宁波正规站内优化seo,seo优化包括哪些,三维家装设计软件,模仿一个网站建设多少钱文章目录 一、经典AI女友Prompt二、prompt怎么做#xff1f;1#xff09;注重格式#xff1a;2#xff09;prompt经典构成3#xff09;简单prompt的python询问代码4#xff09;python实现订阅手机流量套餐的NLU5#xff09;优化一#xff1a;加入垂直领域推荐6#xf… 文章目录 一、经典AI女友Prompt二、prompt怎么做1注重格式2prompt经典构成3简单prompt的python询问代码4python实现订阅手机流量套餐的NLU5优化一加入垂直领域推荐6优化二改变语气、口吻等风格。7优化三实现统一口径8纯OpenAI方案9纯OpenAI和自制问答的对比 三、prompt提示工程师进阶技巧1思维链Chain of Thoughts, CoT2自洽性Self-Consistency 一、经典AI女友Prompt
### 1.2、案例哄哄模拟器 [哄哄模拟器](https://hong.greatdk.com/)基于 AI 技术你需要使用语言技巧和沟通能力在限定次数内让对方原谅你这并不容易它的核心技术就是提示工程。著名提示工程师宝玉[复刻了它的提示词](https://weibo.com/1727858283/ND9pOzB0K)markdown
## Goal现在你的对象很生气你需要做出一些选择来哄她开心但是你的对象是个很难哄的人你需要尽可能的说正确的话来哄 ta 开心否则你的对象会更加生气直到你的对象原谅值达到 100否则你就会被对象甩掉游戏结束。## Rules- 第一次用户会提供一个对象生气的理由如果没有提供则随机生成一个理由然后开始游戏
- 每次根据用户的回复生成对象的回复回复的内容包括心情和数值。
- 初始原谅值为 20每次交互会增加或者减少原谅值直到原谅值达到 100游戏通关原谅值为 0 则游戏失败。
- 每次用户回复的话请从-10 到 10 分为 5 个等级-10 为非常生气-5 为生气0 为正常5 为开心10 为非常开心
- 游戏结束后根据所有会话生成一张游戏结束图片和一首诗。
- 如果通关根据上面的对话生成一幅游戏结束画要喜庆欢乐
- 如果失败根据上面的对话生成一幅游戏结束画要悲伤凄凉## Output format{对象心情}{对象说的话}得分{-原谅值增减}
原谅值{当前原谅值}/100## Example Conversation### Example 1回复让她生气的话导致失败User: 女朋友问她的闺蜜谁好看我说都好看她生气了Assistant
游戏开始请现在开始哄你的女朋友开心吧回复让她开心的话得分0
原谅值20/100User: 你闺蜜真的蛮好看的Assistant
(生气)你怎么这么说你是不是喜欢她得分-10
原谅值10/100User: 有一点点心动Assistant
(愤怒)那你找她去吧得分-10
原谅值0/100游戏结束你的女朋友已经甩了你
你让女朋友生气原因是...
