò)爬蟲技術(shù)從行業(yè)論壇、技術(shù)文檔中抓取新的工業(yè)領(lǐng)域文本數(shù)據(jù)，經(jīng)數(shù)據(jù)預(yù)處理后補(bǔ)充到私有提示詞模板庫中。

32、在一個(gè)可選的實(shí)施方式中，所述通過情感分析算法和命名實(shí)體識(shí)別算法處理用戶反饋，構(gòu)建多維度評(píng)估指標(biāo)對(duì)私有提示詞模板庫進(jìn)行性能評(píng)估，利用apriori算法分析日志記錄以實(shí)現(xiàn)提示詞管理與迭代優(yōu)化，包括：

33、利用基于?lstm?的情感分析模型判斷用戶反饋文本的情感傾向，將用戶反饋文本分為積極反饋文本、消極反饋文本、中性反饋文本；對(duì)于消極反饋文本，使用命名實(shí)體識(shí)別算法提取反饋中涉及的提示詞、任務(wù)場景信息，構(gòu)建反饋問題集合，并針對(duì)反饋問題集中的問題對(duì)提示詞進(jìn)行針對(duì)性調(diào)整；

34、構(gòu)建多維度評(píng)估指標(biāo)體系，基于提示詞和相應(yīng)的大模型輸出，通過計(jì)算對(duì)應(yīng)的準(zhǔn)確率、召回率、f1?值，以評(píng)估提示詞的性能；對(duì)于生成式提示詞，采用困惑度評(píng)估提示詞性能；根據(jù)評(píng)估指標(biāo)結(jié)果，識(shí)別出性能不佳的提示詞，并進(jìn)行迭代改進(jìn)；

35、記錄提示詞的使用時(shí)間、調(diào)用的任務(wù)場景、輸入?yún)?shù)、輸出結(jié)果，構(gòu)建日志數(shù)據(jù)庫；利用關(guān)聯(lián)規(guī)則挖掘算法對(duì)日志數(shù)據(jù)進(jìn)行分析，挖掘出提示詞組合與結(jié)果的關(guān)聯(lián)規(guī)則，以優(yōu)化私有提示詞模板庫。

36、第二方面，本技術(shù)實(shí)施例還提供了一種工業(yè)場景中大模型提示詞設(shè)計(jì)系統(tǒng)，包括：

37、私有提示詞模板庫構(gòu)建模塊，用于運(yùn)用網(wǎng)絡(luò)爬蟲收集工業(yè)領(lǐng)域文本數(shù)據(jù)，通過去噪和分詞處理，并進(jìn)行數(shù)據(jù)分類后，通過bert模型生成私有提示詞模板庫；

38、任務(wù)總覽層構(gòu)建模塊，用于借助領(lǐng)域知識(shí)圖譜構(gòu)建技術(shù)、tf-idf算法、專家系統(tǒng)進(jìn)行任務(wù)總覽層設(shè)計(jì)，構(gòu)建任務(wù)約束條件集合；

39、步驟拆解層構(gòu)建模塊，用于獲取工業(yè)場景任務(wù)，利用基于petri網(wǎng)的流程建模方法將工業(yè)場景任務(wù)分解為子任務(wù)，構(gòu)建任務(wù)鏈并進(jìn)行子任務(wù)的排序優(yōu)化；

40、指令細(xì)化層構(gòu)建模塊，用于針對(duì)每個(gè)子任務(wù)，基于私有提示詞模板庫，采用卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)設(shè)計(jì)提示詞模板，生成每個(gè)子任務(wù)的提示詞；

41、輸出規(guī)范層構(gòu)建模塊，用于構(gòu)建大模型的輸出格式約束規(guī)則，將每個(gè)子任務(wù)的提示詞輸入大模型中，并采用bleu評(píng)分機(jī)制和領(lǐng)域特定評(píng)估指標(biāo)評(píng)估大模型輸出的質(zhì)量；

42、提示詞管理與迭代優(yōu)化模塊，用于運(yùn)用文本聚類算法和詞嵌入技術(shù)對(duì)進(jìn)行私有提示詞模板庫進(jìn)行管理；通過情感分析算法和命名實(shí)體識(shí)別算法處理用戶反饋，構(gòu)建多維度評(píng)估指標(biāo)對(duì)私有提示詞模板庫進(jìn)行性能評(píng)估，利用apriori算法分析日志記錄以實(shí)現(xiàn)提示詞管理與迭代優(yōu)化。

43、第三方面，本技術(shù)實(shí)施例還提供了一種電子設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在所述存儲(chǔ)器上并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)如上文任一項(xiàng)所述工業(yè)場景中大模型提示詞設(shè)計(jì)方法的步驟。

