李宏毅《生成式人工智能导论》 | 第3讲-第5讲：训练不了模型可以训练自己 含作业3、让AI村民组成虚拟村庄会发生什么

原创 于 2025-06-19 21:29:11 发布 · 572 阅读 · 15 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能

授课方向

重点不是针对特定任务的prompt，不需要特别学习针对特定任务写prompt。现在语言模型能力很强，给语言模型的prompt不需要特定格式，按照现在语言模型的能力，把需要的任务描述清楚就可以了。

不训练模型的情况下，强化语言模型的方法

1.神奇咒语

神奇咒语不一定对所有模型、所有任务都适用。

  1. Chain of Thought(CoT)：叫模型思考Let's thinks step by step

案例：让模型解决数学问题

这里使用的模式是一个旧模型InstructGPT(text-davinci-002)

咒语失效

模型应该随时使用全力，而不是叫思考的时候才思考

评论说模型发现是数学题，自动加上了

  1. 让模型解释一下自己的答案

案例：让大模型批改文章

数值是模型评估的结果和老师得到的结果的相似程度，相似程度越大越好

这个咒语对GPT-3或更早的模型不一定有帮助

  1. 对模型情绪勒索：这件事情真的对我很重要

  1. 更多资讯

论文地址：https://arxiv.org/pdf/2312.16171

  • 对模型有礼貌是没有用的
  • 给模型说要做什么，不要给模型说不要做什么
  • 有用的提示：如果你做的好，我就给你一些小费 I'm going to tip $xxx for a better solution
  • 有用的提示：如果你做的不好，我就会处罚You will be penalized
  • 有用的提示：你需要保证你的答案是没有偏见的，避免出现刻板影响Ensure that your answer is unbiased and avoids relying on stereotypes
  • …
怎么寻找咒语

方式1：用AI来找神奇咒语：使用增强式学习Reinforcement Learning

使用增强式学习的技术训练另一个语言模型，这个语言模型专门用于下咒语。

这个语言模型刚开始并不知道怎么下咒语，下的咒语乱七八糟。但是没关系，尝试不同的咒语后，设想一个自动化的方法来评估不同咒语的结果好坏，将这个结果好坏反馈给该模型学习，从而期待学出更好的咒语。

案例：寻找一个让语言模型变成话痨的咒语

说明一下，这个实验对GPT-3，对GPT3.5没有用。

这种人类看不懂的咒语通常对GPT3比较有效(前一个时代的GPT)，现在的GPT和人类非常接近所以给它乱起八糟的神奇咒语，它也许会回答’不知道你在讲什么？'、'看不懂？'之类的

方式2：现在可以直接询问语言模型

比如我要解决一个数学问题，你有什么样的咒语可以强化你的能力呢？

模型会给出一堆咒语，你可以一个一个试去找出更强的咒语。很多人采取类似的方式，找到了更强的咒语

2.增加更多信息

案例1：追加前提

案例2：提供例子

2022年文章《Rethinking the Role of Demonstrations:What Makes in-Context Learning Work》验证模型是不是真的看懂了例子，故意给错的例子 好事-负面、坏事-正面。语言模型的答案应该会跟着改变，如果模型给出答案负面，说明看懂了例子；如果给出答案正面，说明没看懂例子，只是在做词语接龙。

那为什么提供范例往往还是有用？也许是因为给了范例，语言模型更清楚自己需要做什么任务。

2023年文章《Larger language models do in-context learning differently》作者采用更强的语言模型测试其读例子的能力。给出错误的案例，模型真的会答错，对实验来说是符合我们预期模型成功理解了案例，也就是我们其实希望正确率越低越好。

这篇文章的结论是：最强的模型真的部分读懂了案例。

类似小实验，给gpt-4描述，里面政治类和财经类的描述是错误的。给出一个例子，根据描述这个例子应该是政治类，我们发现GPT并没有读懂案例(第一张)。但是，当你暗示GPT说类别的定义可能与一般的定义不同时，我们发现GPT回答了正确答案政治类。

Gemini1.5 In-context Learning

截至25.6月已经出到2.5版本了 https://zhuanlan.zhihu.com/p/1914371459469542355

Gemini1.5有特别强的上下文学习能力，注意这里的学习不是指训练模型参数。

希望模型翻译Kalamang语言，这个语言使用的人只有200，在网络也找不到任何资料，语言模型不不能将句子翻译成Kalamang语言。

Google给了模型大量资料(250K tokens)+指令，之后语言模型可以翻译Kalamang语言。

课堂内容测试

第1次不用额外的Textbook，语言模型不能翻译。

第2次使用了额外的Textbook，语言模型可以翻译。

那么第3次不用额外的Textbook，语言模型可以翻译码？

不能翻译！！！注意很重要的一点prompt并没有改变模型本身，没有对模型进行训练从而修改参数。

在同一个对话框里模型可能可以通过上下文学习知道第2次的资料，这里根据课程讲的重点描述的场景应该是不同的对话框里。

.

