我的AI学习 提示词一

已于 2024-12-02 17:53:54 修改
阅读量848 收藏 19
点赞数 23
分类专栏： 大模型技术 文章标签： ai 人工智能
于 2024-10-15 08:16:51 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/liubaobin/article/details/142867534
版权

提示词是什么？
就是和大模型交互时，我们的问题描述。这说简单也简单，说难也很难的，如何让大模型理解我们说的问题，是一个门槛低，天花板很高的任务。在描述中一个字的不同就可能产生不同的结果。就像和人交流一样，也就是把AI当人看，如何让别人理解我们说的话，如何让他理解的意思更接近我们的想法。
比如请给我一个漂亮的女生图片。文心一言输出的图片如下：
在这里插入图片描述这可能不是我们想要的，因为我们没有说漂亮女生的标准，所以可以再详细的描述，例如女生是不带帽子的，且是圆脸，大模型又给我了一副图

在这里插入图片描述
就这样逐渐描述。逐渐调整描述信息, 一步步接近心里想要的答案。调优是一个漫长的过程。一个理想的结果可能需要几个小时，甚至一天的时间。

提示词的典型构成
大家经过几年的摸索。逐渐摸索出一条规则，就是提示词中增加如下描述能是大模型更懂我。
**角色：**给 AI 定义一个最匹配任务的角色，比如：「你是一位软件工程师」「你是一位小学数学老师」
**指示：**对任务进行描述
**上下文：**给出与任务相关的其它背景信息（尤其在多轮交互中）
**例子：**必要时给出举例，学术中称为 Few-Shot Learning 或 In-Context Learning；对输出正确性有很大帮助
输入：任务的输入信息；在提示词中明确的标识出输入
输出：输出的风格、格式描述，引导只输出想要的信息，以及方便后继模块自动解析模型的输出结果，比如（JSON、XML）

对话系统的思路
把大模型用于软件系统的核心思路：

  1. 把输入的自然语言对话，转成结构化的信息（NLU[自然语言理解]）
  2. 用传统软件手段处理结构化信息，得到处理策略
  3. 把策略转成自然语言输出（NLG）
    在这里插入图片描述
    实例及代码
    引用课上老师的例子:
    智能客服根据用户的咨询，推荐最适合的流量包。
    在这里插入图片描述
    在这里插入图片描述
    用 Prompt 实现
# 导入依赖库
from openai import OpenAI
from dotenv import load_dotenv, find_dotenv

# 加载 .env 文件中定义的环境变量,这里记载这登录大模型的OPENAI_API_KEY和OPENAI_BASE_URL
_ = load_dotenv(find_dotenv())

# 初始化 OpenAI 客户端
client = OpenAI()  # 默认使用环境变量中的 OPENAI_API_KEY 和 OPENAI_BASE_URL

上面两行代码相当于如下
client = OpenAI(
api_key=os.getenv(“OPENAI_API_KEY”)
base_url= os.getenv(“OPENAI_BASE_URL”)
)
对于python工程,env就是存放环境变量的文件.
对于代码不做过多的解释了,刚开始都不太懂,但是多练习,多测试就慢慢的懂了

# 基于 prompt 生成文本
# 默认使用 gpt-4o-mini 模型
def get_completion(prompt, response_format="text", model="gpt-4o-mini"):
    messages = [{"role": "user", "content": prompt}]    # 将 prompt 作为用户输入
    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    
        response_format={"type": response_format},# 返回消息的格式，text 或 json_object
    )
    return response.choices[0].message.content    # 返回模型生成的文本

上面两段代码就是大模型的调用,我们通过传递提示词prompt,给大模型,大模型就把最终结果返回出来.

