前言

day16、17我們快速的介紹Diagram as Code函式庫的API，並且介紹常見的幾個元件以及可以客製化的屬性，現在我們打算將此函式庫的API以及教學，製作成一個可以讓LLM快速學習的txt文件，並且讓LLM有辦法根據使用者輸入，來進行Diagram as Code的撰寫

正文

教科書課本

我們的教科書材料基於官方文件上的內容https://diagrams.mingrammer.com/

首先參考文件上會使用Guides的四個文件，來進行簡易教學
裡面的內容如同day16、17，對Diagram as Code的元件有基礎說明和解釋

Diagrams：https://diagrams.mingrammer.com/docs/guides/diagram

Nodes：https://diagrams.mingrammer.com/docs/guides/node

Clusters：https://diagrams.mingrammer.com/docs/guides/cluster

Edges：https://diagrams.mingrammer.com/docs/guides/edge

擴充教材

• 若要GenAI生成出有別於教學手冊的架構圖，那麼就必須要給予擴充教材，甚至是完全版的知識
• 因此我們會給予完整的AWS、GCP、Azure的node，來使得LLM有操作空間
  AWS：https://diagrams.mingrammer.com/docs/nodes/aws
  

GCP：https://diagrams.mingrammer.com/docs/nodes/gcp

Azure：https://diagrams.mingrammer.com/docs/nodes/azure

Few-Shot learning 少樣本學習

當然我們也能利用除了RAG以外的提示工程技術來進行提示
我們可以嘗試著利用 Few-Shot learning，僅有少量樣本下使得語言模型學習
之後我們除了教科書和擴充知識外，我們也能增加少樣本，指引GenAI生成

• 對人類而言，只需要幾個例子便能學習。有了其他相同領域的學習經驗後就能因為學習到精隨而舉一反三，或者可以將資訊拆解。因為人類這種學習方式的有效性，這種方式也成為效仿的目標

• 在資料少時怎麼才能學得好呢?
  對人類學習而言，最基礎的就是善用手上資料，同樣的資料可能有不同的用處，一兼二顧，例如文件夾也可以拿來當手機架。對應到機器學習上就是將手上資料做擴增以模擬資料的變化。
• 參考資料：https://medium.com/ai-academy-taiwan/%E5%B0%8F%E8%B3%87%E6%96%99%E7%B3%BB%E5%88%97%E5%88%9D%E7%AF%87-few-shot-learning%E7%B0%A1%E4%BB%8B-d154c751b723

明天我們會開始進行資料庫內容的獲取