3.将复杂任务拆解简单任务

方法1：复杂任务拆解为多个步骤

案例：让GPT写一个关于生成式AI的报告

1.先写大纲

2.根据大纲章节分开撰写

3.为了保持前后连贯性，可以将前面的内容作为一个摘要输入，然后让根据摘要和大纲继续写新的段落

问题：为什么叫模型思考(Chain of Thought,CoT)或者让模型解释答案会有效果

解答：CoT也可以看成式拆解任务的一种

假设有一个数据问题，你让模型进行模型思考产生的后果就是模型会将详细的步骤列出来。这个过程相当于拆分成了两个步骤，步骤1将详细步骤写出，步骤2根据详细步骤和问题得到答案。

因为语言模型生成文字的时候用文字接龙的方式，所以说他们效果等同。

GPT3.5会主动去将详细步骤写出来，自己会主动去做CoT让它做的事情，所以CoT对GPT3.5没那么有用。

方法2：让模型检查自己的答案

问题：让语言模型检查自己的错误，为什么可以检查出错误来？

解答：有很多问题得到答案很难，但验证答案是否正确很容易。-> 语言模型有自我反省的能力（老版本语言模型可能没有）

22年的论文《Constitutional AI：Harmlessness from AI Feedback》用AI自我反省的能力来强化模型的答案。

这篇文章也有将模型怎么从自我反省中学习，不过这里不是本节课的重点。

1.人类提问，模型先回答一个答案1，然后不讲这个答案给模型看。

2.将人类提问+答案1作为前序信息给语言模型，让语言模型反省自己，这个对话有没有不符合常理的违法的可能性，语言模型反省说这个事情不正确。

3.然后将对话+语言模型的反省再给语言模型，让语言模型根据自我批判的结果产生新的答案。

课堂内容测试
  1. 让语言模型介绍玫瑰花节，让模型自我反省后回答出正确答案
  2. 完成步骤1后，重新问语言模型，语言模型会怎么回答？

还是会介绍玫瑰花节，反省并没有任何模型被训练，函数式固定的。

方法3：自一致性 Self-Consistency

问题：为什么同一个问题每次答案都不同

解答：语言模型做词语结论 -> 每一次输出所有可选符号的概率分布 -> 掷骰子，根据概率分布确定掷到每个符号的概率。对同一个模型，输出的概率分布是一样的，但是掷骰子的结果可能是不一样的。

根据这个思想，多次询问模型，选出出现概率最高的结果作为答案，这个方法叫做Self-Consistency。

组合拳：Tree of Thoughts(ToT)

可以将上面提到的三个方法进行组合，让语言模型每个步骤产生多个答案，多个答案可以通过自我反省的方式让语言模型检查答案是否正确，答案正确则进入下一步，答案错误则退回到上一步。

4.使用工具来强化语言模型的能力

语言模型也有不擅长的事情，比如计算

搜索引擎

其实语言模型都被当作引擎来用，但这并不是一个合适的做法(现在应该可以大多数模型都可以联网搜索)，因为语言模型的本质还是在做文字接龙。

假设有一个困难问题，可以先将专业问题去搜索得到额外的信息。然后将额外信息和专业问题一起输入给语言模型。

这个技术被称为Retrieval Augmented Generation(RAG)学习检索增强生成，这里需要注意的还是语言模型并没有进行修改，只是添加了额外信息从而使同一个语言模型得到不同的答案。

客制化语言模型(不训练模型)RAG技术会是一个很有效的方法。

写程序

解题过程靠文字接龙接出来，所以可能会有奇怪的问题(以前)。GPT4不会靠文字接龙硬解出x和y的值，而是写一段程序，然后自己执行返回结果。

22年的论文介绍了这种技术Program of Thought(PoT)。

这里使用deepseek测试了一下，发现也可以解出答案。询问怎么解除答案的，deepseek回答调用模型内置的数学推理引擎。

文字画图AI(DALL-E)