44、第四方面，本技術(shù)實(shí)施例還提供了一種存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上文任一項(xiàng)所述工業(yè)場景中大模型提示詞設(shè)計(jì)方法的步驟。

45、從以上技術(shù)方案可以看出，本發(fā)明具有以下優(yōu)點(diǎn)：

46、本技術(shù)提供的工業(yè)場景中大模型提示詞設(shè)計(jì)方法中，通過構(gòu)建工業(yè)級(jí)提示詞工程體系解決通用提示詞在專業(yè)場景中的適配性難題，具體實(shí)現(xiàn)了分層結(jié)構(gòu)化設(shè)計(jì)，通過任務(wù)總覽、步驟拆解、指令細(xì)化、輸出規(guī)范四層模板建立從宏觀目標(biāo)到微觀操作的映射關(guān)系；基于元學(xué)習(xí)與強(qiáng)化學(xué)習(xí)技術(shù)實(shí)現(xiàn)提示詞參數(shù)的自動(dòng)化調(diào)優(yōu)與跨任務(wù)遷移；通過多源反饋數(shù)據(jù)即用戶交互日志、任務(wù)執(zhí)行結(jié)果驅(qū)動(dòng)模板庫持續(xù)進(jìn)化，適應(yīng)工業(yè)場景的復(fù)雜動(dòng)態(tài)變化。

47、本技術(shù)通過網(wǎng)絡(luò)爬蟲采集工業(yè)技術(shù)文獻(xiàn)、設(shè)備手冊等垂直領(lǐng)域數(shù)據(jù)，經(jīng)去噪、分詞和分類處理后，利用bert模型提取意圖和實(shí)體，生成貼合工業(yè)場景的私有提示詞模板庫。這一過程確保提示詞深度融合行業(yè)術(shù)語、標(biāo)準(zhǔn)規(guī)范和企業(yè)私有知識(shí)，顯著提升大模型在工業(yè)任務(wù)中的語義理解準(zhǔn)確性和領(lǐng)域適配性。

48、本技術(shù)借助領(lǐng)域知識(shí)圖譜提取工業(yè)概念關(guān)系、tf-idf算法分析歷史工單關(guān)鍵詞、專家系統(tǒng)融合經(jīng)驗(yàn)，構(gòu)建任務(wù)總覽層和約束條件集合。該方法將隱性領(lǐng)域知識(shí)顯性化，明確任務(wù)核心主題與執(zhí)行邊界，使大模型在處理工業(yè)任務(wù)時(shí)能遵循標(biāo)準(zhǔn)化流程，減少因信息缺失或理解偏差導(dǎo)致的錯(cuò)誤。

49、本技術(shù)采用petri網(wǎng)將復(fù)雜工業(yè)任務(wù)（如設(shè)備預(yù)測性維護(hù)）分解為子任務(wù)網(wǎng)絡(luò)，結(jié)合alpha算法挖掘歷史流程路徑、馬爾可夫決策過程優(yōu)化子任務(wù)排序。這一機(jī)制實(shí)現(xiàn)了任務(wù)鏈的結(jié)構(gòu)化拆分與動(dòng)態(tài)優(yōu)化，確保大模型按最優(yōu)路徑執(zhí)行任務(wù)，縮短處理周期，降低工業(yè)場景中的時(shí)間與資源成本。

50、本技術(shù)針對(duì)不同子任務(wù)（如特征提取、模型訓(xùn)練），利用卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)設(shè)計(jì)提示詞模板，嵌入激活函數(shù)選擇指令和優(yōu)化算法參數(shù)（如梯度下降策略）。該設(shè)計(jì)使提示詞具備任務(wù)特異性，通過非線性變換和參數(shù)調(diào)優(yōu)引導(dǎo)大模型生成符合工業(yè)需求的精準(zhǔn)輸出，提升任務(wù)處理的專業(yè)性和結(jié)果可靠性。

51、本技術(shù)通過dbscan聚類和word2vec算法實(shí)現(xiàn)提示詞模板的分類與語義優(yōu)化，結(jié)合情感分析、命名實(shí)體識(shí)別處理用戶反饋，利用apriori算法挖掘日志關(guān)聯(lián)規(guī)則。這一閉環(huán)機(jī)制可實(shí)時(shí)發(fā)現(xiàn)提示詞性能短板，針對(duì)性調(diào)整模板并補(bǔ)充行業(yè)新詞，確保提示詞庫隨工業(yè)場景需求動(dòng)態(tài)進(jìn)化，長期維持大模型輸出質(zhì)量與用戶滿意度。