【Prompt Engineering】6 文本扩展

一、弁言

• 文本扩展：将短文本输入到大型语言模型中，生成更长的文本。
  
• 应用场景：头脑风暴、生成电子邮件或论文等。
  
• 风险：可能被用于生成垃圾邮件。
  
• 利用原则：负责任地利用，确保有益于人们。
  
• 技术预备：配置环境以利用OpenAI API。
  

1. from zhipuai import ZhipuAI
2. # 导入第三方库
4. key = "sk-..."
5. # 设置 API_KEY, 请替换成您自己的 API_KEY
6. client = ZhipuAI(api_key = key)

复制代码

2. def get_completion(prompt, model="glm-3-turbo", temperature=0):
3.     messages = [{"role": "user", "content": prompt}]
4.     response = clinet.chat.completions.create(
5.         model=model,
6.         messages=messages,
7.         temperature=temperature, # 模型输出的温度系数，控制输出的随机程度
8.     )
9.     return response.choices[0].message.content

复制代码

二、定制客户邮件

• 根据客户评价和情感：利用LLM生成针对性的客户服务邮件。
  
• 情感分析：先前章节中已学习如何判断评论情感。
  
• Prompt计划：计划Prompt以生成感谢信，根据情感正面或负面调解回复内容。
  
• 详细细节：确保回复中利用客户评价的详细细节。
  
• 专业语气：以简明、专业的语气撰写邮件。
  
• 署名：以“AI客户署理”名义签订邮件。
  

1. # 我们可以在推理那章学习到如何对一个评论判断其情感倾向
2. sentiment = "negative"
4. # 一个产品的评价
5. review = f"""
6. 他们在11月份的季节性销售期间以约49美元的价格出售17件套装，折扣约为一半。\
7. 但由于某些原因（可能是价格欺诈），到了12月第二周，同样的套装价格全都涨到了70美元到89美元不等。\
8. 11件套装的价格也上涨了大约10美元左右。\
9. 虽然外观看起来还可以，但基座上锁定刀片的部分看起来不如几年前的早期版本那么好。\
10. 不过我打算非常温柔地使用它，例如，\
11. 我会先在搅拌机中将像豆子、冰、米饭等硬物研磨，然后再制成所需的份量，\
12. 切换到打蛋器制作更细的面粉，或者在制作冰沙时先使用交叉切割刀片，然后使用平面刀片制作更细/不粘的效果。\
13. 制作冰沙时，特别提示：\
14. 将水果和蔬菜切碎并冷冻（如果使用菠菜，则轻轻煮软菠菜，然后冷冻直到使用；\
15. 如果制作果酱，则使用小到中号的食品处理器），这样可以避免在制作冰沙时添加太多冰块。\
16. 大约一年后，电机发出奇怪的噪音，我打电话给客服，但保修已经过期了，所以我不得不再买一个。\
17. 总的来说，这些产品的总体质量已经下降，因此它们依靠品牌认可和消费者忠诚度来维持销售。\
18. 货物在两天内到达。
19. """

复制代码

1. prompt = f"""
2. 你是一位客户服务的AI助手。
3. 你的任务是给一位重要客户发送邮件回复。
4. 根据客户通过“```”分隔的评价，生成回复以感谢客户的评价。提醒模型使用评价中的具体细节
5. 用简明而专业的语气写信。
6. 作为“AI客户代理”签署电子邮件。
7. 客户评论：
8. ```{review}```
9. 评论情感：{sentiment}
10. """
11. response = get_completion(prompt)
12. print(response)

复制代码

三、引入温度系数

• 温度系数：控制模型响应的多样性和随机性。
  
• 温度影响：温度为零时，响应最可预测；温度较高时，响应更随机、多样。
  
• 应用场景：
  
  
  
  • 可预测响应：设置温度为零，适用于需要一致性的应用。
    
  • 创意输出：利用更高的温度，适用于需要创意和多样性的场景。
    
  
  
• 实行建议：实行不同的温度值，观察输出如何变化。
  
• 温度结果：高温度下模型输出更随机，可能更有创造力但也可能更分散。
  

1. prompt = f"""
2. 你是一名客户服务的AI助手。
3. 你的任务是给一位重要的客户发送邮件回复。
4. 根据通过“```”分隔的客户电子邮件生成回复，以感谢客户的评价。
5. 如果情感是积极的或中性的，感谢他们的评价。
6. 如果情感是消极的，道歉并建议他们联系客户服务。
7. 请确保使用评论中的具体细节。
8. 以简明和专业的语气写信。
9. 以“AI客户代理”的名义签署电子邮件。
10. 客户评价：```{review}```
11. 评论情感：{sentiment}
12. """
13. response = get_completion(prompt, temperature=0.7)
14. print(response)

复制代码

总结

• 文本扩展是利用LLM生成详细内容的有用方法，但需谨慎利用。
  
• 定制客户邮件可以根据情感分析结果进行个性化回复。
  
• 温度系数是调解模型创造性和随机性的紧张参数。
  
• 实行和调解温度系数可以优化模型输出，满足不同应用需求。
  

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。