以便在这些常见错误周围注入提示词，以提高我们修补的准确性。最终，我们将这些错误的发生率降低到了约.%。（注：这其实是用规则补足模型的不足，降低成本） 还在死磕的事是：构建一个统一的技能注册机制，以便在我们的生成式产品中动态发现和调用封装为友好技能的智能体。
（注：可以想象是个技能商店，智能音箱那种能够动新加坡 whatsapp 号码列表 态添加天气、音乐技能的机制） . 保持统一的质量 团队在首月内实现了我们目标体验的%，随后又额外花费了四个月时间，致力于将我们的全面体验完成度提升至%以上——我们勤勉地工作，对各个方面进行精细化调整、优化和改进。
然而，我们低估了检测和减轻幻觉现象的挑战，以及质量评分提升的难度（注：原文是速度应该是笔误）——起初迅速攀升，随后便迅速达到瓶颈期。 对于那些容忍一定错误率的产品而言，采用生成式进行构建无疑是一种令人耳目一新的直接方法。
但这也带来了不切实际的期望，初期的快速进展营造了一种“即将达成”的错觉，而随着后续每%提升的改进速度显著放缓，这种快速改进的错觉变得令人沮丧。 构建该助手感觉像是偏离了“原则性”的机器学习，而更像是在专家系统中调整规则。