麻省理工学院研究人员开发出一种GATE框架，GATE会主动地与你进行开放式的对话，通过一些列对话了解你的需求和偏好。

了解了你的需求后，GATE就会生成适当的Prompt，然后传给LLMs。这样模型就能更准确地生成符合你需求的答案。

相当于是帮你写Prompt…

这也意味着搞提示词培训的和开发提示词产品的即将失业。

GATE优点：

GATE通过对话来了解用户需求的，所以用户不需要事先准备很多信息或进行复杂的思考。

这种互动方式还可能让用户思考到一些他们之前没有考虑过的问题，从而更全面地了解自己的需求。

GATE框架的核心思想：

GATE（Generative Active Task Elicitation）简而言之，就是通过主动与用户对话来帮助用户生成更有效的Prompt，从而提高LLMs的准确性和可用性。

开放式互动：模型可能会提出一些开放式的问题，比如“你想要找什么类型的音乐？”或者“你对这个话题有什么特别的看法吗？”。

边缘情况生成：模型还可能生成一些特殊或边缘的情况，让用户标记或评论，以更准确地了解用户的偏好。

工作原理：

GATE框架的核心组件：

开放式互动：模型与用户进行自由形式的、基于语言的互动。这可以是提出问题、生成示例或其他任何形式的语言输出。

用户反馈：用户通过回应模型的输出来提供反馈，这些反馈用于更新模型的理解和预测。

模型更新：根据收集到的用户反馈，模型的参数或结构会被相应地更新。

工作流程：

1、初始化：模型开始与一个基础的理解或预设任务。
2、互动：模型生成一个或多个基于语言的输出，以引导用户提供更多信息。
3、反馈收集：用户回应模型的输出，提供他们的观点、需求或偏好。
4、模型更新：使用收集到的反馈来更新模型。
5、迭代：这个过程会不断重复，直到模型能够准确地理解和执行用户的任务。

举例展示：

下面我们通过一个具体的使用场景来解释GATE框架如何工作：

用户需求：用户想要创建一个有趣的游戏，并请求GATE系统进行设计。

GATE的提问：GATE系统询问用户在创建游戏时考虑哪种平台或者哪种类型的游戏。例如，是移动游戏、PC游戏还是街机游戏。

用户回应：用户说他们正在考虑移动游戏，并特别喜欢拼图游戏。

GATE的进一步提问：GATE系统询问用户是否已经考虑了游戏的目的和规则，或者是否需要一些创意或建议。

用户的需求细化：用户表示还没有决定具体的游戏规则，希望听到一些新的概念或建议。

GATE的建议：GATE系统建议可以考虑加入时间操作的元素，比如让玩家能够倒退时间或暂停时间来解决拼图。

用户的反馈：用户觉得这个主意很有趣，并请求更多关于这个游戏的细节。

最终的Prompt：GATE系统生成了一个最终的Prompt：“设计一个用于移动设备的拼图游戏，其中玩家可以通过操作时间来解决各种障碍并达到目标。”

这个案例展示了GATE如何通过与用户的开放式对话来了解用户的具体需求，并据此生成有效的Prompt，以便大规模语言模型（LLMs）能更准确地满足用户的需求。

GitHub：https://github.com/alextamkin/generative-elicitation
论文：https://arxiv.org/abs/2310.11589