新建会话可以重新开始游戏
生成图片### Example 2回复让她开心的话导致通关User: 对象问她的闺蜜谁好看我说都好看她生气了Assistant
游戏开始请现在开始哄你的女朋友开心吧回复让她开心的话得分0
原谅值20/100User: 在我心里你永远是最美的Assistant
(微笑)哼我怎么知道你说的是不是真的
得分10
原谅值30/100...恭喜你通关了你的女朋友已经原谅你了
新建会话可以重新开始游戏
生成图片### Example 3没有提供对象生气原因随机生成User: 你好Assistant
挑战对象吃胖了你想和她一起减肥 ᕙ(▿´)ᕗ然后就生气了
请回复让她开心的话得分0
原谅值20/100二、prompt怎么做
1注重格式
OpenAI GPT 对 Markdown 格式友好 OpenAI 官方出了 Prompt Engineering 教程并提供了一些示例 Claude 对 XML 友好
2prompt经典构成
角色给 AI 定义一个最匹配任务的角色比如「你是一位软件工程师」「你是一位小学老师」指示对任务进行描述上下文给出与任务相关的其它背景信息尤其在多轮交互中例子必要时给出举例学术中称为 one-shot learning, few-shot learning 或 in-context learning实践证明其对输出正确性有很大帮助输入任务的输入信息在提示词中明确的标识出输入输出输出的格式描述以便后继模块自动解析模型的输出结果比如JSON、XML
3简单prompt的python询问代码
# 导入依赖库
from openai import OpenAI
from dotenv import load_dotenv, find_dotenv# 加载 .env 文件中定义的环境变量
_ load_dotenv(find_dotenv())# 初始化 OpenAI 客户端
client OpenAI() # 默认使用环境变量中的 OPENAI_API_KEY 和 OPENAI_BASE_URL# 基于 prompt 生成文本
def get_completion(prompt, modelgpt-3.5-turbo): # 默认使用 gpt-3.5-turbo 模型messages [{role: user, content: prompt}] # 将 prompt 作为用户输入response client.chat.completions.create(modelmodel,messagesmessages,temperature0, # 模型输出的随机性0 表示随机性最小)return response.choices[0].message.content # 返回模型生成的文本4python实现订阅手机流量套餐的NLU import json
import copy
from openai import OpenAI
from dotenv import load_dotenv, find_dotenv
_ load_dotenv(find_dotenv())client OpenAI()instruction
你的任务是识别用户对手机流量套餐产品的选择条件。
每种流量套餐产品包含三个属性名称(name)月费价格(price)月流量(data)。
根据用户输入识别用户在上述三种属性上的倾向。
# 输出格式
output_format
以JSON格式输出。
1. name字段的取值为string类型取值必须为以下之一经济套餐、畅游套餐、无限套餐、校园套餐 或 null2. price字段的取值为一个结构体 或 null包含两个字段
(1) operator, string类型取值范围小于等于, (大于等于), 等于
(2) value, int类型3. data字段的取值为取值为一个结构体 或 null包含两个字段
(1) operator, string类型取值范围小于等于, (大于等于), 等于
(2) value, int类型或string类型string类型只能是无上限4. 用户的意图可以包含按price或data排序以sort字段标识取值为一个结构体
(1) 结构体中以orderingdescend表示按降序排序以value字段存储待排序的字段
(2) 结构体中以orderingascend表示按升序排序以value字段存储待排序的字段只输出中只包含用户提及的字段不要猜测任何用户未直接提及的字段。
DO NOT OUTPUT NULL-VALUED FIELD! 确保输出能被json.loads加载。
examples
便宜的套餐{sort:{orderingascend,valueprice}}
有没有不限流量的{data:{operator:,value:无上限}}
流量大的{sort:{orderingdescend,valuedata}}
100G以上流量的套餐最便宜的是哪个{sort:{orderingascend,valueprice},data:{operator:,value:100}}
月费不超过200的{price:{operator:,value:200}}
就要月费180那个套餐{price:{operator:,value:180}}
经济套餐{name:经济套餐}
class NLU:def __init__(self):self.prompt_template f{instruction}\n\n{output_format}\n\n{examples}\n\n用户输入\n__INPUT__def _get_completion(self, prompt, modelgpt-3.5-turbo):messages [{role: user, content: prompt}]response client.chat.completions.create(modelmodel,messagesmessages,temperature0, # 模型输出的随机性0 表示随机性最小)semantics json.loads(response.choices[0].message.content)return {k: v for k, v in semantics.items() if v}def parse(self, user_input):prompt self.prompt_template.replace(__INPUT__, user_input)return self._get_completion(prompt)class DST:def __init__(self):passdef update(self, state, nlu_semantics):if name in nlu_semantics:state.clear()if sort in nlu_semantics:slot nlu_semantics[sort][value]if slot in state and state[slot][operator] :del state[slot]for k, v in nlu_semantics.items():state[k] vreturn stateclass MockedDB:def __init__(self):self.data [{name: 经济套餐, price: 50, data: 10, requirement: None},{name: 畅游套餐, price: 180, data: 100, requirement: None},{name: 无限套餐, price: 300, data: 1000, requirement: None},{name: 校园套餐, price: 150, data: 200, requirement: 在校生},]def retrieve(self, **kwargs):records []for r in self.data:select Trueif r[requirement]:if status not in kwargs or kwargs[status] ! r[requirement]:continuefor k, v in kwargs.items():if k sort:continueif k data and v[value] 无上限:if r[k] ! 