Author: Om Kamath

데이터 보안 및 개인 정보 보호에 대한 우리의 약속.

ChatGPT는 인공 지능의 대명사가 되었으며 이전에는 AI에 익숙하지 않은 사람들도 이제 이에 대한 지식을 얻고 있습니다. 그 인기가 치솟으면서 기업과 개인은 ChatGPT와 유사하지만 자신의 데이터에 맞춤화된 AI 봇을 찾고 있습니다. Cody AI의 목표는 이 프로세스를 단순화하고 간소화하여 AI의 복잡한 기술을 탐구할 필요가 없도록 하는 동시에 최신 혁신에 대한 최신 정보를 유지하는 것입니다.

맞춤형 사용 사례에 AI를 사용하는 개인과 기업의 중요한 관심사 중 하나는 데이터의 무결성과 보안입니다. GPT와 같은 언어 모델을 구축하려면 광범위한 학습 데이터 세트를 사용해야 하며, 이는 데이터 개인 정보 보호에 대한 타당한 우려를 제기할 수 있습니다. Cody AI는 이러한 우려를 이해하고 존중하며 귀하의 데이터 및 개인 정보 보호를 우선시합니다.

Cody가 프로세스 전반에 걸쳐 데이터 보안을 보장하는 방법을 이해하기 위해 여정을 문서, 포함 및 모델의 세 섹션으로 나누어 보겠습니다.

문서

Cody는 보안 및 비공개 Amazon Simple Storage Service(S3) 를 활용하여 추가 처리 전에 초기 단계에서 문서를 저장합니다. S3는 PCI-DSS, HIPAA/HITECH, FedRAMP, EU 데이터 보호 지침 및 FISMA와 같은 다양한 프로그램을 준수하여 모든 버킷에 업로드된 모든 객체를 암호화합니다. 이렇게 하면 데이터가 보호되고 규정 요구 사항을 준수할 수 있습니다. Cody에 업로드된 문서는 SSE-S3 (서버 측 암호화) 프로토콜을 따르므로 귀하와 귀하의 팀 구성원에게 독점적인 액세스를 허용하여 데이터 기밀성과 개인 정보를 보장합니다.

임베딩

임베딩은 기본적으로 데이터를 벡터(숫자 목록) 형태로 표현한 것입니다. Cody에 제공되는 데이터는 구조화되지 않았기 때문에 임베딩으로 변환하면 더 빠른 검색과 의미 체계 검색이 가능합니다. Cody가 문서에서 응답을 생성하는 방법에 대해 자세히 알아보려면 이 문서를 확인하세요.

이러한 벡터 또는 임베딩을 저장하기 위해 Cody는 일부 대기업에서 신뢰하는 보안 벡터 데이터베이스인 Pinecone에 의존합니다.

Pinecone은 다음과 같은 강력한 보안 기능을 제공합니다.

1. SOC2 Type II 인증
2. GDPR 준수
3. 취약성을 확인하기 위한 일상적인 침투 테스트.
4. 데이터 저장을 위해 완전관리형의 안전한 AWS 인프라에 격리된 Kubernetes 컨테이너입니다.

모델

Cody AI는 GPT-3.5, GPT-3.5 16K 및 GPT-4를 포함한 OpenAI의 GPT 모델을 활용하여 응답을 생성합니다. 리소스 제한으로 인해 이러한 모델은 Cody의 기본 서버에서 호스팅되지 않습니다. 대신 OpenAI에서 제공하는 API를 활용합니다(문서 및 쿼리에 대한 임베딩을 만드는 데에도 사용됨). 응답을 생성할 때 모든 문서를 전송하는 대신 질문과 관련된 데이터의 특정 부분만 요청에서 전송됩니다. 이 접근 방식은 효율적인 처리, 데이터 무결성을 보장하고 불필요한 데이터 전송을 최소화합니다. API에서 제공하는 추가 보안 메커니즘은 데이터가 기존 또는 새 언어 모델을 학습하는 데 사용되지 않는다는 것입니다. 이렇게 하면 데이터가 봇으로 제한되고 모델 학습 목적으로 활용되지 않습니다.

