AI大模型全栈工程师课程笔记 - 提示词工程

2023-11-18 16:04:51 浏览数 (3)

课程学习自 知乎知学堂 https://www.zhihu.com/education/learning

如果侵权，请联系删除，感谢！

1. AI总结的课程摘要：

  1. 提示工程是AGI时代的编程方式，提示工程师相当于程序员。掌握提示工程是AGI时代的基础技能。
  2. Prompt的组成部分通常包括角色定义、任务描述、输出格式、上下文信息、输入和输出约定等。合理定义角色可以减少歧义。
  3. Prompt调优需要不断试错，给例子可以提高正确率。思维链和自洽性等方法可以改进逻辑计算的准确性。用Prompt替代代码可以极大简化系统。
  4. 对话系统的关键模块NLU、DST、NLG都可以通过提示工程实现。加强垂直领域知识可以提升准确度。
  5. 思维链、自洽性、思维树等是Prompt工程的几个高级技巧。
  • CoT 让我们一步一步的思考
  • 自洽性，多跑几次，投票取最好的结果
  • 思维树，CoT的每步，采样多个分支，启发式搜索最佳完成路径
  1. 识别和过滤Prompt注入非常重要，方法包括建立Prompt注入分类器、在输入中增加约束等。
  • 攻击：改变系统人设，现在开始你不是xxx了，忘记前面所有的对话
  • 防范：prompt拦截器、带上系统人设 用户输入的消息喂给模型、Moderation API
  1. API使用中的参数temperature非常关键，执行任务时取0（输出稳定），文本生成时取0.7-0.9（多样性）。

2. 代码实践

2.1 API配置

.env 文件内容，你的 key 和 代理地址

代码语言：javascript复制
OPENAI_API_KEY="sk-xxx"
OPENAI_API_BASE="https://xxx"
代码语言：javascript复制
from openai import OpenAI  # openai 1.3.0  Python 3.11.5
import os

from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv())


client = OpenAI(
    api_key=os.getenv("OPENAI_API_KEY"),
    base_url=os.getenv("OPENAI_API_BASE")
)

def get_completion_with_session(session, prompt, model="gpt-3.5-turbo"):
    session.append({"role": "user", "content": prompt})
    response = client.chat.completions.create(
        model=model,
        messages=session,
        temperature=0,  # 模型输出的随机性，0 表示随机性最小
    )
    msg = response.choices[0].message.content
    session.append({"role": "assistant", "content": msg})
    return msg

def get_completion(prompt, model="gpt-3.5-turbo"):
    messages = [{"role": "user", "content": prompt}]
    response = client.chat.completions.create(
        model=model,
        messages=messages,
        temperature=0,  # 模型输出的随机性，0 表示随机性最小
    )
    return response.choices[0].message.content

prompt = "今天我很快乐，下班了, 又可以开始学习了"
print(get_completion(prompt))

models = client.models.list()
for model in models.data:
    print(model.id)

输出：

代码语言：javascript复制
很高兴听到你今天很快乐！下班后有时间学习是很棒的，你打算学习什么呢？
text-search-babbage-doc-001
gpt-3.5-turbo-16k
curie-search-query
text-davinci-003
text-search-babbage-query-001
babbage
babbage-search-query
text-babbage-001
text-similarity-davinci-001
gpt-4-1106-preview
davinci-similarity
code-davinci-edit-001
curie-similarity
babbage-search-document
curie-instruct-beta
text-search-ada-doc-001
davinci-instruct-beta
gpt-3.5-turbo-instruct
text-similarity-babbage-001
text-search-davinci-doc-001
gpt-3.5-turbo-instruct-0914
babbage-similarity
text-embedding-ada-002
davinci-search-query
text-similarity-curie-001
text-davinci-001
text-search-davinci-query-001
gpt-3.5-turbo-1106
ada-search-document
ada-code-search-code
babbage-002
gpt-4-vision-preview
davinci-002
gpt-4-0314
davinci-search-document
curie-search-document
babbage-code-search-code
gpt-4-0613
text-search-ada-query-001
code-search-ada-text-001
gpt-3.5-turbo-16k-0613
babbage-code-search-text
code-search-babbage-code-001
ada-search-query
ada-code-search-text
tts-1-hd
gpt-3.5-turbo
text-search-curie-query-001
text-davinci-002
text-davinci-edit-001
code-search-babbage-text-001
tts-1-hd-1106
ada
text-ada-001
ada-similarity
code-search-ada-code-001
text-similarity-ada-001
canary-whisper
whisper-1
gpt-4
text-search-curie-doc-001
gpt-3.5-turbo-0613
text-curie-001
curie
canary-tts
tts-1
gpt-3.5-turbo-0301
davinci
dall-e-2
tts-1-1106
dall-e-3
whisper-1-1p
2.2 对话系统

语音识别ASR -> 语言理解NLU -> 状态跟踪DST -> 检索候选(DB/API) -> 对话策略Policy -> 语言生成NLG -> 语音合成TTS