注意:roles的类型有四种
1.user:对话或交互过程中，用户是主要的参与者，提供输入并接收输出,
2.assistant:助手角色通常是指帮助用户完成特定任务的智能体，它根据用户的输入提供相应的反馈或执行任务。助手角色可以是大模型本身，也可以是用户界面的一部分‌, 在应用过程中通常认为是在这里插入代码片大模型.
3.system:系统角色代表整个大语言模型或其运行环境。它负责处理用户的请求，协调AI和用户之间的交互，并提供必要的资源和功能‌
4.tool:通常指的是在该角色下可供使用的一系列工具或资源，用于执行特定任务或支持角色的功能。比如，在一个聊天机器人系统中，"Role"可能是“客服代表”，那么对应的"tool"可能包括客服知识库、快速回复模板、客户信息管理系统等，这些都是为了帮助该角色更有效地完成其工作,一般用于function calling

下面描述Prompt;

# 任务描述
instruction = """
你的任务是识别用户对手机流量套餐产品的选择条件。
每种流量套餐产品包含三个属性：名称，月费价格，月流量。
根据用户输入，识别用户在上述三种属性上的需求是什么。
"""

# 用户输入
input_text = """
办个100G的套餐。
"""

# prompt 模版。instruction 和 input_text 会被替换为上面的内容
prompt = f"""
# 目标
{instruction}

# 用户输入
{input_text}
"""

print("==== Prompt ====")
print(prompt)
print("================")

# 调用大模型
response = get_completion(prompt)
print(response)

prompt多多少少遵从了提示词典型构成.最终根据用户提供的Prompt,产生了结果
结果:用户的需求是选择一个月流量为100G的套餐。关于其他属性（名称和月费价格），用户没有明确说明。
这里其实每次执行产生的结果可能都不一样.

在上述代码中可以也定格式,例如以json格式输出,如下

# 输出格式
output_format = """
以 JSON 格式输出
"""

# 稍微调整下咒语，加入输出格式
prompt = f"""
# 目标
{instruction}

# 输出格式
{output_format}

# 用户输入
{input_text}
"""

# 调用大模型，指定用 JSON mode 输出
response = get_completion(prompt, response_format="json_object")
print(response)

结果会按着我们的意思输出,结果如下
{
“名称”: “100G套餐”,
“月费价格”: null,
“月流量”: “100G”
}

下面对instruction和输出格式做了严格的说明

# 任务描述增加了字段的英文标识符
instruction = """
你的任务是识别用户对手机流量套餐产品的选择条件。
每种流量套餐产品包含三个属性：名称(name)，月费价格(price)，月流量(data)。
根据用户输入，识别用户在上述三种属性上的需求是什么。
"""

# 输出格式增加了各种定义、约束
output_format = """
以JSON格式输出。
1. name字段的取值为string类型，取值必须为以下之一：经济套餐、畅游套餐、无限套餐、校园套餐 或 null；

2. price字段的取值为一个结构体 或 null，包含两个字段：
(1) operator, string类型，取值范围：'<='（小于等于）, '>=' (大于等于), '=='（等于）
(2) value, int类型

3. data字段的取值为取值为一个结构体 或 null，包含两个字段：
(1) operator, string类型，取值范围：'<='（小于等于）, '>=' (大于等于), '=='（等于）
(2) value, int类型或string类型，string类型只能是'无上限'

4. 用户的意图可以包含按price或data排序，以sort字段标识，取值为一个结构体：
(1) 结构体中以"ordering"="descend"表示按降序排序，以"value"字段存储待排序的字段
(2) 结构体中以"ordering"="ascend"表示按升序排序，以"value"字段存储待排序的字段

输出中只包含用户提及的字段，不要猜测任何用户未直接提及的字段，不输出值为null的字段。
"""

input_text = "办个100G以上的套餐"
# input_text = "有没有便宜的套餐"

# 这条不尽如人意，但换成 GPT-4-turbo 就可以了
# input_text = "有没有土豪套餐"

prompt = f"""
# 目标
{instruction}

# 输出格式
{output_format}

# 用户输入
{input_text}
"""

response = get_completion(prompt, response_format="json_object")
print(response)