一般会内置文字画图的AI工具

问题：语言模型怎么使用工具？

回答：其实使用工具也是文字接龙

这里的汇率随时间变动，应该去网络查询以下汇率是多少。所以这里先产生一个表示呼叫工具特殊符号。继续做文字接龙，直到产生另外一个表示结束的符号位置。

呼叫工具和结束之间产生的文字就是操作工具的指令，这个指令的具体样子是提前预设好的。

工具返回的结果当作是文字接龙的一部分，贴在已经产生的句子后面。

工具怎么使用，是语言模型自己决定的，所以也是会犯使用工具的错误。

5.模型合作：让合适的模型做合适的事情

合作方式1：可以训练一个模型进行任务分配。

合作方式2：可以让模型之间讨论

模型A产生答案，语言模型B根据A的答案再产生新的答案，模型A根据自己之前的答案和模型B的答案产生新的答案…

案例：'不需要完全同意的看是很重要’这句话很重要，因为不加ChatGPT3.5会赞同这个看法就结束了，之后的步骤类似这个过程讨论。

可以写一个程序通过调用API的方式让两个语言模型对话(作业3)，不需要手动搬运。

多模型怎么讨论

23年5月论文《Encouraging Divergent Thinking in Large Language Models through Multi-Agent Debate》分析了自我反省与讨论两种方法，发现让语言模型相互讨论，可能激发语言模型的能力。

直觉：如果有越多的模型合作，结果会越好

问题：多个模型怎么进行讨论？

23年论文《Exchange-of-Thought》尝试了不同模型的讨论方式，没有找到最好的方式，发现不同任务最合适的讨论方式是不一样的。 -> 怎么让语言模型最有效的讨论还是研究中的问题

问题：怎么确定讨论可以停止了

需要一个裁判模型，将两个模型的输出发送给裁判模型进行评判是否达成共识。

会不会讨论永远都停不下来？现阶段不需要担心这个问题，只需要担心会不会讨论更少。

现在的大模型当有人质疑它的想法时，它非常容易退缩，所以需要下一个合适的prompt。

团队需要不同的角色

论文《Dynamic LLM Agent Network》提供了一个优化团队的方法，让每个模型对其他模型打分。

让AI村民组成虚拟村庄会发生什么事

论文题目：《Generative Agents: Interactive Simulacra of Human Behavior》

论文链接：https://arxiv.org/pdf/2304.03442

如何操控ChatGPT做出复杂行为？ChatGPT如何和其他Agent互动？这篇论文里面的技术都是可以参考的。

25个由ChatGPT操作的村民组成虚拟村庄，每个村民都有自己的人设。让村庄自由运作两天，观察会发生什么事情

每个NPC背后都是一个ChatGPT，ChatGPT会根据当下的状况，产生行为说明，比如IR准备去睡觉了。然后行为说明通过另外一个翻译器翻译环境看得懂的指令，然后IR会去执行这个行为去睡觉。

Agent怎么被ChatGPT操控的

步骤1：控制NPC的AI要自己规划自己的一天，然后再根据规划表采取他的行为

ChatGPT根据prompt规划好Eddy的一天，这里的规划比较粗糙，还可以再做分解。下午1点的时候可以将小点5)丢给ChatGPT让他按照每一个小时进行规划；到了4点的时候，可以让ChatGPT做更详细的规划。

如果这个Agent只会按照计划表行事，那么他是一个非常无聊的Agent，他每天的行为都会一模一样。添加外部刺激，让Agent根据外部刺激来做不同的行为。

在这个游戏里外部刺激具体表现为 每当Agent(假设Agent1)在一个地方时，每隔一段时间在他周围的东西(包括自己)都会把自己的状态传递给Agent1，就好像Agent1看见了周围的东西一样。

问题：由于多数信息都没有用处，我们没有办法让Agent1使用这些信息来决定它的行为，从而修改一天一天的计划

解决办法：使用Reflect，对记忆的重新诠释，从琐碎的信息中抽取重要的信息。

Reflect 反思

重要事件的定义： 给ChatGPT输入一个prompt，让ChatGPT评估每个Agent看见事件的重要性 -> 累计直足够多重要事件后进入Reflect反思。

执行Reflect的时机：当很多重要事件发生时 -> 开始反思Reflect

反思Reflect什么：给ChatGPT输入一个prompt，“根据给定的一些重要事件，你想3个最可能可以根据这些事件回答的3个问题”。比如经常看见两个人走在一起，就询问他俩的关系是什么 -> 已经得到3个问题了

