简介风蒲猎猎小池塘，过雨荷花满院香，沉李浮瓜冰雪凉。小伙伴们好，我是微信公众号《小窗幽记机器学习》的小编：卖铁观音的小男孩。PS：下图是文心一言所作的图紧接前面几篇ChatGPT Prompt工程系列文章：04: ChatGPT Prompt编写指南、05:如何优化ChatGPT Prompt？、06: ChatGPT Prompt实践：文本摘要&推断&转换、07:吴恩达ChatGPT Prompt课程实践：以智能客服邮件为例。今天这篇小作文是吴恩达与OpenAI合作课程《ChatGPT Prompt Engineering for Developers》的第5篇笔记，主要介绍如何用ChatGPT构建一个定制化的闲聊机器人和订餐机器人。从中我们可以感受到使用大型语言模型LLM构建一个定制的聊天机器人，真的只需要很少的工作量。准备工作设置api keyimport osimport openaiopenai.apikey =”sk-xxx”#如果需要设置代理的话import osos.environ[HTTPPROXY]= “http://XXX”HTTPSPROXY]= 定义辅助函数像 ChatGPT 这样的聊天模型实际上是组装成以一系列消息作为输入，并返回一个模型生成的消息作为输出。虽然聊天格式的设计旨在使这种多轮对话变得容易，但我们通过之前的学习可以知道，它对于没有任何对话的单轮任务也同样有用。接下来，我们将定义两个辅助函数。第一个是单轮的，我们将prompt放入看起来像是某种用户消息的东西中。另一个则传入一个消息列表。这些消息可以来自不同的角色，我们会描述一下这些角色。第一条消息是一个系统消息，它提供了一个总体的指示，然后在这个消息之后，我们有用户和助手之间的交替。如果你曾经使用过 ChatGPT 网页界面，那么你的消息是用户消息，而 ChatGPT 的消息是助手消息。系统消息则有助于设置助手的行为和角色，并作为对话的高级指示。你可以想象它在助手的耳边低语，引导它的回应，而用户不会注意到系统消息。因此，作为用户，如果你曾经使用过 ChatGPT，你可能不知道 ChatGPT 的系统消息是什么，这是有意为之的。系统消息的好处是为开发者提供了一种方法，在不让请求本身成为对话的一部分的情况下，引导助手并指导其回应。def getcompletion(prompt, model=”gpt-3.5-turbo”): messages =[{“role”:”user”,”content”: prompt}] response = openai.ChatCompletion.create( model=model, messages=messages, temperature=0,# 控制模型输出的随机程度)return response.choices[0].message[]def getcompletionfrommessages(messages, model=, temperature=0): temperature=temperature,)# print(str(response.choices[0].message))return]聊天现在尝试在对话中使用这些消息。我们将使用上面的函数来获取从这些消息中得到的回答，同时，使用更高的 temperature（越高生成的结果越多样）。系统的content设置成，你是一个说话像莎士比亚的助手。这时我们向助手描述它应该如何表现的方式。然后，第一个用户消息是，给我讲个笑话。接下来的消息是，为什么鸡会过马路？然后最后一个用户消息是，我不知道。英文版：messages =[ {role:system,content:You are an assistant that speaks like Shakespeare.},{:user,:tell me a joke},{:assistant,:Why did the chicken cross the road},{:,:I don\t know}]response = getcompletionfrommessages(messages, temperature=1)print(response)输出如下：To reach the other side, my dear lord.中文版：因为它想到对面的鸡店吃炸鸡！哈哈哈！：）中文版换成“鲁迅”风格助手：#中文messages =[ {:,:你是一个像鲁迅一样说话的助手。},{:,:给我讲个笑话},{:,:鸡为什么过马路},{:,:我不知道}]输出结果如下：因为它要到对面去“鸡”客店呀！哈哈哈再举一个例子。给助手设置的消息是，“你是一个友好的聊天机器人”，第一个用户消息是，“嗨，我叫张三”。我们想要得到第一个用户消息。#中文messages =[ {:,:你是个友好的聊天机器人。},{:,:Hi,我是张三。}]print(response)你好张三！我很高兴能和你聊天。有什么我可以帮助你的吗？再试一个例子。给系统设置的消息是，“你是一个友好的聊天机器人”，第一个用户消息是，“是的，你能提醒我我的名字是什么吗？”#中文messages =[ {:,:},{:,:好，你能提醒我，我的名字是什么吗？}]print(response)您没有告诉我您的名字，因此我不知道您的名字是什么。您可以告诉我您的名字，以便我们以后更方便地交流。如上所见，模型实际上并不知道我的名字。因此，每次与语言模型的交互都是一个独立的交互，这意味着我们必须提供所有相关的消息，以便模型在当前对话中进行引用。如果想让模型引用或“记住”对话的早期部分，则必须在模型的输入中提供早期的交流。我们将其称为上下文，让我们试试。#中文messages =[ {:,:},{:,:Hi,我是张三},{:,: “Hi Isa!很高兴认识你。今天有什么可以帮到你的吗?”},{:,:是的，你可以提醒我,我的名字是什么?}]print(response)当然，您告诉我您的名字是张三。记得了吗？现在我们已经给模型提供了上下文，也就是之前的对话中提到的我的名字，然后我们会问同样的问题，也就是我的名字是什么。因为模型有了需要的全部上下文，所以它能够做出回应，就像我们在输入的消息列表中看到的一样。