我们要求办个100G以上的套餐,最终大模型给的结果如下:
{
“data”: {
“operator”: “>=”,
“value”: 100
}
}

提示词的典型构成:角色,指示,.上下文,例子,输入输出.
我们再进一步增加增加例子,让结果更加稳定

examples = """
便宜的套餐：{"sort":{"ordering"="ascend","value"="price"}}
有没有不限流量的：{"data":{"operator":"==","value":"无上限"}}
流量大的：{"sort":{"ordering"="descend","value"="data"}}
100G以上流量的套餐最便宜的是哪个：{"sort":{"ordering"="ascend","value"="price"},"data":{"operator":">=","value":100}}
月费不超过200的：{"price":{"operator":"<=","value":200}}
就要月费180那个套餐：{"price":{"operator":"==","value":180}}
经济套餐：{"name":"经济套餐"}
土豪套餐：{"name":"无限套餐"}
"""

# 有了例子，gpt-4o-mini 也可以了
input_text = "有没有土豪套餐"

# input_text = "办个200G的套餐"
# input_text = "有没有流量大的套餐"
# input_text = "200元以下，流量大的套餐有啥"
# input_text = "你说那个10G的套餐，叫啥名字"

# 有了例子
prompt = f"""
# 目标
{instruction}

# 输出格式
{output_format}

# 举例
{examples}

# 用户输入
{input_text}
"""

response = get_completion(prompt, response_format="json_object")
print(response)

输出结果:{“name”:“无限套餐”}
自己也可以通过多次修改input_text,查看结果.

在上面的例子中无非就是开始的两段基础代码,然后不断的修改Prompt,查看输出结果.代码非常简单

支持多轮对话
把多轮对话放到Prompt的例子中,增加了上下文,

instruction = """
你的任务是识别用户对手机流量套餐产品的选择条件。
每种流量套餐产品包含三个属性：名称(name)，月费价格(price)，月流量(data)。
根据对话上下文，识别用户在上述三种属性上的需求是什么。识别结果要包含整个对话的信息。
"""

# 输出描述
output_format = """
以JSON格式输出。
1. name字段的取值为string类型，取值必须为以下之一：经济套餐、畅游套餐、无限套餐、校园套餐 或 null；

2. price字段的取值为一个结构体 或 null，包含两个字段：
(1) operator, string类型，取值范围：'<='（小于等于）, '>=' (大于等于), '=='（等于）
(2) value, int类型

3. data字段的取值为取值为一个结构体 或 null，包含两个字段：
(1) operator, string类型，取值范围：'<='（小于等于）, '>=' (大于等于), '=='（等于）
(2) value, int类型或string类型，string类型只能是'无上限'

4. 用户的意图可以包含按price或data排序，以sort字段标识，取值为一个结构体：
(1) 结构体中以"ordering"="descend"表示按降序排序，以"value"字段存储待排序的字段
(2) 结构体中以"ordering"="ascend"表示按升序排序，以"value"字段存储待排序的字段

输出中只包含用户提及的字段，不要猜测任何用户未直接提及的字段。不要输出值为null的字段。
"""

# 多轮对话的例子
examples = """
客服：有什么可以帮您
用户：100G套餐有什么

{"data":{"operator":">=","value":100}}

客服：有什么可以帮您
用户：100G套餐有什么
客服：我们现在有无限套餐，不限流量，月费300元
用户：太贵了，有200元以内的不

{"data":{"operator":">=","value":100},"price":{"operator":"<=","value":200}}

客服：有什么可以帮您
用户：便宜的套餐有什么
客服：我们现在有经济套餐，每月50元，10G流量
用户：100G以上的有什么

{"data":{"operator":">=","value":100},"sort":{"ordering"="ascend","value"="price"}}

客服：有什么可以帮您
用户：100G以上的套餐有什么
客服：我们现在有畅游套餐，流量100G，月费180元
用户：流量最多的呢

{"sort":{"ordering"="descend","value"="data"},"data":{"operator":">=","value":100}}
"""

input_text = "哪个便宜"
# input_text = "无限量哪个多少钱"
# input_text = "流量最大的多少钱"

