当我们需要将大段文档转化为问答对时,OpenAI的GPT-3.5模型提供了一个强大的工具。这个教程将向您展示如何编写一个Python脚本,利用GPT-3.5的能力,将文档转化为一问一答的问答对。这个流程几乎无需人工介入,能够自动获取问题并生成答案。我们将使用GPT-3.5-16k,以便处理大量文本。
本文参考卡神文章:https://mp.weixin.qq.com/s/1hcufhPJ7P1cXEsAZ7MdRA
同时也参考fastGPT的知识库问答对生成方式。
直接开始流程
首先,您需要安装 Python 和 requests 库(确保已经安装),并在 OpenAI 官网上获取 apiKey 密钥,用来请求 gpt 接口(还需要科学上网工具)。
下面是我已经验证过的 Python 示例,用于将文档转化为问答对。我们假设您的文档保存在一个名为 input_file.txt 的文本文件中。
注:只需修改 api_key 即可,让 input_file.txt 和 python 处在同一文件夹内。
"""
目标:将大段文档通过gpt3.5识别变成一问一答的问答对。
流程:1.gpt自动获取合适的问题;2.gpt自动根据问题和文档生成问答对。
优点:几乎无需人工介入,自动获取问题,自动根据问题生成问答对。
缺点:受限于大模型输入长度限制,可能无法一次性输入全部文档。
建议:使用gpt3.5-16k可以一次输入大量文本,文档最好不超过5000字。
FAQ:
1.Q:gpt两个步骤是否可以合并成一个请求让gpt返回,可以节省约一半的时间和tokens?
A:拆成两次主要是因为问题可能需要人工微调修改后再去生成答案,这样可以提高知识库质量,当然也可以全部自动处理。
2.Q:大模型有字数限制无法大文档一次输入?
A:目前这个没有好的解决办法,只能通过预先拆分大文档为多个文档片段后分批执行。
"""
import datetime
import time
import requests
url = 'https://api.openai.com/v1/chat/completions'
# 替换为您自己的API密钥
api_key = 'sk-xxxxxxxxx'
model = "gpt-3.5-turbo-16k"
prompt1 = '''
#01 你是一个问答对数据集处理专家。
#02 你的任务是根据我给出的内容,生成适合作为问答对数据集的问题。
#03 问题要尽量短,不要太长。
#04 一句话中只能有一个问题。
#05 生成的问题必须宏观、价值,不要生成特别细节的问题。
#06 生成问题示例:
"""
权益型基金的特点有哪些方面?
介绍一下产品经理。
"""
#07 以下是我给出的内容:
"""
{{此处替换成你的内容}}
"""
'''
prompt2 = '''
#01 你是一个问答对数据集处理专家。
#02 你的任务是根据我的问题和我给出的内容,生成对应的问答对。
#03 答案要全面,多使用我的信息,内容要更丰富。
#04 你必须根据我的问答对示例格式来生成:
"""
{"content": "基金分类有哪些", "summary": "根据不同标准,可以将证券投资基金划分为不同的种类:(1)根据基金单位是否可增加或赎回,可分为开放式基金和封闭式基金。开放式基金不上市交易(这要看情况),通过银行、券商、基金公司申购和赎回,基金规模不固定;封闭式基金有固定的存续期,一般在证券交易场所上市交易,投资者通过二级市场买卖基金单位。(2)根据组织形态的不同,可分为公司型基金和契约型基金。基金通过发行基金股份成立投资基金公司的形式设立,通常称为公司型基金;由基金管理人、基金托管人和投资人三方通过基金契约设立,通常称为契约型基金。我国的证券投资基金均为契约型基金。(3)根据投资风险与收益的不同,可分为成长型、收入型和平衡型基金。(4)根据投资对象的不同,可分为股票基金、债券基金、货币基金和混合型基金四大类。"}
{"content": "基金是什么", "summary": "基金,英文是fund,广义是指为了某种目的而设立的具有一定数量的资金。主要包括公积金、信托投资基金、保险基金、退休基金,各种基金会的基金。从会计角度透析,基金是一个狭义的概念,意指具有特定目的和用途的资金。我们提到的基金主要是指证券投资基金。"}
#05 我的问题如下:
"""
{{此处替换成你上一步生成的问题}}
"""
#06 我的内容如下:
"""
{{此处替换成你的内容}}
"""
'''
def generate_question(text_content, more=False):
headers = {
"Authorization": f"Bearer {api_key}",
"Content-Type": "application/json",
}
content = "生成适合作为问答对的问题"
if more:
content = "尽可能多生成适合作为问答对的问题"
prompt = prompt1.replace("{{此处替换成你的内容}}", text_content)
data = {
"model": model,
"messages": [
{"role": "system", "content": prompt},
{"role": "user", "content": content}
]
}
start_time = time.time()
response = requests.post(url, headers=headers, json=data, verify=False)
print("耗时", time.time() - start_time)
if response.status_code == 200:
return response.json()["choices"][0]["message"]['content']
else:
print(f"Error: {response.status_code}")
print(response.content)
return None
def generate_qa(text_content, question_text=None):
headers = {
"Authorization": f"Bearer {api_key}",
"Content-Type": "application/json",
}
prompt = prompt2.replace("{{此处替换成你上一步生成的问题}}", question_text).replace("{{此处替换成你的内容}}", text_content)
data = {
"model": model,
"messages": [
{"role": "system", "content": prompt},
{"role": "user", "content": "拼成问答对"}
]
}
start_time = time.time()
response = requests.post(url, headers=headers, json=data, verify=False)
print("耗时", time.time() - start_time)
if response.status_code == 200:
return response.json()["choices"][0]["message"]['content']
else:
print(f"Error: {response.status_code}")
print(response.content)
return None
def write_to_file(content):
timestamp = datetime.datetime.now().strftime("%Y%m%d%H%M%S")
file_name = f"new_file_{timestamp}.txt"
with open(file_name, "w") as file:
file.write(content)
print("File 'new_file.txt' has been created and written.")
def read_file(file_name):
try:
with open(file_name, "r") as file:
content = file.read()
return content
except FileNotFoundError:
print(f"File '{file_name}' not found.")
def main():
text_content = read_file("input_file.txt")
print('text_content\n', text_content)
question_text = generate_question(text_content=text_content, more=True)
print('question_text\n', question_text)
qa_text = generate_qa(text_content=text_content, question_text=question_text)
print('qa_text\n', qa_text)
write_to_file(qa_text)
main()
步骤3:运行脚本
运行上述Python脚本,它将自动从文档中提取问题,并生成与之对应的答案(输出到 new_file_{timestamp}.txt 文件)。这个脚本也会在控制台上显示提取的问题和生成的答案。
通过这个教程,你可以自动将大段文档转化为一问一答的问答对,无需人工干预。你可以对脚本文件再进行调试和改进,以适应你自己的项目。这个方法可以在处理大量文本时非常有用,特别是使用 GPT-3.5-16k 模型,它具有更大的输入长度限制,但是大文档仍然需要先做一些分段处理。后面我还会提供更多 AI 产品教程,欢迎点赞收藏!