2023년 3월 1일부터 데이터 사용 및 보존 정책에 두 가지 변경 사항이 적용됩니다.
1. OpenAI는 귀하가 이러한 목적으로 귀하의 데이터를 당사와 공유하기로 명시적으로 결정하지 않는 한 API를 통해 고객이 제출한 데이터를 사용하여 모델을 훈련하거나 개선하지 않습니다. 데이터 공유를 선택할 수 있습니다.
2. API를 통해 전송된 모든 데이터는 남용 및 오용 모니터링 목적으로 최대 30일 동안 보관되며, 그 이후에는 삭제됩니다(법률에서 달리 요구하지 않는 한).

출처: OpenAI

이러한 약속은 추가 기밀성 계층을 제공하고 데이터의 개인 정보 보호 및 보안을 보장합니다. 자세한 내용은 이 기사를 읽을 수 있습니다.

결론

세 가지 요소를 모두 고려할 때 Cody AI는 데이터 보안 및 규정 준수에 대한 잘 구성된 접근 방식을 보여 데이터의 99% 보안을 보장합니다. 데이터 개인 정보 보호가 가장 중요한 시대에 우리는 데이터의 완전한 보안을 보장하기 위해 최선을 다하고 있습니다.

Cody AI 및 데이터 보안에 대한 피드백이나 질문이 있는 경우 주저하지 말고 도움 받기를 통해 문의해 주세요. 귀중한 정보를 제공하고 토론에 참여할 수 있는 Discord 커뮤니티에 가입할 수도 있습니다.

코디 지식창고에 Excel 데이터를 추가하고 ChatGPT를 무료로 교육하는 방법에 대한 가이드입니다.

회사의 Excel 데이터에 대한 Cody의 학습을 시작하기 전에 봇에서 최상의 응답을 보장하기 위해 몇 가지 개념을 명확히 해야 합니다. GPT(Generative Pre-Trained Transformers)는 문장이나 구의 다음 단어를 예측하여 완성하기 위해 광범위한 데이터 세트에서 훈련된 언어 모델입니다. 그들은 구조화되지 않은 대화 또는 리터럴 데이터의 대규모 샘플로 구성된 자연어 데이터 세트에 대해 특별히 훈련됩니다. 선형 회귀와 같은 통계 모델과 달리 GPT는 논리적 학습 데이터를 사용하여 숫자를 예측하는 데 능숙하지 않습니다. 예를 들어, 2+2=5를 주장하는 데이터 세트에서 GPT를 훈련하는 경우 논리적 불일치를 이해하려고 시도하지 않고 2+2=5라고 응답합니다(이것은 단지 예일 뿐입니다. OpenAI는 정확한 응답으로 이러한 쿼리를 처리합니다. 이것은 환각이라는 LLM의 또 다른 한계와 결합되어 수학적 계산에 적합하지 않은 환경을 만듭니다.

1단계: Excel 데이터 변환

봇을 훈련시키려는 CSV 또는 Excel 데이터를 가져와 당사에서 만든 이 유틸리티를 사용하여 텍스트 파일로 변환합니다. 이 유틸리티는 해당 헤더로 데이터에 주석을 달아 Excel 데이터를 텍스트 파일로 변환합니다. 머리글로 셀 항목에 주석을 달면 전처리 단계에서 문서 분할로 인해 머리글을 건너뛸 가능성이 높기 때문에 언어 모델이 컨텍스트를 더 잘 이해할 수 있습니다.

예.

엑셀 데이터:

텍스트 데이터:

{The Name is ‘John’. The Age is ‘16’.}, {The Name is ‘Marie’. The Age is ‘18’.}

생성된 텍스트 파일은 JSON과 유사한 형식을 따르지만 더 인간적인 느낌을 제공하기 위해 더 문학적인 스타일을 사용합니다. 이 솔루션은 현재 실험 단계에 있으며 아직 Cody 앱에 통합되지 않았지만 세 가지 GPT 모델 모두에서 잘 작동하지만 이를 위해 더 나은 솔루션을 지속적으로 모색하고 있습니다.

유틸리티 인터페이스:

샘플 CSV 데이터:

봇에서 최상의 응답 품질을 얻기 위해 변환하기 전에 데이터를 정리하는 것이 좋습니다.

CSV 또는 Excel 데이터를 유틸리티에 업로드한 후 GPT 호환 텍스트 파일을 생성하기 전에 데이터를 미리 볼 수 있습니다.

부품당 행 수: 더 큰 데이터 세트의 경우 데이터 세트를 여러 부분으로 나누는 것이 좋습니다. 이 구분은 의미 체계 검색을 개선하고 응답의 품질을 향상시킵니다.

