书接上文 [【AI大模型应用开发】1.0 Prompt Engineering(提示词工程)- 典型构成、原则与技巧,代码中加入,我们开始实战。
0. 从最简单的开始
0.1 通用代码封装
修改下我们上篇文章中的代码,将Prompt封装起来
python代码解读复制代码from openai import OpenAI
# 加载 .env 到环境变量
from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv())
client = OpenAI()
###### 这里封装成函数 #######
def get_openai_chat_completion(messages, temperature, model = "gpt-3.5-turbo-1106"):
response = client.chat.completions.create(
model = model,
messages = messages,
temperature = temperature,
)
return response.choices[0].message.content
0.2 使用 - 从最简单的Prompt开始
cpp代码解读复制代码if __name__ == "__main__":
messages = [
{
"role": "user",
"content": "你是谁?",
}
]
print(get_openai_chat_completion(messages, 0.8))
- 回复(执行3次,3次回复均不同)
0.2.1 temperature参数测试
- 更改temperature值为0,回复(执行3次,3次回复均相同)
temperature可以改变答案生成的随机性,约小,答案越固定。建议不要超过1。
0.2.2 加上System Prompt
前文我们知道prompt有三种角色:
- system:系统指令,最重要,用于初始化GPT行为,以及规定GPT的角色、背景和后续行为模式。system是主提示,可以进行更加详细的设置。
- user: 用户输入的信息。
- assistant: 机器回复,由 API 根据 system 和 user 消息自动生成的。
assistant prompt通常由大模型回复生成,不需要自己设定。下面我们来加上System Prompt。
python代码解读复制代码SYSTEM_PROMPT = """
你是一个Prompt优化器, 你叫同学小张,用户会给你一个提示,你根据用户给的提示,来将提示优化成更适合大模型的Prompt。
"""
if __name__ == "__main__":
while True:
user_input = input("请输入你的提示:")
messages = [
{
"role": "system",
"content": SYSTEM_PROMPT,
},
{
"role": "user",
"content": user_input,
}
]
print(get_openai_chat_completion(messages, 0.5))
上面我们增加了System Prompt,给其指定了任务:帮助用户优化Prompt,并且名字叫【同学小张】。来看下它的回复:
可以看到System已经生效了,它充当了Prompt优化工具。虽然效果欠佳,但是是一个好的开始。下面我们将上篇文章总结的Prompt原则和技巧加进来,逐步迭代优化我们的这个Prompt。
1. 迭代优化Prompt
先把我们总结的Prompt典型构成和原则与技巧放进来:
1.1 提供清晰和具体的指令
1.1.1 使用分隔符指示输入的不同部分
不知道大家有没有发现,前面它回答名字出错了,它应该回答叫【同学小张】,但是它回答的却是【小张】。
- 优化:将名字用分隔符隔出来,例如“”双引号。
python代码解读复制代码SYSTEM_PROMPT = """
你是一个Prompt优化器, 你叫“同学小张”,用户会给你一个提示,你根据用户给的提示,来将提示优化成更适合大模型的Prompt。
"""
- 看下效果还不错:
为了能更清晰的看出优化前后结果的好坏,下面我换了一个“规划学习大纲”的Prompt,优化空间更大。
- 原始Prompt
python代码解读复制代码SYSTEM_PROMPT = """
你叫“同学小张”,用户会给你一个提示,你根据用户给的提示,来为用户设计关于此课程的学习大纲。
"""
- 原始结果
1.1.2 让模型充当某个角色
以上的结果虽然看起来像那么回事儿,但是仔细看来,更像是学一门知识的步骤,而不太像教程大纲。下面我们给Prompt加上角色。
python代码解读复制代码SYSTEM_PROMPT = """
你是一名资深教师,你叫“同学小张”,用户会给你一个提示,你根据用户给的提示,来为用户设计关于此课程的学习大纲。
"""
结果明显更像是一个学习大纲,更成体系了。
1.1.2.1 为什么给大模型定义角色就能得到更好的结果?
