Markdown to lekka składnia formatowania, która nadaje strukturę zwykłemu tekstowi. Gdy dostarczasz dane do trenowania w formacie Markdown, sztuczna inteligencja lepiej rozumie sekcje, hierarchie i odniesienia w Twoich treściach - oraz może wykorzystywać tę strukturę, odpowiadając użytkownikom. Najpierw utwórz chatbota i zapoznaj się z podstawami trenowania.
Jak działa Markdown w ChatLab
Markdown jest wykorzystywany na dwa sposoby w zależności od źródła trenowania:
- Źródła ze stron internetowych - ChatLab wyodrębnia czytelną treść i zachowuje linki w zapisanym tekście. Nie zakładaj, że skan zachowa każdy nagłówek, tabelę lub inne elementy oryginalnego formatowania strony; sprawdź podgląd źródła.
- Źródła tekstowe i Q&A - Tworzysz Markdown ręcznie. Pola tekstowe akceptują czystą składnię Markdown, która jest zapisywana w niezmienionej postaci i wykorzystywana podczas trenowania.
W obu przypadkach ustrukturyzowane dane pomagają AI rozpoznawać sekcje, odróżniać kluczowe informacje i umieszczać trafne linki w odpowiedziach.
Markdown w źródłach ze stron internetowych
Podczas trenowania ze stron internetowych (Trenowanie > Linki [Training > Links]) ChatLab automatycznie konwertuje treść strony na format tekstowy zachowujący linki. Linki zewnętrzne są zapisywane przy użyciu składni linków Markdown, dzięki czemu AI może odwoływać się do nich w odpowiedziach.
Aby zobaczyć, jak zapisana jest przeskanowana strona, kliknij przycisk Wyświetl [View] obok dowolnego wytrenowanego linku. Podgląd wyświetla zapisaną treść, w tym wszystkie linki sformatowane w Markdown.
W powyższym przykładzie adres e-mail jest zapisany jako [info@yoursite.com](mailto:info@yoursite.com) - link Markdown, który AI może umieścić w swoich odpowiedziach jako klikalny link.
Markdown w źródłach tekstowych
Wybierz swojego chatbota, przejdź do Training > Text (Trenowanie > Tekst) i kliknij Add New Training: Text (Dodaj nowe trenowanie: Tekst). W polu Text możesz wpisywać składnię Markdown bezpośrednio.
Powyższy przykład pokazuje politykę zwrotów napisaną za pomocą nagłówków Markdown (#, ##), pogrubionego tekstu (**30 days**), list punktowanych (-) oraz linków ([Returns Portal](https://example.com/returns)).
Markdown w źródłach Q&A
Przejdź do Training > Questions & Answers (Trenowanie > Pytania i odpowiedzi) i kliknij Add New Training: QA (Dodaj nowe trenowanie: Pytania i odpowiedzi). Pole Answer (Odpowiedź) obsługuje składnię Markdown, co pozwala na strukturyzowanie odpowiedzi za pomocą list, pogrubionego tekstu oraz linków.
Obsługiwana składnia Markdown
Oto zestawienie elementów Markdown, których możesz używać w źródłach trenowania Tekst (Text) oraz Pytania i odpowiedzi (Q&A):
Nagłówki - Użyj # dla nagłówka głównego, ## dla podnagłówka, aż do ###### dla najmniejszego poziomu nagłówka.
# Main heading
## Subheading
### Smaller heading
Pogrubienie i kursywa - Otocz tekst dwiema gwiazdkami z każdej strony (**double asterisks**), aby uzyskać pogrubienie, lub jedną gwiazdką z każdej strony (*single asterisks*) dla kursywy.
**bold text**
*italic text*
Listy nienumerowane - Rozpocznij każdą linię od - lub * ze spacją po znaku.
- First item
- Second item
- Third item
Listy numerowane - Rozpocznij każdą linię od liczby z kropką i spacją.
1. First step
2. Second step
3. Third step
Linki - Użyj formatu [link text](URL), aby utworzyć klikalne odnośniki.
Visit our [Help Center](https://example.com/help)
Email us at [support@example.com](mailto:support@example.com)
Obrazy - Użyj , aby wstawić odniesienie do obrazów. AI może je opisywać lub linkować do nich w odpowiedziach.
Jak Markdown wyświetla się w odpowiedziach czatu
Widget czatu potrafi renderować sformatowane odpowiedzi, w tym listy punktowane, pogrubiony tekst, ponumerowane kroki i klikalne linki. Użycie formatowania Markdown w danych treningowych nie gwarantuje, że chatbot użyje dokładnie takiego samego formatowania w swojej odpowiedzi.
Widget czatu obsługuje renderowanie nagłówków, pogrubionego tekstu, kursywy, list (uporządkowanych i nieuporządkowanych), linków, obrazów oraz indeksu górnego.
Zakończ trenowanie i przetestuj
Nadaj swojemu zestawowi Text (Tekst) lub Q&A (Pytania i odpowiedzi) etykietę i kliknij Start Training (Rozpocznij trenowanie) lub Update (Zaktualizuj) podczas edycji. Poczekaj na status Training completed (Trenowanie zakończone) na liście źródeł; czas przetwarzania zależy od wielkości treści, a przetwarzanie trwa nadal po zaakceptowaniu źródła, nawet jeśli opuścisz stronę. Otwórz Overview (Przegląd) i zadaj pytanie dotyczące źródła, aby sprawdzić zarówno odpowiedź, jak i jej formatowanie. Zobacz Dodawanie zwykłego tekstu lub Dodawanie pytań i odpowiedzi, aby poznać kompletne formularze.
Zużycie znaków
Znaki składni Markdown (#, **, -, []() itp.) wliczają się do limitu znaków danych treningowych. Narzut zależy od tego, ile nagłówków, adresów URL i innych znaków formatowania dodasz - nie ma tu stałej wartości procentowej.
Na przykład link [Help Center](https://example.com/help) zużywa więcej znaków niż sam napis „Centrum pomocy”, ale daje sztucznej inteligencji adres URL, który może umieścić w odpowiedziach.
Jeśli zbliżasz się do limitu znaków, możesz zmniejszyć ich zużycie, upraszczając formatowanie Markdown - na przykład używając mniejszej liczby nagłówków lub skracając etykiety linków.
Wskazówki dotyczące efektywnego trenowania za pomocą Markdown
- Używaj nagłówków do organizowania tematów - Pomoże to sztucznej inteligencji ustalić, która sekcja Twoich treści odpowiada na pytanie użytkownika
- Stosuj listy dla opcji, kroków lub funkcji - AI często odzwierciedla tę strukturę w swoich odpowiedziach
- Dodawaj linki do ważnych stron - AI może podawać te linki, odpowiadając na powiązane pytania
- Zachowaj prostotę - Podstawowy Markdown (nagłówki, listy, pogrubienia, linki) jest najbardziej efektywny. Skomplikowane formatowanie, takie jak zagnieżdżone tabele, może nie wpłynąć na poprawę jakości odpowiedzi
Powiązane artykuły
- Dodawanie zwykłego tekstu - Dodawaj i edytuj treści tekstowe
- Dodawanie pytań i odpowiedzi - Definiuj pary pytań i odpowiedzi dla precyzyjnych reakcji
- Trenowanie Twojego chatbota: podstawy i limity - Zrozumienie limitów danych treningowych
- Zrozumienie limitów danych treningowych - Jak działa liczenie znaków