【AI 大模型】提示工程 ③ ( 提示词用法 | 提示词 Prompt 构成 | 提示词位置对权重的影响 | 提示词 Prompt 调优 | OpenAI 的 API 类型 | 提示词重要参数说明 )

最新推荐文章于 2024-07-18 18:15:00 发布

韩曙亮

最新推荐文章于 2024-07-18 18:15:00 发布

阅读量5.6k

点赞数 36

分类专栏：人工智能文章标签：人工智能 prompt 算法 OpenAI 提示词提示词构成提示词调优

本文链接：https://blog.csdn.net/shulianghan/article/details/140103610

版权

人工智能专栏收录该内容

14 篇文章 5 订阅

订阅专栏

一、提示词用法

提示词 Prompt 的两种用法 :

直接提问 : 直接向 GPT 大模型提问 , 得到一个具体问题的答案 , 如 : XXX 错误如何处理 ;
集成应用 : 将提示词 Prompt 集成到自己开发的应用程序中 , 结合自己公司的实际业务状况 , 生成与自己业务相关的一系列提示词 , 如 : 基于公司的一套知识库 + GPT 大模型进行使用 ;

二、提示词 Prompt 构成

1、提示词构成

提示词 Prompt 构成 :

指定角色 : 为大模型指定一个角色 , 明确指出 " 你是一个 XX " 是很有用的 ;
- 如 : 你是一位软件工程师 , 请写出 XXX 代码 ;
- GPT 大模型在训练文本时 , 没有想过角色 , 后来使用时发现添加 " 你是一个 XX " 角色设置非常有效 , 慢慢后面训练大模型时 , 都会将角色作为一个参数设置到训练中, 之后就越来越有效 ;
- 将指定角色 " 你是一个 XX " 提示词 , 必须放在最前面 , 已经有论文研究过了 , 指定角色提示词放在最前面 , 生成的结果最准确 ;
- 大模型对提示词 Prompt 开头和结尾的文本更加敏感 , 最重要的内容要放在开头和结尾 , 开头 > 结尾 ;
任务描述 : 给出一个具体的任务 , 信息越丰富越好 ;
- 如 : 写出 XX 代码 , 实现以下功能 : XX ;
案例说明 : 期望大模型生成特定的输出时 , 给出一个例子 , 可以帮助模型更好地理解任务并生成正确的输出 , 提升输出质量 ;
- 如 : 你是程序员 , 实现 XX 功能 , 例如下面的代码 : XX , 在上述代码的基础上进行微调 ;
输入信息 : 任务的输入信息要在提示词中明确的标识出来 ;
- 如 : 写出的函数输入参数有 X 个 , 分别是 X / X … ;
输出信息 : 详细的描述你对输出信息的要求 , 比如 : 输出格式 , 输出结果个数 , 输出语言 ;
- 如 : 输出 MarkDown 格式的文本 , 输出为英文 , 300 字 ;

2、提示词位置对权重的影响

大模型对提示词 Prompt 开头和结尾的文本更加敏感 , 最重要的内容要放在开头和结尾 , 开头 > 结尾 ;

相对来说重要性不太强的内容 , 放在中间位置 ;

3、定义角色的好处

在文章开头定义角色 , 会将问题领域收窄 , 减少歧义 ,

比如 : 你定义 " 你是一个程序员 " 提示词 , 就会将整个问题领域局限在编程领域 , 当我们提出 " 模式 " 一词时 ,

大模型就会想到设计模式 , 开发模式 ,
而不会想到做饭模式 , 睡觉模式 ,

这样能极大的提升准确性 , 得到更好的输出结果 ;

三、提示词 Prompt 调优

提示词 Prompt 需要不断的进行调优 , 每当通过提示词得到的结果不满意 , 我们就对提示词进行迭代修改 , 不断进行调优 , 直到得到令我们满意的输出为止 ;

1、结合训练数据写提示词

知道训练数据 : 了解提示词的训练数据 , 如果是自己训练的数据 , 肯定知道写什么提示词能得到最佳结果 ;

2、不知道训练数据的情况 - 不断尝试

不知道训练数据 : 如果不知道 GPT 的训练数据 , 那就需要不断与大模型进行聊天 , 了解 GPT 都训练了哪些数据 , 都输出了哪些数据 ;