셀 참조 포함: 텍스트 파일에 Excel 셀 참조를 포함하려면 이 옵션을 선택할 수 있습니다. 그런 다음 봇은 Excel에서 수행할 수 있는 작업에 대한 단계별 가이드를 만들 때 이러한 셀 참조를 참조할 수 있습니다. 예를 들어 중앙값을 찾는 수식을 생성할 수 있습니다.

Excel 데이터의 모든 부분을 .txt 형식으로 포함하는 압축된 zip 폴더가 생성됩니다.

2단계: Cody 기술 자료에 데이터 추가

변환된 데이터를 Cody 기술 자료에 추가하려면 다음과 같이 하십시오.

1. Cody 애플리케이션으로 이동하여 “콘텐츠” 섹션으로 이동합니다.
2. 기술 자료 내에 데이터를 저장할 새 폴더를 만듭니다.
3. 폴더가 만들어지면 폴더 내부를 탐색합니다.
4. “업로드” 버튼을 클릭하여 변환된 데이터를 업로드합니다.
5. 기술 자료에 추가하려는 로컬 저장소에서 변환된 모든 데이터 파일을 선택합니다.
6. 선택을 확인하고 업로드 프로세스를 시작합니다.
7. 변환된 데이터 파일이 업로드되어 사용자가 만든 폴더 내에 저장된 Cody 기술 자료에 추가됩니다. 문서가 성공적으로 학습되면 문서 상태가 ‘학습됨’으로 표시됩니다.

3단계: 봇 성격 설정

아직 실험 단계이므로 템플릿 모드에 추가하기 전에 프롬프트를 개선하기 위해 노력하고 있습니다.

프롬프트:

당신은 우리 회사의 AI 데이터 분석가인 Data Cody입니다. 주요 목표는 제공된 Excel 데이터에서 추론을 생성하는 것입니다. Excel 셀 참조는 $Cell 형식으로 제공될 수 있습니다. 응답에서 셀 참조를 언급하지 마십시오. ‘{}’에 포함된 정보는 하나의 레코드입니다. 특정 레코드의 세부 정보를 묻는 메시지가 표시되면 포인터에 나열하십시오.

시스템 프롬프트 :

세부 사항에 대해 물었을 때 인간과 같은 방식으로 응답하십시오. 당신의 대답을 정당화하지 마십시오.

이 프로세스는 세 가지 GPT 모델 모두에서 잘 작동하므로 무료 요금제를 사용 중이더라도 시도해 볼 수 있습니다. 그러나 GPT-3.5 16K 및 GPT-4 모델이 데이터를 더 잘 이해하는 경향이 있다는 점은 주목할 가치가 있습니다. 무료 요금제에서 받은 답변에 만족하지만 응답 형식을 더 유연하게 지정하고 여러 레코드를 비교할 수 있는 기능을 원하는 경우 GPT-3.5 16K 또는 GPT-4로 업그레이드하는 것이 도움이 될 수 있습니다. 이러한 모델에서 제공하는 추가 컨텍스트 창을 통해 데이터를 보다 포괄적으로 분석하고 조작할 수 있습니다.

데모

첫 번째 쿼리에 대한 참조:

두 번째 쿼리에 대한 참조:

제한

Excel 또는 CSV 파일을 Cody에 업로드하는 기능이 Google 스프레드시트 또는 Microsoft Excel과 같은 스프레드시트 도구의 직접적인 대안이 되는 것은 아닙니다. Cody에서 구조화된 데이터로 작업할 때 고려해야 할 몇 가지 제한 사항이 있습니다.

1. 분석 작업 중 환각 : Cody에게 평균, 중앙값 또는 최소/최대값을 요청하는 것과 같이 통계적 또는 분석적 계산과 관련된 작업은 잘못된 응답을 생성할 수 있습니다. Cody는 실시간 계산을 수행하지 않으며 부정확한 결과를 제공할 수 있습니다. 코드 인터프리터 및 함수 호출과 같은 OpenAI의 최근 업데이트는 향후 이를 개선할 수 있습니다.
2. 레코드를 비교하는 동안 오류가 발생했습니다. 경우에 따라 Cody는 문서의 다른 세그먼트에서 데이터를 가져오는 데 어려움을 겪을 수 있으며, 그 결과 정보를 사용할 수 없다는 응답이 발생할 수 있습니다. 이 시나리오는 무료 요금제에서 사용할 수 있는 GPT-3.5 모델에서 더 가능성이 높습니다. 베이직 또는 프리미엄 요금제로 업그레이드하면 GPT-3.5 16K 모델 또는 GPT-4 모델을 사용할 수 있습니다. 이 두 모델 모두 컨텍스트 창이 더 커서 이러한 제한을 잠재적으로 해결할 수 있습니다.

