什么是Prompt?Prompt Engineering?
Prompt可以理解为向语言模型提出的问题或者指令,它是激发模型产生特定类型响应的“触发器”。
Prompt Engineering,即提示工程,是近年来随着大型语言模型(LLM,Large Language Models)的发展而兴起的一个重要概念
接下来,让我们学习如何使用Prompt Engineering。
1. 初始化项目:
使用npm init -y
命令在终端(快捷键Ctrl+)快速创建一个
package.json`文件,这是Node.js项目的配置文件。
- npm init -y
2. 安装OpenAI SDK:
通过npm i openai
命令安装OpenAI提供的官方SDK。这一步骤不仅会在你的项目目录中下载必要的库文件,还会自动在package.json
的dependencies
字段添加一条记录,表明该项目依赖于openai
包。
- npm i openai
3. 创建.env文件
利用dotenv
库(通过dotenv.config()
方法)可以将API Key等敏感信息存储在项目根目录下的.env
文件中。这样可以避免将密钥直接写入源代码,减少泄露风险。
- OPENAI_API_KEY =YOUR_API_KEY
4.创建main.js
① 环境变量配置
js
代码解读
require('dotenv').config();
// 环境变量
// console.log(process.env, '------');
② 导入OpenAI模块并创建实例
js
代码解读
const OpenAI = require('openai')//导入模块
// 创建实例
const client = new OpenAI({
apiKey: process.env.OPENAI_API_KEY,
baseURL: 'https://api.chatanywhere.tech/v1'
})
③ 创建异步函数getChatResponse
js
代码解读
// 模型和prompt作为参数
const getChatResponse = async function (model, prompt) {
// 向指定模型发送请求
const response = await client.chat.completions.create({
model: model, // 适合聊天的模型 很多种
messages: [
{
role: 'user',
content: prompt
}
]
})返回
// 第一条消息的content部分
return response.choices[0].message.content
}
④ 主函数main()
- 第一个prompt是一个关于总结文本的请求,要求将一个较长的段落总结成少于20字的一句话。
- 第二个prompt是一个角色扮演场景,要求模型以一致的风格回答一个关于“教我韧性”的问题,模仿对孩子的教导。
js
代码解读
async function main() {
// es6 模板字符串 比"" '' 动态解析
// 多行 特别适合详细的设置prompt
let text = `
您应该提供尽可能清晰、具体的指示,以表达您希望模型执行的任务\
这将引导模型朝向所需的输出,并降低收到无关或不正确响应的可能性。\
不要将写清晰的提示词与写简短的提示词混淆。\
在许多情况下,更长的提示词可以为模型提供更多的清晰度和上下文信息,
从而导致更详细和相关的输出。
`
// llm 的 nlp 总结能力
// 转译
let prompt = `
把用三个反引号括起来的文本总结成一句话,20字以内。
```${text}```
`
const response = await getChatResponse('gpt-3.5-turbo', prompt)
console.log(response);
let prompt2 = `
您的任务是以一致的风格回答问题。
<孩子>: 教我耐心。
<祖父母>: 挖出最深峡谷的河流源于一处不起眼的泉眼;最宏伟的交响乐从单一的音符开始;最复杂的挂毯以一根孤独的线开始编织。
<孩子>: 教我韧性。
`
const response2 = await getChatResponse('gpt-3.5-turbo', prompt2);
console.log(response2)
}
⑤ 运行
调用main()函数运行程序。
js
代码解读
main()
总结
把时间花在设计prompt上,提供清晰、明确的提示,同时利用dotenv.config()
方法存储api密码,注意将重复使用的代码进行封装,拒绝重复复制粘贴。养成良好的编程习惯并结合好prompt进行编程。
如何系统的去学习AI大模型LLM ?
作为一名热心肠的互联网老兵,我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。
但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的 AI大模型资料
包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
所有资料 ⚡️ ,朋友们如果有需要全套 《LLM大模型入门+进阶学习资源包》,扫码获取~
一、全套AGI大模型学习路线
AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!
二、640套AI大模型报告合集
这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
四、AI大模型商业化落地方案
阶段1:AI大模型时代的基础理解
- 目标:了解AI大模型的基本概念、发展历程和核心原理。
- 内容:
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践 - L1.5 GPT应用案例
阶段2:AI大模型API应用开发工程
- 目标:掌握AI大模型API的使用和开发,以及相关的编程技能。
- 内容:
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例 - L2.2 Prompt框架
- L2.2.1 什么是Prompt
- L2.2.2 Prompt框架应用现状
- L2.2.3 基于GPTAS的Prompt框架
- L2.2.4 Prompt框架与Thought
- L2.2.5 Prompt框架与提示词 - L2.3 流水线工程
- L2.3.1 流水线工程的概念
- L2.3.2 流水线工程的优点
- L2.3.3 流水线工程的应用 - L2.4 总结与展望
- L2.1 API接口
阶段3:AI大模型应用架构实践
- 目标:深入理解AI大模型的应用架构,并能够进行私有化部署。
- 内容:
- L3.1 Agent模型框架
- L3.1.1 Agent模型框架的设计理念
- L3.1.2 Agent模型框架的核心组件
- L3.1.3 Agent模型框架的实现细节 - L3.2 MetaGPT
- L3.2.1 MetaGPT的基本概念
- L3.2.2 MetaGPT的工作原理
- L3.2.3 MetaGPT的应用场景 - L3.3 ChatGLM
- L3.3.1 ChatGLM的特点
- L3.3.2 ChatGLM的开发环境
- L3.3.3 ChatGLM的使用示例 - L3.4 LLAMA
- L3.4.1 LLAMA的特点
- L3.4.2 LLAMA的开发环境
- L3.4.3 LLAMA的使用示例 - L3.5 其他大模型介绍
- L3.1 Agent模型框架
阶段4:AI大模型私有化部署
- 目标:掌握多种AI大模型的私有化部署,包括多模态和特定领域模型。
- 内容:
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
学习计划:
- 阶段1:1-2个月,建立AI大模型的基础知识体系。
- 阶段2:2-3个月,专注于API应用开发能力的提升。
- 阶段3:3-4个月,深入实践AI大模型的应用架构和私有化部署。
- 阶段4:4-5个月,专注于高级模型的应用和部署。
这份完整版的所有 ⚡️ 大模型 LLM 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
全套 《LLM大模型入门+进阶学习资源包》↓↓↓ 获取~