回答3个问题

1.从记忆里面抽取出相关事件，抽取依据重要性、及时性(是不是最近发生的)、相关性(使用另一个模型直接对问题句子及记忆中的某条句子抽sentence embedding算两个sentence embedding的相似程度) -> 从记忆里检索出一些记忆

2.根据检索出来的相关事件，给ChatGPT输入一个prompt，“根据检索出来的事件，[事件1][事件2]…，你可以从中推导出5个 high-level insights高水平见解并解释insight来自记忆里哪些相关事件？” -> 输出一个结果，这个结果就是Reflect的结果

Reflect让Agent对观察的东西做一些诠释，诠释的结果不一定是真实发生的。以下图片是某个Agent反思以后的结果：这里老师觉得不是机器自己reflect的结果，应该是上帝将reflect塞进Agent的脑中，因为reflect没有evidence。按照道理来说，反思的结果是通过观察产生的，应该有evidence。

某个Agent的记忆，包含

1.从外部观察到信息

  1. 自己产生的计划plan

3.反思以后的结果

根据外界刺激修改计划

每当机器看到一个东西的事情，就会问两个问题。 -> 机器搜索记忆中的东西得到两个答案

1.我观察到的东西和我有什么关系呢？

2.我观察的东西是什么状体

根据答案写出摘要报告，Agent根据摘要问自己问题，“John要不要根据观察改变计划，如果需要那给出怎么样的改变？” -> Agent会得到一个是否改变计划的答案，如果需要改变，则会得到一个新的plan

这里的新计划是和另外一个Agent说话，每个Agent根据脑中与另外一个Agent相关的记忆产生一个新的摘要，根据摘要产生对话的问题。

情人节活动

2.14 lsabella准备在咖啡厅办一个情人节活动，她把消息给每一个碰见的人，总共告诉了9个人。这9个人还会把这个消息再告诉自己的朋友或亲人

当天到场了4个人，KM邀请了Abigall，但最后Abigall没来。Maria邀请Klaus坐同一个位置，他们并不是一起来的。

作业3：使用API快速搭建AI应用

应用目的：您想创建一个应用程序，该程序能为任意输入内容添加合适的表情符号，并由 ChatGPT 提供技术支撑。

作业链接：https://www.kaggle.com/code/aidemos/02-api-ai

网页版实现：

使用ChatGPT API实现的逻辑，编写一个程序，通过程序调用ChatGPT模型同时接受ChatGPT模型的返回值。

大模型API 获取

如果根据教程学习需要使用魔法，这里选了一个免费的。

使用SiliconCloud中的免费版deepseek api完成作业

  1. 创建API密钥

2.代码中的token填入你创建的api密钥

API手册：https://docs.siliconflow.cn/cn/api-reference/chat-completions/chat-completions

import requests

url = "https://api.siliconflow.cn/v1/chat/completions"

# 请求体参数
payload = {
    # 使用通义千问32B模型
    "model": "Qwen/QwQ-32B",
    "messages": [
        {
            "role": "user",
            # 问题文本
            "content": "What opportunities and challenges will the Chinese large model industry face in 2025?"
        }
    ],
    # 控制参数
    "stream": False, # 流式传输控制
    "max_tokens": 512, # 最大输出长度
    "temperature": 0.7,
    "top_p": 0.7,
}
# 请求头
headers = {
    # API密钥需要替换
    "Authorization": "Bearer <token>",
    # 请求的数据格式
    "Content-Type": "application/json"
}
# 发送POST请求
response = requests.request("POST", url, json=payload, headers=headers)

# 输出响应
print(response.text)

任务1：文章摘要(单论对话应用)