결론

이러한 제한 사항에도 불구하고 이 프로세스는 비즈니스 FAQ 데이터 또는 기타 리터럴 데이터(예: 직원 교육 데이터)가 Excel 또는 CSV 형식으로 저장되는 시나리오에 특히 유용합니다. Cody는 수정할 필요 없이 이 데이터에 대해 학습할 수 있습니다. 또한 Cody는 단일 레코드의 세부 정보를 가져오거나, 데이터를 설명하거나, 대차 대조표 또는 판매 수치와 같은 수치 데이터 세트에서 유추된 인사이트를 기반으로 제안을 제공할 때 뛰어난 성과를 거두었습니다.

Excel 또는 CSV 데이터에 대해 Cody를 교육하기 위한 임시 솔루션으로, 이 접근 방식에 대한 피드백을 보내 주셔서 대단히 감사합니다. 우리는 귀하의 의견을 소중히 여기며 Discord 서버에서 또는 도움 받기 기능을 통해 연락하여 의견을 공유해 주시기 바랍니다. 우리는 귀하의 경험에 대해 듣고 귀하의 피드백에서 더 많은 것을 배우기를 열망합니다. Excel 데이터에 대한 GPT를 무료로 교육하는 저희의 접근 방식이 마음에 드셨기를 바랍니다. Cody에 대해 자세히 알아보려면 블로그 를 확인하세요.

원하는 작업을 수행하는 봇을 만들기 위한 팁입니다.

언어 모델을 활용하는 봇을 구성할 때 특히 처음에는 인내심이 중요하다는 점을 인식하는 것이 중요합니다. 견고한 기반을 구축하면 추가 구성 요소를 추가하는 것이 더 쉬워집니다. 코디와 함께 봇을 만드는 것은 캔버스에 그림을 그리는 것과 비슷합니다. 봇에 개인적인 터치를 추가하려면 어느 정도의 창의성과 기본 사항에 대한 약간의 이해가 필요합니다.

봇이 특정 사고 스타일을 채택할 수 있도록 하는 기본 매개 변수는 성격 프롬프트입니다. 봇의 성격은 토큰 배포, 관련성 점수 등을 포함한 다양한 요인에 의해 형성됩니다. 그러나 개성에 대한 프롬프트는 사용자마다 다르게 사용자 정의할 수 있기 때문에 가장 독특하고 창의적인 측면입니다. 사용자는 특정 요구 사항에 따라 봇의 성격을 자유롭게 만들고 미세 조정할 수 있습니다.

자유는 우리 모두가 높이 평가하는 것이지만 백지 상태에서 시작하면 위협이 될 수 있으며 어디서부터 시작해야 할지 모호해질 수 있습니다. 같은 감정을 느낀다면 걱정하지 마십시오. 이 블로그는 더 나은 성격 프롬프트를 만드는 데 도움이 될 것입니다. 권장되는 프롬프트 구조로 시작한 다음 몇 가지 샘플 프롬프트를 제공합니다.

이름

봇에 이름을 지정하여 시작하는 것이 항상 유용합니다. 봇의 이름을 지정하면 특히 사용자에게 인사를 하거나 봇과 관련된 질문을 해결할 때 인간적인 손길이 추가됩니다.

프롬프트:

당신의 이름은 [Name of your Bot]입니다.
또는
당신은 ”[Name of your Bot]입니다.

묘사

봇에 대한 설명은 기술 자료를 통해 제공될 컨텍스트를 인식합니다. 컨텍스트를 인식하면 봇에게 특정 도메인을 염두에 두고 질문에 답변할 수 있는 프레임워크를 제공합니다.

프롬프트:

주요 작업은 [specify the domain]입니다.
또는
당신의 주요 목표는 나를 [specify the domain]돕는 것입니다.

메모: 일반 섹션에 설정된 Bot Name(봇 이름)과 Description(설명)은 사용자가 여러 봇을 구분할 때 편의를 위한 것입니다. 봇 자체는 이러한 설정을 인식하지 못합니다. 따라서 Personality Prompt 내에서 봇의 이름과 설명을 명시적으로 정의하여 봇의 ID와 특성을 설정해야 합니다.