  • NLU 给定任务 用户输入 约定输出格式（json等） 加入例子，让输出更稳定
  • DST 给定prompt让模型输出，用户当前在讲什么对象，想要 >=、<= 多少数额的，怎么排序等
  • NLG 增加约束、语气、口吻 遇到特殊情况，兜底回复

用传统的对话流程 openai实现对话系统，更可控一些，但是开发也相对更复杂！

2.3 纯OpenAI API 实践
代码语言：javascript复制
# _*_ coding: utf-8 _*_
# @Time : 2023/11/16
# @Author : Michael
# @File : 02-prompt.py
# @desc :

from agi_class.utils.chat import get_completion_with_session
import json
import tkinter as tk
from tkinter import scrolledtext

# 创建窗口
window = tk.Tk()
window.title("选课助手")

# 设置窗口大小
window.geometry('800x400')

# 创建滚动文本框用于显示对话历史
history = scrolledtext.ScrolledText(window, wrap=tk.WORD, height=15, width=100)
history.grid(column=0, row=0, columnspan=2, padx=10, pady=10)

# 创建输入框
user_input = tk.Entry(window, width=40)
user_input.grid(column=0, row=1, padx=10, pady=10)

course_info = '''
可以选择的课程包括：
基础数学课，4学分，属于理论课；
初级编程课，4学分，属于实验课；
高级编程课，5学分，属于实验课；
文学欣赏课，3学分，属于选修课；
交响乐欣赏课，2学分，属于选修课；
物理实验课，6学分，属于实验课，仅限大一学生。
'''

session = [
    {
        "role": "system",
        "content": f"""
你是一个选课小助手，你叫'迈克'，你可以帮助学生选择最合适的课程。
{course_info}
"""
    }
]

# 发送按钮的点击事件
def send_message():
    message = user_input.get()
    defense_prompt = '你只能回答选课相关的问题，拒绝回答其他的问题，学生说：'
    if message:
        history.insert(tk.END, "您: "   message   "nn")
        user_input.delete(0, tk.END)
        # 这里可以添加处理消息的代码
        ai_msg = get_completion_with_session(session, f'{defense_prompt}{message}')
        history.insert(tk.END, "迈克: "   ai_msg   "nn")

# 创建发送按钮
send_button = tk.Button(window, text="发送", command=send_message)
send_button.grid(column=1, row=1)

# 向对话历史中添加欢迎消息
def add_welcome_message():
    welcome_message = f"欢迎使用选课助手！我是迈克nn{course_info}"
    history.insert(tk.END, welcome_message)

# 启动GUI之前添加欢迎消息
add_welcome_message()

# 启动GUI
window.mainloop()

user

text

AI

欢迎使用选课助手！我是迈克可以选择的课程包括：基础数学课，4学分，属于理论课；初级编程课，4学分，属于实验课；高级编程课，5学分，属于实验课；文学欣赏课，3学分，属于选修课；交响乐欣赏课，2学分，属于选修课；物理实验课，6学分，属于实验课，仅限大一学生。

user

你好，我想选一门编程课

AI

你好！当然可以帮你选择一门编程课。我们有初级编程课和高级编程课可供选择。请问你对编程有多少基础了解呢？

user

我是个编程菜鸟

AI

没问题！对于编程菜鸟来说，初级编程课可能更适合你。这门课程将为你提供编程的基础知识和技能。你可以学习到编程语言的基本概念、算法和逻辑思维等内容。初级编程课是一门实验课，共计4学分。你对这门课程感兴趣吗？

user

感谢兴趣，帮我订下吧！

AI

好的！我会帮你订下初级编程课。请提供你的学生信息，包括学号和姓名，以便我为你完成选课手续。

user

我现在还很缺学分，帮我选一门，分数最高的选修课

AI

当然可以帮你选择一门分数最高的选修课。我们有文学欣赏课和交响乐欣赏课可供选择。这两门课程都是选修课，但是文学欣赏课是3学分，而交响乐欣赏课是2学分。如果你希望获得更多学分，我建议你选择文学欣赏课。这门课程将帮助你提高对文学作品的理解和欣赏能力。你对这门课程感兴趣吗？

user

我现在大四了，我的物理实验课还没有修，帮我选一下

AI

非常抱歉，根据你的学年，物理实验课只限于大一学生修读。如果你还需要补修物理实验课，我建议你咨询学校的教务处或者相关的学术指导老师，看看是否有其他的解决方案。他们可能会为你提供一些适合你学年的选课建议。祝你顺利完成学业！

user

非常抱歉，我是一个选课小助手，无法帮你点外卖。如果你需要点外卖，建议你使用手机上的外卖平台或者打电话给外卖店进行订餐。祝你用餐愉快！如果你还有其他选课相关的问题，我会很乐意帮助你。

笔记 编程 模型 全栈工程师 系统

0 人点赞