यह शोधपत्र ओपस प्रॉम्प्ट इंटेंशन फ्रेमवर्क का परिचय देता है, जिसे कमांड-ट्यून्ड लार्ज-स्केल लैंग्वेज मॉडल्स (LLMs) का उपयोग करके जटिल वर्कफ़्लो जेनरेशन को बेहतर बनाने के लिए डिज़ाइन किया गया है। हम उपयोगकर्ता क्वेरीज़ और वर्कफ़्लो जेनरेशन के बीच एक मध्यवर्ती इंटेंट कैप्चर लेयर का प्रस्ताव करते हैं। यह लेयर, जिसे ओपस वर्कफ़्लो इंटेंशन फ्रेमवर्क कहा जाता है, उपयोगकर्ता क्वेरीज़ से वर्कफ़्लो सिग्नल निकालता है, उन्हें संरचित वर्कफ़्लो इंटेंट ऑब्जेक्ट्स में व्याख्यायित करता है, और इन इंटेंट के आधार पर वर्कफ़्लो उत्पन्न करता है। हमारा शोध दर्शाता है कि यह लेयर LLM को तार्किक और सार्थक आउटपुट उत्पन्न करने में सक्षम बनाता है जो क्वेरी की बढ़ती जटिलता के साथ विश्वसनीय रूप से स्केल होते हैं। वर्कफ़्लो जेनरेशन में ओपस प्रॉम्प्ट इंटेंशन फ्रेमवर्क को लागू करने से 1,000 मल्टी-इंटेंट क्वेरी-वर्कफ़्लो पेयर्स के सिंथेटिक बेंचमार्क पर सिमेंटिक वर्कफ़्लो समानता मेट्रिक्स में लगातार सुधार होता है। इस शोधपत्र में, हम LLM-आधारित वर्कफ़्लो जेनरेशन में वर्कफ़्लो सिग्नल्स और वर्कफ़्लो इंटेंट की अवधारणाओं को लागू करके ओपस प्रॉम्प्ट इंटेंशन फ्रेमवर्क का परिचय देते हैं। हम उपयोगकर्ता क्वेरीज़ से वर्कफ़्लो सिग्नल्स और वर्कफ़्लो इंटेंट निकालने के लिए एक पुनरुत्पादनीय और अनुकूलन योग्य LLM-आधारित इंटेंट कैप्चर सिस्टम प्रस्तुत करते हैं। अंत में, हम अनुभवजन्य साक्ष्य प्रदान करते हैं कि प्रस्तावित प्रणाली उपयोगकर्ता प्रश्नों से प्रत्यक्ष उत्पादन की तुलना में वर्कफ़्लो उत्पादन की गुणवत्ता में उल्लेखनीय सुधार करती है, विशेष रूप से मिश्रित इरादे के लिए।