如何知道 GPT 大模型训练了哪些数据 , 借助这些数据进行提示词 Prompt 的调优 , 以 " 西游记 " 为例 ,

如果知道 GPT ( Generative Pre-trained Transformer ) 大模型训练 " 西游记 " 相关知识文本的数据 , 参考该方面知识的 " 训练数据 " 进行提示词 Prompt 调优 , 是最佳途径 ;

跟 GPT 大模型聊天 , 就聊 " 西游记 " 相关内容 , 聊几十轮对话 , 看看大模型都训练了哪些数据 ;

尽量选择与 GPT 输出的内容类似的文本作为提示词 ;

不断尝试修改提示词 , 增加一个字 , 减少一个字 , 使用不同的间隔和标点符号 , 对输出结果都有一定的影响 ;

该方案有一定的运气成分 , 门槛比较低 ;

3、高质量提示词特征 - 小作文

高质量提示词有如下特点 :

描述具体 : 提示词不能太概括 , 描述的越具体越好 ;
信息丰富 : 提供丰富的上下文信息 , 给出几百上千字的参考信息 ;
没有歧义 : 目标必须明确 , 不能有歧义 , 不能让大模型理解错方向 , 反面案例就是 " 武汉市长江大桥 " ;

高质量的提示词 , 都是几百字或者上千字的 , 内容丰富的 " 小作文 " ;

四、OpenAI 的 API 类型

OpenAI 的大模型出现最早 , 其它的大模型的 API 基本都参考 OpenAI 的大模型 , 学会使用 OpenAI 的 API , 基本其它的大模型提供的 API 都可以很快学会 ;

OpenAI 提供了两种 API 版本 :

续写文本 API : https://platform.openai.com/docs/api-reference/completions/create
对话 API : https://platform.openai.com/docs/api-reference/chat/create

基本上使用对话 API 就可以解决所有问题 , 续写文本 API 几乎很少使用 ;

1、续写文本 API 示例

续写文本 API : https://platform.openai.com/docs/api-reference/completions/create

在这里插入图片描述

官方给出了一个调用 OpenAI 续写文本 API 的 Python 示例代码 :

from openai import OpenAI
client = OpenAI()

client.completions.create(
  model="gpt-3.5-turbo-instruct",
  prompt="Say this is a test",
  max_tokens=7,
  temperature=0
)

在之前的博客【AI 大模型】OpenAI 接口调用 ① ( 安装 openai 软件包 | 查看 openai 软件包版本 | PyCharm 中开发 Python 程序调用 OpenAI 接口 ) 中 , 购买了 API-KEY , 设置 API-KEY 和请求地址 ,

API-KEY 为 sk-6o3KJuuocEXpb1Ug39D0A4913a844fCaBa892eDe9814Df8a ,
请求地址是 https://api.xiaoai.plus/v1 ,

这是一个 GPT 3.5 的 API-KEY ;

from openai import OpenAI

client = OpenAI(
    api_key="sk-6o3KJuuocEXpb1Ug39D0A4913a844fCaBa892eDe9814Df8a",
    base_url="https://api.xiaoai.plus/v1",
)

completion = client.completions.create(
  model="gpt-3.5-turbo-instruct",
  prompt="Say this is a test",
  max_tokens=7,
  temperature=0
)

print(completion.choices[0].message)

在 PyCharm 中直接执行该代码 , 这个代码执行的时间比较长 , 需要等待几分钟左右 , 执行结果如下 :

{'role': 'assistant', 'content': '*nods* Understood. I am now roleplaying as an AI assistant with broad knowledge'}

在这里插入图片描述

2、对话 API 示例

对话 API : https://platform.openai.com/docs/api-reference/chat/create

在这里插入图片描述

官方给出的示例如下 :

from openai import OpenAI
client = OpenAI()

completion = client.chat.completions.create(
  model="gpt-4o",
  messages=[
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": "Hello!"}
  ]
)

print(completion.choices[0].message)

同理 , 设置 API-KEY 和请求地址 ,

API-KEY 为 sk-6o3KJuuocEXpb1Ug39D0A4913a844fCaBa892eDe9814Df8a ,
请求地址是 https://api.xiaoai.plus/v1 ,

这是一个 GPT 3.5 的 API-KEY ;

