Chatgpt学习（一）

在前文中提到了笔记本电脑安装anaconda以及vscode的方法，本文主要介绍chatgpt需要的安装环境以及prompt工程的实现。（参考文献：《面向LLM的入门课程》）

环境部署

首先打开vscode创建一个环境

conda create -n chatgpt python=3.9

第二步，激活环境

conda activate chatgpt

第三步，在当前环境下安装pip，以保证后续安装的包都在此文件夹下面

conda install pip

第四步，引入相关的库

pip install python-dotenv
pip install openai
pip install langchain
pip install tool
pip install werkzeug

第五步，进入openai官网获得一个api key（可参考之前的文章）并保存入

.env

文件中，而后运行如下代码：

import os
import openai
from dotenv import load_dotenv, find_dotenv
# find_dotenv 寻找并定位.env文件的路径
# load_dotenv 读取该.env文件并将文件中的路径加载到当前运行环境中

# 获取prompt的提示与文本
# from tool. import get_completions

# 加载获得环境变量
def get_openai_key():
    _ = load_dotenv(find_dotenv())
    # # 加载获得环境变量
    # openai.api_key = os.environ['OPENAI_API_KEY']
    return os.environ['OPENAI_API_KEY']

def get_completions(prompt, model='gpt-3.5-turbo'):
    messages = [{"role":"user", "content":prompt}]
    response = openai.ChatCompletion.create(
        model = model,
        message = messages,
        temperature = 0,
    )
    return response.choices[0].message["content"]

if __name__ == "main":
    openai.api_key = get_openai_key()

    text = f"""
    给大模型输入prompt，大模型返回completion。\
    经过prompt（指令微调）的LLM是指先在大规模文本数据上进行预训练掌握语言的基本规律，而后在此预训练语言模型的基础上进行训练与微调（即输入特定的指令，而等待其回复/输出对应的正确答案）。
    """
    prompt = f"""
    把用三个反引号括起来的文本总结成一句话。
    '''{text}'''
    """

    response = get_completions(prompt)
    print(response)

至此，chatgpt环境部署结束。

 CHATGPT API 调用程序以及成功的提示

import os
import openai

# openai.api_key = os.getenv('OPENAI_API_KEY')
 
# response = openai.Completion.create(model="text-davinci-003", prompt="Say Hello world", temperature=0, max_toke