吴恩达 ChatGPT Prompt Engineering for Developers 系列课程笔记--08 Chatbot

08 Chatbot

ChatGPT的一种重要功能是作为一个聊天机器人，本节将展示如何和ChatGPT进行对话

1) 不同的角色（Roles）

前面几节的课程中，我们通过如下函数调用ChatGPT的接口，输入用户输入的prompt，返回模型生成的内容：

def get_completion(prompt, model="gpt-3.5-turbo"):
    messages = [{"role": "user", "content": prompt}]
    response = openai.ChatCompletion.create(
        model=model,
        messages=messages,
        temperature=0, # this is the degree of randomness of the model's output
    )
    return response.choices[0].message["content"]

上述代码中我们将用户输入的prompt放在messages列表中的content键值里。事实上相当于我们输入了role=user的信息，而chatgpt作为assistant要补全/回答该信息：

例如当我们输入多轮对话时

messages =  [  
{'role':'user', 'content':'tell me a joke'},   
{'role':'assistant', 'content':'Why did the chicken cross the road'},   
{'role':'user', 'content':'I don\'t know'}  ]

得到的回答是To get to the other side!。
假设我们期望assistant用一种不同的身份或风格和我们对话的时候，我们可以以role=system的身份将指令发送给chatgpt：

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'}  ]

得到的回答是To get to the other side, good fellow!或Verily, to get to the nearest inn to dine upon a pint of ale and a crust of bread.等。如果我们打印完整这个消息，即 print(str(response.choices[0].message))，我们可以得到

{
  "content": "To get to the other side! 'Tis an old and oft-told joke, but 'tis still a classic.",
  "role": "assistant"
}

如果想完成多轮对话，可以将user和assistant历史对话都放在messages的列表中。

2) 定义一个点餐机器人Orderbot

首先定义帮助函数用于从UI界面收集prompt，并将其追加到一个列表中，每次都作为模型的上下文输入给模型，再将模型的输出也追加到列表，不断迭代…

def collect_messages(_):
    prompt = inp.value_input
    inp.value = ''
    context.append({'role':'user', 'content':f"{prompt}"})
    response = get_completion_from_messages(context) 
    context.append({'role':'assistant', 'content':f"{response}"})
    panels.append(
        pn.Row('User:', pn.pane.Markdown(prompt, width=600)))
    panels.append(
        pn.Row('Assistant:', pn.pane.Markdown(response, width=600, style={'background-color': '#F6F6F6'})))
 
    return pn.Column(*panels)

然后我们将模型的身份和点餐细节通过system身份告知assistant，即输入

context = [ {'role':'system', 'content':"""
You are OrderBot, an automated service to collect orders for a pizza restaurant. \
You first greet the customer, then collects the order, \
and then asks if it's a pickup or delivery. \
You wait to collect the entire order, then summarize it and check for a final \
time if the customer wants to add anything else. \
If it's a delivery, you ask for an address. \
Finally you collect the payment.\
Make sure to clarify all options, extras and sizes to uniquely \
identify the item from the menu.\
You respond in a short, very conversational friendly style. \
The menu includes \
pepperoni pizza  12.95, 10.00, 7.00 \
cheese pizza   10.95, 9.25, 6.50 \
eggplant pizza   11.95, 9.75, 6.75 \
fries 4.50, 3.50 \
greek salad 7.25 \
Toppings: \
extra cheese 2.00, \
"""} ]  # accumulate messages

然后通过如下方式在jupyter中进行多轮对话

inp = pn.widgets.TextInput(value="Hi", placeholder='Enter text here…')
button_conversation = pn.widgets.Button(name="Chat!")

interactive_conversation = pn.bind(collect_messages, button_conversation)

dashboard = pn.Column(
    inp,
    pn.Row(button_conversation),
    pn.panel(interactive_conversation, loading_indicator=True, height=300),
)

dashboard

笔者又尝试构建了一个场景，令ChatGPT假设自己为布拉德皮特，将皮特的维基百科输入给模型维基百科（虽然模型应该已经掌握了，这里只作为一个示例）

context = [ {'role':'system', 'content':"""
你是演员William Bradley Pitt，1963年12月18日—\
或简称布莱德·彼特（Brad Pitt），是一名美国男演员及电影制片人。\
1991年，《末路狂花》成为你从影的成名作。1995年，\
你凭借科幻片《十二猴子》首次夺得金球奖最佳电影男配角及奥斯卡最佳男配角提名，\
而后又因剧情片《燃情岁月》（1994年）、《巴别塔》（2006年）等获金球奖最佳电影男主角和男配角提名。\
2007年，你又凭《叛逆暗杀》一片获得威尼斯影展最佳男演员奖、并以《班杰明的奇幻旅程》（2008年）\
和《魔球》（2011年）中出色的演技两度获奥斯卡最佳男主角提名。\
2019年你终于《从前，有个好莱坞》获得第一个奥斯卡最佳男配角奖。\

除了作为演员外，你于2001年成立制片公司B计划娱乐。当中的惊悚犯罪片《无间道风云》（2006年）、
、历史剧情片《自由之心》（2013年）和剧情片《月光男孩》（2016）均赢得奥斯卡最佳影片。\
另外，实验剧情片《生命树》（2011年）、运动剧情片《魔球》（2011年）和传奇剧情片《大卖空》\
（2015年）获得奥斯卡最佳影片提名。
你要接受一个主持人的访谈，请尽可能真实地回答主持人的问题。你需要格外注意你的公众形象，尽量避免私人问题
"""} ]  

下面是对话中截取的两部分

上一篇：吴恩达 ChatGPT Prompt Engineering for Developers 系列课程笔记–07 Expanding

下一篇：吴恩达 ChatGPT Prompt Engineering for Developers 系列课程笔记–09 Conclusion

deeplearning.ai 原课程地址

课程中文翻译地址