# 多轮对话上下文
context = f"""
客服：有什么可以帮您
用户：有什么100G以上的套餐推荐
客服：我们有畅游套餐和无限套餐，您有什么价格倾向吗
用户：{input_text}
"""

prompt = f"""
# 目标
{instruction}

# 输出格式
{output_format}

# 举例
{examples}

# 对话上下文
{context}
"""

response = get_completion(prompt, response_format="json_object")
print(response)

这会输出如下结果
{
“data”: {
“operator”: “>=”,
“value”: 100
},
“sort”: {
“ordering”: “ascend”,
“value”: “price”
}
}

这里都是非常简单的代码,着重是找一下Prompt提示词的感觉

在这一讲中,主要代码就是是前两断.操作大模型的方法一般写到类中.
提示词的构成,通过给定的例子要好好体会一下.

AI写作优秀提示词分享
字节卷动
05-25 1421
【代码】AI写作优秀提示词分享。
构建企业级提示词管理平台
AI天才研究院
01-05 1662
构建企业级提示词管理平台 关键词：提示词管理平台、企业级、数据处理、用户交互、系统架构设计 摘要：本文将详细探讨如何构建企业级提示词管理平台。我们将从问题背景出发，逐步深入分析核心概念、算法原理、系统设计与项目实战，提供一套完整的解决方案。
一文搞懂 AI智能体、大模型、提示词
lvaolan的博客
12-11 1616
提示词：在AI领域，特别是在自然语言处理(NLP)中，提示词是一种输入形式，用于引导或激发A!模型生成特定的输出。它是一种交互手段，帮助用户更有效地与模型沟通，获取所需信息或执行特定任务。AI智能体：智能体是一种具有一定智能的系统，能够感知其环境，做出决策，并在环境中执行行动。智能体可以是自主的，具有学习和适应的能力，能够执行复杂任务。
Ai提示词不会写，看这一篇就够了！（附：套用模板）
2301_80239908的博客
03-24 3706
如果你已探索过豆包Ai、Kimi、智谱清言等生成式AI工具，那么你对“prompt”（提示词）这一核心概念一定有自己的认知和理解。这里所谓的提示词，其实就是人和AI交互时的输入，是连接你与AI创意源泉的桥梁，“prompt”不仅是触发无限想象的钥匙，更是塑造AI输出内容品质的灵魂所在。它可以是一个问题，也可以是一段描述性的指示，生成式AI可以根据你的指示或者问题，输出你期望的内容。
小学生也能听得懂的大模型 - Transformer 1
2401_85325557的博客
07-29 1259
参考 [小学生也能听得懂的大模型 Transformer 1]
AIGC从入门到实战：提示词写作技巧
AI智能涌现深度研究
09-23 1604
AIGC从入门到实战：提示词写作技巧 1. 背景介绍 1.1 问题的由来 随着人工智能技术的飞速发展，AIGC（人工智能生成内容）已经成为一种重要的内容创作方式，它能够帮助我们更高效、更便捷地创作各种形式的内容，例如文本、图片、视频、音频等
小白入门AI必备的50个高阶DeepSeek提示词，建议收藏
ice829的博客
02-04 8725
你是不是总被AI工具搞得一头雾水？ 别人用DeepSeek写文案、做分析、写代码风生水起，你却连怎么提问都摸不着头脑？ 别慌！今天我为你整理**50个超实用DeepSeek高阶提示词**，覆盖职场、副业、学习、生活全场景，手把手教你用AI实现效率翻倍！ 看完直接复制粘贴，小白秒变大神！
LLM优化提示词方案的方法
最新发布
ZJQ的博客
04-23 130
