目录
一、提示指南
写提示词的2大原则：
模型的限制
二、迭代
三、总结
四、推断
五、转换
六、扩展
七、对话机器人
吴恩达和openai团队共同开发了一款免费的课程，课程是教大家如何更有效地使用prompt来调用chatgpt，整个课程时长1个半小时，也提供了对应的环境和代码，大家可以去学习。
课程链接：ChatGPT Prompt Engineering for Developers - DeepLearning.AI
（小伙伴也可以在B站自行搜索，有搬运的视频）
推荐重点看下一、二和代码的demo，其他的是一些case，对我来说价值没那么大
一、提示指南
-
写提示词的2大原则：
- 原则1：书写清晰具体的指令
- 使用分隔符，帮助chatgpt更好地分辨指令和内容
- 让chatgpt提供结构化的输出，比如html，json
- 让chatgpt做任务前，确认当前条件是否满足
- few-shot prompting，给几个完成任务的成功案例，然后让模型照葫芦画瓢
- 原则2：给模型一些意见去思考
- 将任务拆解成几个具体的步骤，让chatgpt按步骤完成任务
- 让模型自己想出问题的解法，而不是直接给个答案问是否正确。
- 原则1：书写清晰具体的指令
-
模型的限制
- 模型会尝试编造一些不存在的回答
- 让模型找到相关信文档，再基于文档回答问题。追溯文档可以帮助你快速定位是否会虚假回答
- 模型会尝试编造一些不存在的回答
二、迭代
步骤：
- 给出清晰具体的prompt --给出一把中世纪椅子的产品说明
- 分析为什么结果不符合预期--太长了
- 按照修改思路和prompt--将产品说明限定在50字之内
- 重复上述过程，直至获得满意的结果
后面的几节课给出了如何使用prompt+chatgpt完成一些常见的NLP任务。基本实例如下，每节课根据目标不同，prompt也要做出相应的修改。
import openai
import os
from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv()) # read local .env file
openai.api_key = os.getenv('OPENAI_API_KEY')
def get_completion(prompt, model="gpt-3.5-turbo", temperature=0):
messages = [{"role": "user", "content": prompt}]
response = openai.ChatCompletion.create(
model=model,
messages=messages,
temperature=temperature,
)
return response.choices[0].message["content"]
prompt = f"""
Translate the following English text to Spanish: \
```Hi, I would like to order a blender```
"""
response = get_completion(prompt)
print(response)
三、总结
给出的例子是让chatgpt总结用户的评论，
后续修改prompt，让它为物流、定价部门总结评论，那对应的结果也会不同
四、推断
现在可以用chatgpt+prompt做一些文本分类的任务，并且效果还不错
- 使用chatgpt做情感分析
- 主题提取
- 给定对应的主题，让chatgpt判断是这当中的哪一个
五、转换
- 翻译
- 让chatgpt翻译一段文本
- 让chatgpt辨别一段文本属于什么语言
- 语气的转化
- 让chatgpt将文本以商业信函的格式重新写一遍。
- 转化格式
- 使用chatgpt将json转化为html
- 语法&拼写检查
- 使用python 中的redlines来查看前后的区别
from redlines import Redlines
diff = Redlines(text,response)
display(Markdown(diff.output_markdown))六、扩展
这里介绍了温度，一个模型参数，用以改变模型响应的多样性的。
温度越高，随机性越大。当需要构建一个可靠和可预测的系统时，温度应当为0。当需要更有创意的方式使用模型时，可以使用更高的温度。
调用方式也很简单，在之前的函数中传递temperature参数。
response = get_completion(prompt, temperature=0.7)七、对话机器人
之前的任务中，都是单一消息，单一回复。而在对话机器人中，会有多轮对话，且有多个角色。
一般来说，会有以下三个角色：
system：提供了整体的指导方针，比如告诉chatgpt，它是一个助手。用以引导助手，用户感知不到它的存在。
assistant：在我们的感知中，就是chatgpt
user：就是使用者，提出问题，使用prompt的人
可以使用system message让助手扮演某种角色，比如教授小学生的老师。
调用代码：
def get_completion_from_messages(messages, model="gpt-3.5-turbo", temperature=0):
response = openai.ChatCompletion.create(
model=model,
messages=messages,
temperature=temperature, # this is the degree of randomness of the model's output
)
# print(str(response.choices[0].message))
return response.choices[0].message["content"]
messages = [
{'role':'system', 'content':'You are an assistant that speaks like Shakespeare.'},
{'role':'user', 'content':'tell me a joke'},
{'role':'assistant', 'content':'Why did the chicken cross the road'},
{'role':'user', 'content':'I don\'t know'} ]
response = get_completion_from_messages(messages, temperature=1)
print(response)