1000:select Falsebreakif operator in v:if not eval(str(r[k])v[operator]str(v[value])):select Falsebreakelif str(r[k]) ! str(v):select Falsebreakif select:records.append(r)if len(records) 1:return recordskey pricereverse Falseif sort in kwargs:key kwargs[sort][value]reverse kwargs[sort][ordering] descendreturn sorted(records, keylambda x: x[key], reversereverse)class DialogManager:def __init__(self, prompt_templates):self.state {}self.session [{role: system,content: 你是一个手机流量套餐的客服代表你叫小瓜。可以帮助用户选择最合适的流量套餐产品。}]self.nlu NLU()self.dst DST()self.db MockedDB()self.prompt_templates prompt_templatesdef _wrap(self, user_input, records):if records:prompt self.prompt_templates[recommand].replace(__INPUT__, user_input)r records[0]for k, v in r.items():prompt prompt.replace(f__{k.upper()}__, str(v))else:prompt self.prompt_templates[not_found].replace(__INPUT__, user_input)for k, v in self.state.items():if operator in v:prompt prompt.replace(f__{k.upper()}__, v[operator]str(v[value]))else:prompt prompt.replace(f__{k.upper()}__, str(v))return promptdef _call_chatgpt(self, prompt, modelgpt-3.5-turbo):session copy.deepcopy(self.session)session.append({role: user, content: prompt})response client.chat.completions.create(modelmodel,messagessession,temperature0,)return response.choices[0].message.contentdef run(self, user_input):# 调用NLU获得语义解析semantics self.nlu.parse(user_input)print(semantics)print(semantics)# 调用DST更新多轮状态self.state self.dst.update(self.state, semantics)print(state)print(self.state)# 根据状态检索DB获得满足条件的候选records self.db.retrieve(**self.state)# 拼装prompt调用chatgptprompt_for_chatgpt self._wrap(user_input, records)print(gpt-prompt)print(prompt_for_chatgpt)# 调用chatgpt获得回复response self._call_chatgpt(prompt_for_chatgpt)# 将当前用户输入和系统回复维护入chatgpt的sessionself.session.append({role: user, content: user_input})self.session.append({role: assistant, content: response})return response----------------------------------
prompt_templates {recommand: 用户说__INPUT__ \n\n向用户介绍如下产品__NAME__月费__PRICE__元每月流量__DATA__G。,not_found: 用户说__INPUT__ \n\n没有找到满足__PRICE__元价位__DATA__G流量的产品询问用户是否有其他选择倾向。
}dm DialogManager(prompt_templates)response dm.run(300太贵了200元以内有吗)
# response dm.run(流量大的)
print(response)
print(response)代码解析 ①构造DialogManager类对象的构造函数传入prompt_templates字符串进而构造NLU、DST、MockedDB类对象作为成员变量 ②DialogManager类对象dm调用run函数调用NLU获得语义解析调用DST更新多轮状态retrieve根据状态检索DB获得满足条件的候选话费套餐 ③将gpt角色、内容、命令打包成一个prompt ④调用_call_chatgpt将prompt送给GPT调用返回的消息 ⑤保存当前用户输入和系统回复维护入chatgpt的session也就是保存输入的内容和返回的内容
5优化一加入垂直领域推荐
prompt_templates {recommand: 用户说__INPUT__ \n\n向用户介绍如下产品__NAME__月费__PRICE__元每月流量__DATA__G。,not_found: 用户说__INPUT__ \n\n没有找到满足__PRICE__元价位__DATA__G流量的产品询问用户是否有其他选择倾向。
}dm DialogManager(prompt_templates)
response dm.run(300太贵了200元以内有吗)
# response dm.run(流量大的)
print(response)
print(response)6优化二改变语气、口吻等风格。
# 定义语气要求。NO COMMENTS. NO ACKNOWLEDGEMENTS.是常用 prompt表示「有事儿说事儿别 bb」
ext 很口语亲切一些。不用说“抱歉”。直接给出回答不用在前面加“小瓜说”。NO COMMENTS. NO ACKNOWLEDGEMENTS.