LLM优化提示词方案的方法 明确目标 结构化表述 提供示例 调整语言 逐步迭代 提示词工程怎么发挥作用的 指令设计优化 结构化输出控制 上下文动态管理 增强意图理解 知识增强 流程控制 结果优化
【人工智能】提示词工程（Prompt Engineering）与三种提示词策略，通过优化提示词来提升回答质量
本本本添哥
01-17 1057
提示词（Prompt）是用户发送给大语言模型的问题、指令或请求，来明确地告诉模型用户想要解决的问题或完成的任务，是大语言模型理解用户需求并据此生成相关、准确回答或内容的基础。对于大语言模型来说，提示词就是用户输入给大语言模型的文本信息。提示词工程（Prompt Engineering）就是研究如何构建和调整提示词，从而让大语言模型实现各种符合用户预期的任务的过程。
25个用好AI大模型的提示词技巧分享
2301_76161259的博客
09-15 1483
研究人员指出，与LLM交互时，无需多余的礼貌用语。直接、清晰地提出问题是关键。例如：“描述人体细胞的结构。”这样的提示既直接又明确，有助于模型迅速准确地给出答案。
揭秘AI精准输出：如何构建完美的AIGC提示词？
猫头虎技术团队：授渔优于赠鱼，兴趣引领智慧，探索之乐尤显珍贵。商务合作+：Libin9iOak ，万粉变现+：CSDNWF，猫头虎承诺每年免费为100名C站创作者做账号流量诊断服务！全网搜：猫头虎技术团队，点击文章底部名片或直接私信我一切皆可谈，快找虎哥！
04-16 3226
在本篇深度解析中，我们将揭秘AIGC（人工智能生成内容）中至关重要的环节——构建完美的提示词。探索提示词的强大影响力及其在实际应用中的显著效果，本文提供了一系列切实可行的策略和示例，旨在帮助技术开发者精准优化AI模型。涵盖自然语言处理的基础知识、先进的提示词优化技巧，及如何融合特定行业需求以定制高效提示词。无论您是AI新手还是资深工程师，本指南都将成为您不可多得的资源，助您一臂之力。关键词包括：AIGC、AI训练、提示词编写技巧、自然语言处理、智能体性能提升。
智能体的提示词，一文搞定如何设定，配置，管理，编写高质量提示词，扣子免费系列教程（13）
涛涛讲AI
01-25 5459
提示词是为大语言模型提供任务指导的自然语言指令，编写清晰明确的提示词很重要，它决定智能体回复是否符合预期。如自媒体文章标题生成器的提示词，明确角色和任务目标。提示词重要性显著，精心设计能提高智能体性能，像健康咨询助手的提示词，明确角色、任务、风格和内容限制，确保提供高质量建议。
“AI智脑提示词：生活的智慧助手“
2401_82680920的博客
01-20 542
如何正确使用AI技术，如何防止技术的滥用，以及如何确保技术的公平和透明，都成为了我们必须思考的问题。此时，人工智能技术中的提示词功能发挥了巨大的作用，尤其在诸如“无忧秘书智脑”这样的先进应用中，其价值更是得以凸显。在这个信息爆炸的时代，提示词的存在大大提升了信息获取的效率，减轻了用户的信息过载问题。，“无忧秘书智脑”中的提示词功能以其强大的信息检索和个性化服务能力，充分展现了人工智能技术的潜力和价值。无论是写作、绘画还是设计，用户只需输入相关的提示词，智脑就能提供丰富的灵感和素材，让创意的火花在指尖绽放。
概念：“系统提示词”和“用户提示词”的区别是什么？
to do , to be .
11-22 2809
在对话型AI应用中，“系统提示词”（System Prompt）与"用户提示词"（User Prompt）有着不同的功能和作用。
心理学文案提示词
03-21
好的，我现在需要处理用户的请求，他们希望寻找与心理学相关的文案或提示词示例。首先，我要理解用户的具体需求是什么。他们可能是在做市场营销、教育培训，或者个人发展相关的内容，需要一些能够引起共鸣或促进积极...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值