如何提高与大模型对话时大模型命中人类意图的命中率？

有些拆分成多步处理会高命中率，规范要求后，随便问机器多少次，它输出都稳定符合意图，这个就叫高命中率了。

一般复杂性的问题，从提示词符合大模型理解特性上也可提高命中率到很高。如果是大模型训练和设计者，有查询工具及条件，可以倒查大模型特定问题对应的数据训练集，之后提示词与训练样本较一致，肯定能高命中率，但迁移问题未必仍高命中，就只有变通微调分模型，或反复尝试，就象熟练高级工人，对自己用的机器已摸熟了方方面面的强、弱特性，就能比不熟练机器的工人做得精准、符合要求

现在发现chatglm3-6b经常响应远差于手机上用的通义了，提示词要求用不同格式输出，前者经常不听，后者很听话很符合要求。当然，后者模型大得多训练也更充分，与chatglm4才有可比性。

kimi输出也很听话，不乱来

要求chatglm3-6b做同样内容，它直接回没有二字，格式掉了，不限死或限死时也经常多出附加说明，就会导致后续程序处理信息出错，例如用json.loads()取结果及后续判断等就失败。

因为在重构一个向量数据库的知织库，肯定要靠大模型而非人工去编程自动提取语料中的大量关健信息，所以模型性能还是很重要的，否则就会在迭代时异常处理反复执行循环时出错的内容。

千问2一7B本地质量也不错

金字塔结构重建了知识库，检索准确性一流，本质的差别。