Lielo valodas modeļu (LLM) pielietojuma un prompt inženierijas metodoloģijas izpēte automatizēto sistēmu izstrādē

Abstract

Lielo valodu modeļu (LVM) spēja pārveidot dabīgo valodu strukturētās instrukcijās padara tos par spēcīgu rīku automatizēto sistēmu izstrādē. Šī maģistra darba mērķis ir izstrādāt un novērtēt uzvedni, kas darbojas kā pirmā līmeņa orķestrators – starpnieks starp lietotāja dabīgās valodas pieprasījumu un konkrētām sistēmas komandām. Darbs koncentrējas uz iteratīvu uzvedņu inženierijas procesu, kurā tiek testētas pakāpeniski pilnveidotas uzvednes, lai nodrošinātu precīzu, konsekventu un daudzpusīgu (context-aware) komandu ģenerēšanu. Orķestratora uzvedne ir veidota tā, lai darbotos gan čata saskarnē (interaktīvā režīmā), gan automatizētā sistēmas izsaukumu kontekstā. Darbā veiktie eksperimenti pierāda, ka mērķtiecīgi strukturēta un iteratīvi pilnveidota uzvedņu stratēģija būtiski uzlabo lielo valodu modeļu spēju uztvert lietotāja nolūku, analizēt kontekstu un konsekventi ģenerēt izpildāmas komandu virknes. Izstrādātā metodoloģija apliecina uzvednes kā orķestrācijas slāņa nozīmi LVM integrācijā ar automatizētām sistēmām un sniedz praktiski pielietojamu ietvaru, kas ir mērogojams, daudzvalodīgs un piemērojams kompleksiem daudzsoļu scenārijiem. Darbs iezīmē arī turpmākās attīstības virzienus pilna cikla agent-orchestration risinājumu virzienā.

Large language models (LLMs) demonstrate powerful capabilities to transform natural language into structured instructions, making them valuable tools for automated system development. This master’s thesis focuses on designing and evaluating a prompt that acts as a first-level orchestrator - an intermediary that converts user input into executable system commands. The research follows an iterative prompt engineering approach, where prompts are progressively refined and tested to ensure accurate, consistent, and context-aware instruction generation. The orchestrator prompt is designed to function in both interactive chat environments and automated execution contexts. Experimental results demonstrate that a well-structured and iteratively optimized prompting strategy significantly improves the model’s ability to understand user intent, maintain contextual coherence, and produce reliable command outputs. The findings of this work contribute to the methodology of prompt engineering as a means of enhancing LVM-driven automation and highlight opportunities for further development in this domain.