LLMOps（Large Language Model Operations）是一個涵蓋了大型語言模型（如 OpenAI 的 GPT 系列、Google 的 PaLM 以及眾多如 Meta 的 LLaMa 這樣的開源 LLMs）開發、部署、維護和優化的一整套實作的方法論和資料管理流程。LLMOps 的存在目標是確保讓開發者甚至一般使用者能夠高效能、高擴展性且安全地使用這些強大的 AI 模型來建構和營運能夠解決使用者問題的應用程式。整個架構牽涉到 #模型訓練、#微調、#RAG、部署、監控、版本控制、更新、安全性、可協作性、可轉移性以及合規性等各個面向。
農曆年之前，AI 領域『御三家』最為人們所關注的題材在於各家擁有的三神器：Gemini Ultra、GPT-5 與 Llama-3。但出乎所有人意料的是，單就在 2/15 這一天，御三家不約而同的都直接領域展開『無量空處』直接癱瘓了一大批新創。
Sora 是一種由『資料驅動的物理引擎』，其底層是一個端到端的 Diffusion Transformer Model，它可以直接將文字或圖片輸入轉化成影片像素輸出。通過對大量影片數據的梯度下降學習，Sora 在神經網絡的參數中隱性的學習到了一個物理引擎該有的運作方式。
通過有效的品牌定位和創新的市場策略，即便是在一個充滿同質化產品的市場中，也能創造出顯著的市場價值和用戶認同。對於 AI 新創來說，這意味著創辦人思維高度必須要著需要超越技術本身，深入挖掘使用者需求（特定利基市場）和市場趨勢，並通過獨特的品牌故事和用戶體驗來吸引和留住用戶。
Retrieval-Augmented Generation（RAG）與其說是一項技術，我認為稱它是某種一系列方法論的集合名詞或許更為適切，他的核心精神是通過從外部來源獲取事實與即時資訊來提高生成式 AI 模型在進行推論時的準確性和可靠性。
在 Transformer 架構和 GPT 模型中，超參數是在訓練模型之前設定的參數，它們控制著模型的結構（如層數、隱藏單元的大小等）和訓練過程（如學習率、批次大小等）。這些參數不會在學習過程中被模型自動調整，而是需要由研究人員或開發人員事先決定。例如，在 GPT 模型中，超參數可以包括編碼層的數量、每個層中的注意力頭數量、學習率等。
關於 RAG（檢索增強生成）這個用來強化 LLM 推論品質的方法論是個非常熱門的議題，網路上已經有無數篇文章與論文在討論這主題，這篇會是我們一個新系列文章的開頭，先系統性的整理在實踐 RAG 時會遇到的主要失敗點，進而從如何一一克服這些問題來展開我們的系列文章。
在探索完 OpenAI 的「提示詞工程」最佳實務後，本篇文章將聚焦於 Google 的 Gemini 提供的官方「提示詞工程」建議。雖然兩者的基礎原則相似，但由於系統設計上的差異，為完善本系列並便於未來跨系統比較，我們將深入解析一下 Gemini 是否有其獨有的見解。
當一項新技術出現時，大家往往會對他如何用在增強既有任務上所產生讀影響更為關注，畢竟，這些改善是立即可見且容易理解的。然而，隨著時間的推移，如何用它來推動文明的邊界，也就是創造先前不可能的事物卻往往對世界產生更深遠的影響。然而，綜觀歷史，推動時代巨輪的關鍵軸承永遠都是來自後者。
如同文章的標題，這會是一篇持續更新的貼文，應該會持續十篇貼文的測試，嘗試去比較導外連結放置在貼文本體以及不放置在貼文本體時臉書所給予的使用者觸及量。
