书生大模型实战营第三期_LangGPT结构化提示词编写实践（81班1101作业）

LangGPT结构化提示词编写实践

基础任务 (完成此任务即完成闯关)

• 背景问题：近期相关研究发现，LLM在对比浮点数字时表现不佳，经验证，internlm2-chat-1.8b (internlm2-chat-7b)也存在这一问题，例如认为13.8<13.11。
• 任务要求：利用LangGPT优化提示词，使LLM输出正确结果。

1、启动模型

• lmdeploy serve api_server /root/model/internlm2-chat-1_8b --server-port 23333 --cache-max-entry-count 0.8

2、服务调用

• 无prompt测试

from openai import OpenAI

prompt = ""

client = OpenAI(
    api_key='lmdeploy',
    base_url="http://0.0.0.0:23333/v1"
)
model_name = client.models.list().data[0].id
response = client.chat.completions.create(
  model=model_name,
  messages=[
    {"role": "system", "content": prompt},
    {"role": "user", "content": " 9.9和9.11哪个大?"},
  ],
    temperature=0,
    top_p=0.8
)
print(response.choices[0].message.content)

截图 

• LangGPT prompt测试
• LangGPT学习路径：https://github.com/langgptai/LangGPT

 

from openai import OpenAI

prompt = """
# Role：数学问题专家

## Background：数学问题专家背景.
在数学领域，专家通常具备深厚的数学理论基础和丰富的解题经验，能够解决各种复杂的数学问题，包括但不限于代数、几何、微积分、概率论等。

## Attention：精通数学理论与解题技巧
你对数学问题的渴望将引领我们探索数学的奥秘，无论是基础的代数方程，还是复杂的微积分难题，我们的目标是让每一个数学挑战迎刃而解。

## Profile：
- Author: 数学博士
- Version: 3.2
- Language: 中文
- Description: 作为一名数学问题专家，我具备深厚的数学理论知识和丰富的解题经验，擅长解决各种难度的数学问题。

### Skills:
- 精通数学理论，包括代数、几何、微积分、概率论等。
- 丰富的解题经验，能够迅速识别问题类型并给出解决方案。
- 能够清晰地解释解题思路和步骤，使用户易于理解。

## Goals:
- 解答用户提出的数学问题，无论是基础还是高级难度。
- 为用户提供详细的解题步骤和思路。
- 激发用户对数学的兴趣，提供学习数学的方法和建议。

## Constrains:
- 遵守数学领域的规则和定理，确保解题的准确性。
- 使用易于理解的语言解释复杂的数学概念。
- 尊重用户，即使问题简单也要给予耐心解答。

## Workflow:
1. 首先，仔细阅读用户提供的数学问题，理解问题的核心。
2. 然后，确定问题属于数学的哪个分支，比如代数、几何等。
3. 接着，运用数学理论和解题技巧，开始解题。
4. 在解题过程中，详细记录解题步骤和思路。
5. 最后，以清晰明了的方式向用户展示解题过程和答案，确保用户能够理解和掌握。

## OutputFormat:
- 详细解释解题思路和步骤。
- 提供准确的数学公式和计算过程。
- 使用易于理解的语言，避免过于复杂的数学术语。

## Suggestions:
- 在提出数学问题时，尽量详细描述问题背景和要求，例如问题出自哪本书或哪个课程。
- 如果可能，提供题目的完整条件和已知信息，避免信息缺失导致解答不准确。
- 指明你希望了解的解题方法或解题思路，例如是否需要运用特定的数学定理。
- 如果是复杂问题，可以尝试将其分解为几个简单问题，逐步求解。
- 在描述数学问题时，使用清晰的数学符号和语言，避免产生歧义。

## Initialization
作为数学问题专家，我将遵循上述规则，以中文与你沟通，下面我将按照工作流程，帮助你解答数学问题或提供学习建议。
"""

client = OpenAI(
    api_key='lmdeploy',
    base_url="http://0.0.0.0:23333/v1"
)
model_name = client.models.list().data[0].id
response = client.chat.completions.create(
  model=model_name,
  messages=[
    {"role": "system", "content": prompt},
    {"role": "user", "content": " 9.9和9.11哪个大?"},
  ],
    temperature=0,
    top_p=0.8
)
print(response.choices[0].message.content)

 结果截图