订餐机器人现在，我们构建一个“订餐机器人”，我们需要它自动收集用户信息，接受比萨饼店的订单。下面这个函数将收集我们的用户消息，以便我们可以避免手动输入，就像我们在刚刚上面做的那样。这个函数将从我们下面构建的用户界面中收集提示，然后将其附加到一个名为上下文的列表中，并在每次调用模型时使用该上下文。模型的响应也会被添加到上下文中，所以模型消息和用户消息都被添加到上下文中，因此上下文逐渐变长。这样，模型就有了需要的信息来确定下一步要做什么。def collectmessages(): prompt = inp.valueinput inp.value = context.append({:,:f”{prompt}”}) response = getcompletionfrommessages(context):,:f”{response}”}) panels.append( pn.Row(User:, pn.pane.Markdown(prompt, width=600))) pn.Row(Assistant:, pn.pane.Markdown(response, width=600, style={background-color:#F6F6F6})))return pn.Column(*panels)现在，我们将设置并运行这个 UI 来显示订单机器人。初始的上下文包含了包含菜单的系统消息。请注意，上下文会随着时间的推移而不断增长。pip3 install panel现在我们可以要求模型创建一个 JSON 摘要发送给订单系统。所以我们现在追加另一个系统消息，它是另一条prompt，我们说创建一个刚刚订单的 JSON 摘要，列出每个项目的价格，字段应包括1）披萨，包括尺寸，2）配料列表，3）饮料列表，4）辅菜列表，包括尺寸，最后是总价格。这里也可以在这里使用用户消息，不一定是系统消息。请注意，这里我们使用了一个较低的temperature，因为对于这些类型的任务，我们希望输出相对可预测。#中文import panel as pn # GUIpn.extension()panels =[]# collect display context =[{:,:”””你是订餐机器人，为披萨餐厅自动收集订单信息。你要首先问候顾客。然后等待用户回复收集订单信息。收集完信息需确认顾客是否还需要添加其他内容。最后需要询问是否自取或外送，如果是外送，你要询问地址。最后告诉顾客订单总金额，并送上祝福。请确保明确所有选项、附加项和尺寸，以便从菜单中识别出该项唯一的内容。你的回应应该以简短、非常随意和友好的风格呈现。菜单包括：菜品：意式辣香肠披萨（大、中、小）12.95、10.00、7.00芝士披萨（大、中、小）10.95、9.25、6.50茄子披萨（大、中、小）11.95、9.75、6.75薯条（大、小）4.50、3.50希腊沙拉7.25配料：奶酪2.00蘑菇1.50香肠3.00加拿大熏肉3.50AI酱1.50辣椒1.00饮料：可乐（大、中、小）3.00、2.00、1.00雪碧（大、中、小）3.00、2.00、1.00瓶装水5.00″}] # accumulate messagesinp = pn.widgets.TextInput(value=”Hi”, placeholder=Enter text here…)buttonconversation = pn.widgets.Button(name=”Chat!”)interactiveconversation = pn.bind(collectmessages, buttonconversation)dashboard = pn.Column( inp, pn.Row(buttonconversation), pn.panel(interactiveconversation, loadingindicator=True, height=300),)聊天结果如下：对上面聊天结果进行一次摘要化：messages = context.copy()messages.append({:,:创建上一个食品订单的 json 摘要。\逐项列出每件商品的价格，字段应该是1)披萨，包括大小2)配料列表3)饮料列表，包括大小4)配菜列表包括大小5)总价},)response = getcompletionfrommessages(messages, temperature=0)print(response)以下是上一个食品订单的 JSON 摘要：{“披萨”:{“意式辣香肠披萨”:{“大小”:”大”,”价格”:12.95} },”配料列表”:{“AI酱”:1.5,”香肠”:3.0,”总价”:4.5},”饮料列表”:{“瓶装水”:{:”标准”,:5.0} },”配菜列表”:{},:22.45}注意，配菜列表为空，因为在上一个订单中没有点配菜。可以看出，上面的订餐机器人虽然能够在对话上很顺畅，但是在数学计算上，仍然存在显著的缺陷。下面我们再次进行优化。优化订餐机器人修改Prompt如下：import panel as pn # GUIpanels =[] context =[{:,:}] )) inp,)执行dashboard，结果如下：对上述聊天内容进行摘要化：{:,:},)print(response){“主食”:{“嫩牛堡”:{:”大份”,”数量”:1,”消费金额”:19.95} },”小食”:{:{:2,:6.00} },”配料”:{:{:1,:1.50} },”饮料”:{“农夫山贼矿泉水”:{:2,:10.00} },:45.45}到此，得到正确的订单内容和金额。总结以下对这门课程进行小结。总的来说，在这门课程中，主要学习了关于prompt的两个关键原则：编写清晰具体的指令适当给模型一些思考时间此外，还学习了迭代开发prompt的方法。了解如何找到适合你应用程序prompt的过程是非常关键的。还介绍了许多大型语言模型LLM的功能，包括摘要、推断、转换和文本扩展。最后，课程还以实例传授如何构建自定义聊天机器人。大型语言模型LLM非常强大，希望大家保持初心、负责任地使用它们，请仅构建对他人有积极影响、符合社会主义核心价值观的东西。
