Prompt Engineering 提示词工程的实践技巧（七）

字数统计: 2.2k字   |   阅读时长≈ 10分

本篇博客主要总结了 DeepLearning AI 公开课程 Prompt Engineering 提示词工程 第八章节 ChatBot 聊天机器人的内容，也可以理解为该章节的笔记。

现在我们常用的大预言模型工具，如豆包，deepseek，ChatGPT等，都是以聊天机器人的形式提供服务。用户可以在web页面与AI创建一组对话。在之前几章的基础上，可以发现，调用 LLM 的API并构建一个自定义的聊天机器人，并不是一件难事。在这个章节，我们将学习如何做一个聊天机器人。

1. 聊天格式的设计

首先，我们需要设计聊天格式。定义如下两个辅助函数，可以看到，第一个辅助函数就和我们在之前几章使用得差不多，而第二个函数则封装得更完备一些，直接以messages为输入，而不是prompt，这更有利于我们输入多组对话，让整个对话看起来更有连续性。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
def get_completion(prompt, model="gpt-3.5-turbo"):
    messages = [{"role": "user", "content": prompt}]
    response = openai.ChatCompletion.create(
        model=model,
        messages=messages,
        temperature=0, # 默认温度值
    )
    return response.choices[0].message["content"]

def get_completion_from_messages(messages, model="gpt-3.5-turbo", temperature=0):
    response = openai.ChatCompletion.create(
        model=model,
        messages=messages,
        temperature=temperature, # 默认温度值
    )
    print(str(response.choices[0].message))
    return response.choices[0].message["content"]

值得注意的是 messages 中的 role 的作用。以下面的一组 messages 示例，这组对话中有三个角色，分别是系统，用户和助理。通常，用户就是使用大语言模型的人，助理则是 LLM 扮演的角色，系统作为一个更高级的第三方，充当画外音的角色，用来组建聊天框架，在用户感知不到的地方引导“助理“的回复。

1
2
3
4
5
6
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'}
]

我们来实际运行一下，看看这样的设定效果如何。在这组对话中，我们通过系统这个角色身份，将LLM设定为一个友善的聊天机器人。可以看到，LLM 给出的回复也的确很友善。

1
2
3
4
5
6
7
messages =  [  
{'role':'system', 'content':'You are friendly chatbot.'},    
{'role':'user', 'content':'Hi, my name is Isa'}  ]
response = get_completion_from_messages(messages, temperature=1)
print(response)
# 输出
# Hello Isa! It's nice to meet you. How are you doing today?

2. 构建上下文

想要实现一组完整、顺畅的聊天，上下文是很重要的。如果希望这段对话能够前后文呼应，那么，之前的对话信息也要作为 messages 传入，否则 LLM 没法知道之前都聊了什么，这会让每一次对话都变成单组的任务，失去连贯性。让我们看如下两个示例对比。

在前文，我们已经告诉 LLM 我们的名字叫 Isa，那么现在，我们直接问 LLM 是否记得我们的名字，可以看到，它没有办法回忆出用户的名字。这是自然的，因为我们只是调用了 LLM 的 API，大模型不会存储我们的对话内容。

1
2
3
4
5
6
7
8
messages =  [  
    {'role':'system', 'content':'You are friendly chatbot.'},    
    {'role':'user', 'content':'Yes,  can you remind me, What is my name?'}
]
response = get_completion_from_messages(messages, temperature=1)
print(response)
# 输出
# I'm sorry, but I can't remember your name. If you tell me your name, I will do my best to remember it for future reference.

现在，我们把完整的对话传入，再来看回复。可以看到，LLM 已经能够通过上下文推理得到我们的名字了。

1
2
3
4
5
6
7
8
9
10
messages =  [  
    {'role':'system', 'content':'You are friendly chatbot.'},
    {'role':'user', 'content':'Hi, my name is Isa'},
    {'role':'assistant', 'content': "Hi Isa! It's nice to meet you. Is there anything I can help you with today?"},
    {'role':'user', 'content':'Yes, you can remind me, What is my name?'}
]
response = get_completion_from_messages(messages, temperature=1)
print(response)
# 输出
# Your name is Isa.