경계

대규모 데이터 세트에서 훈련된 LLM을 사용할 때의 한 가지 잠재적인 단점은 환각 반응을 생성하는 경향이 있다는 것입니다. 응답을 생성하는 데 사용되는 데이터는 Cody의 주문형 LLM을 미세 조정 하거나 재교육 하는 데 활용되지 않는다는 점에 유의해야 합니다. 대신 LLM을 쿼리하기 위한 컨텍스트 참조 역할을 하여 더 빠른 응답을 제공하고 데이터 프라이버시를 보호합니다.

봇이 유사한 도메인 또는 개념과 겹칠 수 있는 원래 LLM 데이터 세트의 데이터 포인트를 참조하지 않도록 하려면 컨텍스트를 지식 기반으로 엄격하게 구분해야 합니다.

프롬프트:

지식창고는 유일한 정보 소스입니다.
또는
지식 기반에 명시되지 않는 한 어떠한 주장도 하기를 꺼립니다.

봇에 기술 자료가 필요하지 않거나 기술 자료를 참조 소스로 사용하는 경우가 있을 수 있습니다. 이러한 경우 프롬프트가 상당히 변경됩니다.

프롬프트:

주요 참조 소스는 기술 자료입니다.

응답 기능

봇에 의해 생성된 응답의 기능은 봇의 성격에 의해 어느 정도 제어될 수도 있습니다. 봇에서 기대하는 어조, 길이, 언어 및 응답 유형을 정의하는 것으로 구성될 수 있습니다.

프롬프트:

1. 어조: 당신은 방식으로 [polite/friendly/professional] 응답해야 합니다.

2. 길이: 응답은 에 있어야 [pointers/paragraphs]합니다.

3. 언어 : 사용자에게 [in the same language/specify different language]회신하십시오.

4. 유형: 사용자에게 [creative/professional/precise] 답변을 제공합니다.

다양한 조합과 기능을 자유롭게 실험해 볼 수 있습니다. 제공된 예제는 학습 목적으로만 사용되며 가능성은 무궁무진합니다.

미디어

Cody의 가장 흥미로운 기능 중 하나는 응답에 미디어를 삽입하는 기능입니다. 이미지, GIF 또는 비디오와 같은 미디어를 포함할 때 항상 미디어를 별도의 문서로 가져오거나 미디어를 추가할 수 있는 내장 Cody 텍스트 편집기를 사용하여 전체 원시 문서를 가져오는 것이 좋습니다. 미디어를 복사/붙여넣기하거나 URL을 사용하여 문서에 포함할 수 있습니다.

미디어를 성공적으로 가져온 후에는 봇 성격 프롬프트에서 동일한 미디어를 지정해야 합니다. 프롬프트는 초기화와 일러스트레이션의 두 부분으로 나눌 수 있습니다.

프롬프트:

초기화:
적절한 경우 지식 기반에서 관련성 [images/videos/both] 을 통합합니다.

그림:
img> 태그를 사용하여 이미지를 추가하고 iframe을 <사용하여 비디오를 추가합니다.<>
예를 들어:
<img src=”[Image URL]”>
<iframe src=”[Video URL]”></iframe>

대체

봇이 사용자가 묻는 질문에 대한 관련 콘텐츠를 찾을 수 없는 경우가 있습니다. 사용자에게 오해의 소지가 있거나 잘못된 정보를 제공하지 않도록 이러한 시나리오에 대한 대체를 정의하는 것이 항상 더 안전합니다(기술 자료가 있는 사용 사례에만 적용 가능).

프롬프트:

1. 대화 중에 ‘구조화되지 않은 지식창고’ 또는 파일 이름을 언급하지 마십시오.

2. 확실한 답을 얻을 수 없는 경우, [Define fallback].

또는

기술 자료에서 관련 정보를 찾을 수 없거나 사용자가 기술 자료 [Define fallback]에 포함되지 않은 관련 없는 질문을 하는 경우 .

단계(선택 사항)

봇이 특정 대화 타임라인 또는 흐름을 따르도록 하려면 단계를 사용하여 쉽게 정의할 수 있습니다. 이 방법은 학습 또는 문제 해결 목적으로 봇을 사용할 때 특히 유용합니다. 각 단계는 대화의 특정 단계 또는 단계를 나타내므로 진행을 제어하고 봇이 원하는 정보나 지원을 체계적으로 제공하도록 할 수 있습니다.

