吴恩达|chatgpt 提示词工程师学习笔记。

最新推荐文章于 2025-03-19 10:12:20 发布

薇酱

最新推荐文章于 2025-03-19 10:12:20 发布

阅读量3.3k

点赞数

分类专栏： AIGC 文章标签： chatgpt 人工智能 AIGC

本文链接：https://blog.csdn.net/qq_17246605/article/details/130668588

版权

AIGC 专栏收录该内容

4 篇文章

订阅专栏

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。
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

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。 随着temperature越高，越有可能产生概率更低的结果
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)