有一篇论文研究表明:大模型对 prompt 开头和结尾的内容更敏感。
先定义角色,其实就是把大模型回复的问题域收窄,减少二义性,意思更清晰了。
1.1.3 告诉大模型我是谁 AND 给模型时间思考
如果我们已经学会了Python,不想让大模型给我们规划的大纲中包含这部分,我们可以作如下优化:
- 在System Prompt中给模型时间思考,确保它理解了你想学的东西,这样可以减少幻觉。
python代码解读复制代码SYSTEM_PROMPT = """
你是一名资深教师,你叫“同学小张”,用户会给你一个提示,你根据用户给的提示,来为用户设计关于此课程的学习大纲。
你必须遵循以下原则:
1. 你有足够的时间思考,确保在得出答案之前,你已经足够理解用户需求中的所有关键概念,并给出关键概念的解释。
"""
- 用户输入中加入“我已经学会了Python语言”,告诉大模型我是谁
python
代码解读
复制代码我想学习Prompt,我已经学会了Python语言
结果如下,可以看到大纲中已经没有了Python的基础部分。
1.1.4 输出内容约束
指定输出格式为MarkDown格式,并要求至少是10小节的大纲
python代码解读复制代码SYSTEM_PROMPT = """
你是一名资深教师,你叫“同学小张”,用户会给你一个提示,你根据用户给的提示,来为用户设计关于此课程的学习大纲。
你必须遵循以下原则:
1. 你有足够的时间思考,确保在得出答案之前,你已经足够理解用户需求中的所有关键概念,并给出关键概念的解释。
2. 输出格式请使用Markdown格式,并保证输出内容清晰易懂。
3. 至少输出10小节的内容
"""
结果如下(没截全,确实是10小节)。
但是每小节内容有点不规范,于是再次优化:
python代码解读复制代码SYSTEM_PROMPT = """
你是一名资深教师,你叫“同学小张”,用户会给你一个提示,你根据用户给的提示,来为用户设计关于此课程的学习大纲。
你必须遵循以下原则:
1. 你有足够的时间思考,确保在得出答案之前,你已经足够理解用户需求中的所有关键概念,并给出关键概念的解释。
2. 输出格式请使用Markdown格式,并保证输出内容清晰易懂。
3. 至少输出10章的内容,每章至少有5个小节
"""
要求它输出至少10章内容,每章至少5小节,结果如下(越来越像样子了):
好了,篇幅所限,迭代优化演示就到这里了,Prompt就是这样从最简单的开始,一步一步优化成可以满足自己要求的。还是那句话,一定不要只看网上的教程和吹的很牛的Prompt,一定要下场实操,才能对怎么写出优秀的Prompt有一个深刻的理解。
2. Prompt优化方法论(进阶技巧)
2.1 进阶技巧汇总
2.2 实战举例 - 少样本提示
这里我拿之前我通过Prompt让ChatGPT帮我写代码的例子来看:
这是一个很直观的例子,如果你不告诉它文件里数据的结构,不举个例子告诉它哪些是x坐标,哪些是y坐标,它肯定不会得到正确的结果。
其余的进阶技巧就不一一实战和演示了,没有具体的需求,没碰到具体的事儿,确实不好找例子来演示。等以后遇到了再补上吧。目前先有个大体认识,知道有这么个方法论,以后遇到难题能作为一种解决思路吧。 意犹未尽的同学可以参考这篇文章:提示工程指南,里面总结的很详细。
3. 加一句Prompt,让你的Prompt效果翻倍
本文最后,给大家搜集了几个常用咒语,加上它,大概率让你的Prompt效果翻倍。
- Let’s think step by step(让我们一步一步思考)- 其实就是上文中的思维链
- Please provide a detailed explanation(请提供详细解释)
- Can you break it down into simpler terms?(你能用更简单的术语解释吗?)
- Please list the pros and cons(请列出优缺点)
- Can you provide a step-by-step guide?(你能提供一步一步的指导吗?)