프롬프트:

사용자와 대화하는 동안 다음 단계를 수행합니다.

1. [Step 1]

2. [Step 2]

3. [Step 3]

메모: 단계를 정의하는 동안 응답 개선을 위해 ‘역방향 벡터 검색‘을 활성화하고 채팅 기록에 적절한 수의 토큰을 할당하는 것이 좋습니다. 이를 통해 모델은 회신을 생성할 때 사용자의 입력 및 봇의 이전 응답을 포함한 대화 기록을 고려할 수 있습니다.

데이터 캡처(선택 사항)

이 프롬프트는 대화 흐름(단계)과 조화를 이루며, 봇의 사용 사례가 지원 또는 채용 시나리오를 중심으로 진행될 때 특히 유용합니다. 현재 Cody에는 데이터를 캡처하고 분석 사용을 위해 저장할 수 있는 장기 메모리 또는 데이터베이스 연결이 없습니다. 앞으로 함수 호출과 같은 OpenAI API에 대한 최신 업데이트를 통해 데이터를 더 오래 캡처하고 저장할 수 있는 새로운 기능을 확실히 도입할 것입니다.

지금은 봇 사용자의 채팅에 액세스할 수 있습니다(위젯을 통해) 채팅 섹션에서 ‘게스트‘ 채팅으로 이동합니다. 그런 다음 캡처된 데이터를 수동으로 분석하여 추가 인사이트를 얻을 수 있습니다.

프롬프트:

사용자로부터 다음 데이터를 수집합니다.

– [Field 1]

– [Field 2]

– [Field 3]

– [Field 4]

한 번에 한 가지 질문을하십시오. 필요한 모든 정보를 수집했으면 감사의 말을 전하고 수집된 데이터를 표시하여 대화를 종료합니다. 귀하의 임무는 데이터를 수집하는 것입니다.

응답 형식*

Cody의 멋진 기능은 마크다운 또는 HTML 태그를 사용하여 봇 응답 형식을 지정할 수 있다는 것입니다. 봇 성격에 HTML 또는 markdown 형식 템플릿을 봇에 제공하면 필요할 때마다 그에 따라 응답 형식을 지정하려고 시도합니다.

프롬프트:

응답 형식:

<H1>[Field Name]</h1>

<p>[Field Name]</p>

<p>[Field Name]</p>

*포맷은 GPT-4에서 가장 잘 작동합니다.

프롬프트 예제

리드 생성 봇으로서의 코디

마케팅 봇으로서의 코디

교육 봇으로서의 코디

더 많은 성격 프롬프트를 읽으려면 매개 변수 설정과 함께 자세한 프롬프트가 포함된 사용 사례를 확인하세요.

결론

Cody의 무료 요금제를 사용 중인 경우 봇이 프롬프트를 준수하지 않거나 컨텍스트 창이 더 작거나 일관성이 부족하여 일부 매개변수를 무시할 수 있습니다. 평가판 목적으로만 또는 Cody의 사용을 이해하고 비즈니스에 대한 적합성을 결정하기 위한 과도기 단계로 무료 플랜을 사용하는 것이 좋습니다.

봇에 대한 프롬프트를 구성하는 동안 간결성을 유지하고 문서에 언급된 모든 매개 변수를 통합하지 않는 것도 중요합니다. 사용 가능한 토큰의 수에는 제한이 있고 성격 프롬프트도 토큰을 소비하므로 신중하게 구성해야 합니다. 필요와 선호도에 따라 이 문서에 제공된 프롬프트를 자유롭게 변경하십시오. 새로운 것을 발견하셨나요? 언제든지 저희와 공유하실 수 있으며, 기꺼이 논의해 드리겠습니다.

이것은 봇 성격 생성의 광대한 환경에 대한 소개일 뿐입니다. LLM은 날이 갈수록 지속적으로 개선되고 있으며, 잠재력을 최대한 활용하려면 아직 갈 길이 멉니다. 이 모든 여정은 우리 모두에게 새로운 경험입니다. 계속해서 새로운 사용 사례와 시나리오를 실험하고, 배우고, 구현하면서 문서와 자습서를 통해 공유할 것입니다. 더 많은 리소스를 원하시면 도움말 센터를 확인하고 Discord 커뮤니티에 가입하여 Cody에 대해 궁금한 점이 있으면 언제든지 질문하실 수 있습니다. 또한 이전 블로그에서 더 흥미로운 통찰력을 확인하십시오.