面向Java开发者的ChatGPT提示词工程（11）扩写

GPT

什么是扩写？

扩写是指将较短的文本交给GPT生成更长的文本。比如：根据一组基本指令，写出一封完整的电子邮件；或者根据一系列主题，创作出一篇包含这些主题的文章。

这样的技术，有着广阔的应用场景，就如同我们可以利用它作为我们头脑风暴的伙伴，帮助我们创新思考，解决问题。然而，我必须坦白，这样的技术也可能被滥用，比如有人可能会利用它产生大量的垃圾邮件，让人头疼。

因此，我想提醒大家，在使用这些技术时，我们要有责任心，要以一种有益于社会，有益于人们的方式来使用。我们的技术，不仅仅是为了解决问题，更是为了创造价值，为了让世界变得更好。

temperature参数

在我们探索如何运用GPT进行文字扩写的过程中，有一个参数值得我们特别关注，那就是temperature。你可以将这个参数理解为GPT的探索性或随机性的度量。举个例子，假设我们输入的短语是“我的属相是”，GPT可能会预测出最有可能的下一个字是“鼠”，然后是“牛”和“虎”。

如果我们将temperature设置为0.0，GPT会始终选择最有可能的下一个字，也就是在这个例子中的“鼠”。然而，如果我们提高temperature的值，GPT就有可能选择不太可能出现的字，甚至在temperature值更高时，它可能会选择“虎”，尽管这个选择只有10%的概率。

你可以想象，随着GPT继续生成更多的字，最终的回答可能会与最初的回答“我的属相是鼠”有所不同。因此，如果你正在构建一个需要可预测响应的应用程序，我建议你将temperature设置为0.0。在我之前的文章中，我们也是将temperature设置为0.0，如果你希望构建一个稳定、可预测的系统，这个选择应该是合适的。

然而，如果你期望以更有创新性的方式使用模型，可能就需要提高temperature的值，以便获得更多不同的输出。

原来我们写的getCompletion方法是这样的（你是否还记得呢？😀）：

public static String getCompletion(String prompt) {
    //国内需要代理
    Proxy proxy = Proxys.http("127.0.0.1", 7890);

    ChatGPT chatGpt = ChatGPT.builder()
            .apiKey(Constants.API_KEY)
            .proxy(proxy)
            .apiHost("https://api.openai.com/") //反向代理地址
            .build()
            .init();

    ChatCompletion chatCompletion = ChatCompletion.builder()
            .messages(Collections.singletonList(Message.of(prompt)))
            .model("gpt-3.5-turbo") // GPT的模型名称
            .temperature(0.0) // GPT输出的随机程度
            .build();

    ChatCompletionResponse response = chatGpt.chatCompletion(chatCompletion);

    return response.getChoices().get(0).getMessage().getContent();
}

因为temperature一直是0.0。所以，我们需要把原来的代码稍微修改一下，让它支持temperature的设置：

public static String getCompletion(String prompt) {
    return getCompletion(prompt, 0.0);
}

public static String getCompletion(String prompt, double temperature) {
    //国内需要代理
    Proxy proxy = Proxys.http("127.0.0.1", 7890);

    ChatGPT chatGpt = ChatGPT.builder()
            .apiKey(Constants.API_KEY)
            .proxy(proxy)
            .apiHost("https://api.openai.com/") //反向代理地址
            .build()
            .init();

    ChatCompletion chatCompletion = ChatCompletion.builder()
            .messages(Collections.singletonList(Message.of(prompt)))
            .model("gpt-3.5-turbo") // GPT的模型名称
            .temperature(temperature) // GPT输出的随机程度
            .build();

    ChatCompletionResponse response = chatGpt.chatCompletion(chatCompletion);

    return response.getChoices().get(0).getMessage().getContent();
}

撰写评论的回复

假设你是一个淘宝卖家，你可能经常会面临这样的问题：如何对买家的评论进行回复？你可能已经厌倦了那些千篇一律、毫无新意的回复，而且这样的回复也无法体现出你对买家的尊重和诚意。那么，有没有一种方法可以让我们的回复变得更有深度、更有诚意呢？

我们可以让GPT充当我们的文案写手，帮助我们对买家的评论进行回复。GPT不仅能够理解评论中的具体内容，还可以用简洁、专业的语气来撰写回复。

public static void main(String[] args) {
    String text = "包包的质感很好，不是软塌塌的料子，背上很百搭，裙子、T恤搭配都很好看，内里还有个带拉链的隔层，放些重要的东西不会掉，包的走线工整，一个线头都没有，细节做的很到位，字母部分印的很好。";

    String prompt = "你是一名文案写手，您的任务是对买家的评论进行回复。\n"
            + "根据三个反引号之间的买家评论，生成回复以感谢买家的评论。\n"
            + "确保使用评论中的具体细节，以简洁且专业的语气撰写。\n\n"
            + "```\n"
            + "%s\n"
            + "```";
    String response = getCompletion(String.format(prompt, text), 0.7);
    System.out.println(response);
}

在我们的代码里，你可能已经注意到了一个名为temperature的参数，其值被设定为0.7。这个参数在代码中起到了什么作用呢？正如上文提到的，temperature的设定与我们的预期结果有着密切的关系。当temperature被设定为0.0时，无论多少次执行，只要提示词相同，你所得到的结果也将可能是相同的。然而，当我们将temperature的值调整为0.7时，情况就会有所不同。此时，即使提示词相同，你每次执行都将会得到不同的结果。这就是temperature参数在我们代码中的神奇之处，它决定了结果的多样性。

运行一下，可以得到如下回复：

尊敬的买家，感谢您对我们包包的细致评价！我们很高兴听到您喜欢我们包包的质感和匹配性。我们深知内部设计的重要性，所以特意加入了带拉链的隔层供您放置重要物品。同时，我们也一直致力于保持产品的工艺精细，字母印制的质量也是我们重视的部分。您的认可是我们努力的最大回报，期待您的再次光临，我们会持续为您提供优质的产品和服务。

不做任何改动，再运行一下，还可以得到和上面不同的回复：