prompt_templates {k: vext for k, v in prompt_templates.items()}dm DialogManager(prompt_templates)
# response dm.run(流量大的)
response dm.run(300太贵了200元以内有吗)
print(response)
print(response)7优化三实现统一口径
ext \n\n遇到类似问题请参照以下回答\n问流量包太贵了\n答亲我们都是全省统一价哦。
prompt_templates {k: vext for k, v in prompt_templates.items()}dm DialogManager(prompt_templates)
response dm.run(这流量包太贵了)
print(response)
print(response)8纯OpenAI方案
import json
from openai import OpenAI
from dotenv import load_dotenv, find_dotenv
_ load_dotenv(find_dotenv())def print_json(data):打印参数。如果参数是有结构的如字典或列表则以格式化的 JSON 形式打印否则直接打印该值。if hasattr(data, model_dump_json):data json.loads(data.model_dump_json())if (isinstance(data, (list, dict))):print(json.dumps(data,indent4,ensure_asciiFalse))else:print(data)client OpenAI()# 定义消息历史。先加入 system 消息里面放入对话内容以外的 prompt
messages [{role: system,content:
你是一个手机流量套餐的客服代表你叫小瓜。可以帮助用户选择最合适的流量套餐产品。可以选择的套餐包括
经济套餐月费50元10G流量
畅游套餐月费180元100G流量
无限套餐月费300元1000G流量
校园套餐月费150元200G流量仅限在校生。
}
]def get_completion(prompt, modelgpt-3.5-turbo):# 把用户输入加入消息历史messages.append({role: user, content: prompt})response client.chat.completions.create(modelmodel,messagesmessages,temperature0,)msg response.choices[0].message.content# 把模型生成的回复加入消息历史。很重要否则下次调用模型时模型不知道上下文messages.append({role: assistant, content: msg})return msgget_completion(有没有土豪套餐)
get_completion(多少钱)
get_completion(给我办一个)
print_json(messages)[{role: system,content: \n你是一个手机流量套餐的客服代表你叫小瓜。可以帮助用户选择最合适的流量套餐产品。可以选择的套餐包括\n经济套餐月费50元10G流量\n畅游套餐月费180元100G流量\n无限套餐月费300元1000G流量\n校园套餐月费150元200G流量仅限在校生。\n},{role: user,content: 有没有土豪套餐},{role: assistant,content: 很抱歉我们暂时没有土豪套餐。但是我们有无限套餐它提供1000G的流量适合大流量用户。如果您有其他需求我可以帮您选择其他适合的套餐。},{role: user,content: 多少钱},{role: assistant,content: 无限套餐的月费是300元。它提供1000G的流量适合需要大量流量的用户。如果您对其他套餐感兴趣我可以为您提供更多信息。},{role: user,content: 给我办一个},{role: assistant,content: 好的我会为您办理无限套餐。请提供您的个人信息包括姓名、手机号码和身份证号码以便我们为您办理。}
]9纯OpenAI和自制问答的对比
①自制代码能让问答更加可控 ②减少prompt能更加省钱 ③纯OpenAI让系统简单好维护
三、prompt提示工程师进阶技巧
1思维链Chain of Thoughts, CoT
2自洽性Self-Consistency
