大模型应用--prompt工程实践

在使用大模型进行prompt 训练时，自己做的相关笔记。

本文以openai<1.0版为例。

1.调用大模型

定义调用openai大模型的函数 get_completion()

def get_completion(prompt, model="gpt-3.5-turbo"):
    messages = [{"role": "user", "content": prompt}]
    response = openai.ChatCompletion.create(
        model=model,
        messages=messages,
        temperature=0,  # 模型输出的随机性，0 表示随机性最小
    )
    print(response)
    return response.choices[0].message["content"]

在openai.ChatCompletion.create函数中，还有以下这些参数：

response = openai.ChatCompletion.create(
        model=model,
        messages=_session,
        # 以下默认值都是官方默认值
        temperature=1,          # 生成结果的多样性 0~2之间，越大越随机，越小越固定
        stream=False,           # 数据流模式，一个个字接收
        top_p=1,                # 随机采样时，只考虑概率前百分之多少的 token。不建议和 temperature 一起使用
        n=1,                    # 一次生成 n 条结果
        max_tokens=100,         # 每条结果最多多少个 token（超过截断）
        presence_penalty=0,     # 对出现过的 token 的概率进行降权
        frequency_penalty=0,    # 对出现过的 token 根据其出现过的频次，对其的概率进行降权
        logit_bias={},        # 对指定 token 的采样概率手工加/降权，不常用
    )

2.定义prompt

下面就开始写prompt中的内容，prompt中的内容通常包含：

	• 角色: 定义一个最匹配任务的角色。
	• 指示{instruction}:对任务进行描述
	• 上下文{context}: 给出与任务相关的其它背景信息 (尤其在多轮交互中)
	• 例子{example}: 必要时给出举例
	• 输入{input_text}:任务的输入信息;在提示词中明确的标识出输入
	• 输出{output_format}: 输出的格式描述，比如 (JSON、XML)

对于以上的内容都可以在propmt中定义。

然后，把各个部分都写到propmt中即可，

prompt = f"""

{instruction}

{output_format}

{context}

{example}

# 用户输入
{input_text}

"""

有很多的方法可以调优

在实际应用的过程中，对于prompt的训练还有很多的方法，需要一点一点实践。

下面的链接是官方给的prompt教程，一起学起来吧！！！

Prompt Engineering Guide | Learn Prompting: Your Guide to Communicating with AI

我是大模型的初学者，慢慢完善，欢迎大佬指点一二，欢迎同学一起学习。