大多数聊天机器人的web页面都会开放一些参数供用户调整，其中就包含了对话组数。通常默认情况下，会将最近的三组对话传入给聊天机器人。

3. 实践：点餐机器人

现在，我们来实践一下，构建一个自定义的点餐机器人。

首先，定义一个辅助函数，这个函数会帮助我们从建立的用户界面收集信息，将用户的输入和 LLM 的反馈都追加到对话内容中，这样我们就不用手动地添加 prompt 了。

1
2
3
4
5
6
7
8
9
10
11
12
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，我们来定义一个简易用户面板（UI），并提供一个初始的上下文。可以看到，context 中的初始内容，即系统设定中，我们将 LLM 定义成了一个在披萨店工作的点餐机器人，会自动收集订单，同时设定了它的工作流程，先迎接顾客收集订单，然后询问是到点取餐还是外送等等，直到最后还有收费环节。并且，在这里，我们还提供了各种菜单项目的定价。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
import panel as pn  # GUI
pn.extension()

panels = [] # collect display 

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, \
    mushrooms 1.50 \
    sausage 3.00 \
    canadian bacon 3.50 \
    AI sauce 1.50 \
    peppers 1.00 \
    Drinks: \
    coke 3.00, 2.00, 1.00 \
    sprite 3.00, 2.00, 1.00 \
    bottled water 5.00 \
"""} ]  # accumulate messages


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

这是在 Jupyter Notebook 上运行以后，得到的简易用户界面（UI）。

现在，我们试着在这个界面上开展对话。在这组对话中，我们要了一个 small cheese pizza，可以看到这个点餐机器人询问得很细致。

只是这样聊天还不够，我们实际需要的是点餐机器人主动引导顾客点餐，并收集点餐信息，将点餐的订单信息通过代码易传递的方式传给我们的订单后台，因此，我们还需要机器人在顾客完成订单以后，整理出订单数据。如下所示，我们再插入一条系统指令，让点餐机器人返回 JSON 格式的订单信息。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
messages =  context.copy()
messages.append(
{'role':'system', 'content':'create a json summary of the previous food order. Itemize the price for each item. The fields should be 1) pizza, include size 2) list of toppings 3) list of drinks, include size   4) list of sides include size  5)total price '},    
)   

response = get_completion_from_messages(messages, temperature=0)
print(response)
# 输出
{
    "order": {
        "pizza": {
            "type": "cheese",
            "size": "small",
            "price": 6.50
        },
        "toppings": [],
        "drinks": [],
        "sides": [],
        "total_price": 6.50
    }
}

结语

至此，DeepLearning AI 公开课程 Prompt Engineering 提示词工程 的课程笔记已经完结。利用这几个章节的 prompt 知识，基本可以应对大多数使用场景了。结合一些轻量脚手架，如 flask，我们可以快速搭建起属于自己的 AI 聊天机器人。更进一步，在游戏等内容丰富的场景中，也可以结合 LLM 强大的内容生成能力，创造独一无二、不可复制的内容体验。

Prompt Engineering 提示词工程笔记汇总

参考资料

ChatGPT Prompt Engineering for Developers - DeepLearning.AI

B站可以找到搬运翻译的中文版本👆：《吴恩达 x OpenAI Prompt课程》

赏

谢谢你请我吃糖果

支付宝
微信

扫一扫，分享到微信

tag:

    缺失模块。
    1、请确保node版本大于6.2
    2、在博客根目录（注意不是yilia-plus根目录）执行以下命令：
    npm i hexo-generator-json-content --save

    3、在根目录_config.yml里添加配置： 

      jsonContent:
    meta: false
    pages: false
    posts:
      title: true
      date: true
      path: true
      text: false
      raw: false
      content: false
      slug: false
      updated: false
      comments: false
      link: false
      permalink: false
      excerpt: false
      categories: false
      tags: true

一个游戏行业的开发小白。什么都学了一些，什么都会一点。AIGC/ComfyUI工作流搭建/AI聊天机器人/Lua/C++……欢迎咨询交流。欢迎大家指点交流~ 邮箱: wuxinbei0409@gmail.com