最终代码如下 :

from openai import OpenAI

client = OpenAI(
    api_key="sk-6o3KJuuocEXpb1Ug39D0A4913a844fCaBa892eDe9814Df8a",
    base_url="https://api.xiaoai.plus/v1",
)

completion = client.chat.completions.create(
  model="gpt-3.5-turbo",
  messages=[
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": "Hello!"}
  ]
)

print(completion.choices[0].message)

在 PyCharm 中执行上述代码 , 执行结果为 :

ChatCompletionMessage(content='Hello! How can I assist you today?', role='assistant', function_call=None, tool_calls=None)

在这里插入图片描述

五、OpenAI API 中的重要参数说明

OpenAI API 中的重要参数说明 :

temperature 参数 : 控制生成结果的多样性 ; 默认值为 0 , 取值范围 0 ~ 2 ;
- 值越高 , 生成的结果越随机 , 设置为 2 基本胡说八道 ;
- 值越低 , 生成的结果越固定 , 0 的时候基本固定 ;
seed 参数 : 随机种子 , 如果不指定则 OpenAI 自己随机决定用什么随机种子 ;
- 指定该 seed 参数后 , 如果 temperature = 0 , 则固定的种子生成的结果是固定的 ;
stream 参数 : 控制是否以数据流模式进行生成 ; 默认值为 False ;
- 如果设置为 True , 在数据流模式下 , 一个字一个字的输出 , 浪费流量 ;
- 默认 False , 整个生成完了 , 在一次性返回 ;
top_p 参数 : 在随机采样时 , 只考虑累计概率前百分之多少的 token , 有助于控制生成文本的多样性 ;
- 与 temperature 参数作用相似 , 不建议与 temperature 一起使用 ;
n 参数 : 一次生成的结果数量 ;
- 使用提示词的自洽性时使用 , 一次返回多个结果再进行比较 ;
max_tokens 参数 : 每条生成结果的最大 token 数量 , 超过这个限制的部分会被截断 ;
- 省钱方案 , 防止某个用户大量消耗 token ;
presence_penalty 参数 : 对已经出现过的 token 的概率进行降权 , 帮助生成更多样化的文本结果 ;
- 避免输出很多重复的话 , 浪费 token ;
frequency_penalty 参数 : 根据 token 的出现频次 , 对其生成概率进行降权 ;
logit_bias 参数 : 对指定的 token 进行手工加权或降权 , 可以通过这个参数来调整特定 token 的生成概率 , 但不常用 ;

OpenAI 参数示例 :

from openai import OpenAI

client = OpenAI(
    api_key="sk-6o3KJuuocEXpb1Ug39D0A4913a844fCaBa892eDe9814Df8a",
    base_url="https://api.xiaoai.plus/v1",
)

completion = client.chat.completions.create(
    model="gpt-3.5-turbo",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Hello!"}
    ],

    # 下面的参数都是默认参数值

    temperature=1,          # 控制生成结果的多样性
    stream=False,           # 控制是否以数据流模式进行生成
    top_p=1,                # 在随机采样时 只考虑累计概率前百分之多少的 token
    n=1,                    # 一次生成的结果数量
    max_tokens=100,         # 每条生成结果的最大 token 数量
    presence_penalty=0,     # 对已经出现过的 token 的概率进行降权
    frequency_penalty=0,    # 根据 token 的出现频次 对其生成概率进行降权
    logit_bias={},          # 对指定的 token 进行手工加权或降权
)

print(completion.choices[0].message)

执行上述代码结果 :

ChatCompletionMessage(content='Hello! How can I assist you today?', role='assistant', function_call=None, tool_calls=None)

在这里插入图片描述

韩曙亮

关注

36
点赞
踩
50

收藏

觉得还不错? 一键收藏
22
评论
【AI 大模型】提示工程 ③ ( 提示词用法 | 提示词 Prompt 构成 | 提示词位置对权重的影响 | 提示词 Prompt 调优 | OpenAI 的 API 类型 | 提示词重要参数说明 )

一、提示词用法二、提示词 Prompt 构成1、提示词构成2、提示词位置对权重的影响3、定义角色的好处三、提示词 Prompt 调优1、结合训练数据写提示词2、不知道训练数据的情况 - 不断尝试3、高质量提示词特征 - 小作文四、OpenAI 的 API 类型1、续写文本 API 示例2、对话 API 示例五、OpenAI API 中的重要参数说明
复制链接

扫一扫