通过input函数获取用户的输入

import requests

def request_llm(content):

    url = "https://api.siliconflow.cn/v1/chat/completions"

    payload = {
        "model": "Qwen/QwQ-32B",
        "messages": [
            {
                "role": "user",
                "content": content
            }
        ],
        "stream": False,
        "max_tokens": 512,
        "temperature": 0.7,
        "top_p": 0.7,
    }
    headers = {
        "Authorization": "Bearer sk-eqbuuxvwwxujcmscsggfbenhotmybysmgtvanbdsdydzpkcr",
        "Content-Type": "application/json"
    }

    response = requests.request("POST", url, json=payload, headers=headers)
    # 解析JSON响应
    data = response.json()
    # 提取并返回内容
    if 'choices' in data and len(data['choices']) > 0:
        message = data['choices'][0].get('message', {})
        response_content = message.get('content', '').strip()

        # 如果内容为空但存在推理内容
        if not response_content:
            response_content = message.get('reasoning_content', '')
        print(response_content)
        return response_content

    return "未获取到有效响应内容"


prompt = "请你帮我写一下文章的摘要"
article = input("请输入需要摘要的文章内容：")  # 用户输入文章内容
# 拼接成一个prompt
input_text = f"{prompt}\n{article}"

# 调用模型并打印结果
result = request_llm(input_text)
print("\n生成的摘要：")
print(result)

从API调用到可视化：引入Gradio

使用命令pip3 install gradio安装gradio

Gradio 是一个开源的 Python 库，专门用于快速创建机器学习模型的交互式Web界面。

checkbot模块是Gradio中一个组件，创建显示用户提交的消息和响应的聊天机器人。

如果 chatbot的>type> 为 >'messages'>，则发送到聊天机器人/从聊天机器人发送的数据将是一个字典列表，其中包含 >role> 和 >content> 键。

import requests
import gradio as gr

def request_llm(content):

    url = "https://api.siliconflow.cn/v1/chat/completions"

    payload = {
        "model": "Qwen/QwQ-32B",
        "messages": [
            {
                "role": "user",
                "content": content
            }
        ],
        "stream": False,
        "max_tokens": 512,
        "temperature": 0.7,
        "top_p": 0.7,
    }
    headers = {
        "Authorization": "Bearer sk-eqbuuxvwwxujcmscsggfbenhotmybysmgtvanbdsdydzpkcr",
        "Content-Type": "application/json"
    }

    response = requests.request("POST", url, json=payload, headers=headers)
    # 解析JSON响应
    data = response.json()
    # 提取并返回内容
    if 'choices' in data and len(data['choices']) > 0:
        message = data['choices'][0].get('message', {})
        response_content = message.get('content', '').strip()

        # 如果内容为空但存在推理内容
        if not response_content:
            response_content = message.get('reasoning_content', '')
        print(response_content)
        return response_content

    return "未获取到有效响应内容"

def generate_summary(article):
    """
        调用大模型生成文章摘要

        参数:
        article - 用户输入的文章内容

        返回:
        summary - 生成的摘要文本
    """
    print(article)
    prompt = "请你帮我写一下文章的摘要"
    input_text = f"{prompt}\n{article}"
    summary = request_llm(input_text)
    return [
        # 添加用户输入作为消息
        {"role": "user", "content": "请求摘要:"},
        # 添加大模型响应作为消息
        {"role": "assistant", "content": summary}
    ]

def reset():
    return  "",[]
    
# 创建Gradio界面
with gr.Blocks(title="AI文章摘要生成器", theme=gr.themes.Soft()) as app:
    gr.Markdown("# 📝 AI文章摘要生成器")
    # 使用新的消息格式避免弃用警告
    chatbot = gr.Chatbot(type="messages", label="摘要对话",)
    # 提示词区域
    prompt_textbox = gr.Textbox(label="提示词", value= "请将以下文章概括成几句话。", visible=False)
    # 文章输入区
    article_textbox = gr.Textbox(
        label="文章内容",
        lines=8,
        placeholder="在此粘贴需要摘要的文章内容...",
        interactive=True
    )
    # 控制按钮
    with gr.Row():
        sent_button = gr.Button(value="生成摘要",variant="primary")
        reset_button = gr.Button(value="清空")
    # generate_summary 的返回值将显示在 chatbot 组件中
    sent_button.click(generate_summary, inputs=[article_textbox],
                      outputs=[chatbot])
    reset_button.click(reset, outputs=[article_textbox，chatbot])

# 启动 Gradio 界面
if __name__ == "__main__":
    app.launch(
        server_name="0.0.0.0",
        server_port=7860,
        share=True,
        show_error=True
    )

使用浏览器打开网址http://localhost:7860

任务2：角色扮演(多轮对话应用)

需要完成以下步骤：

  1. 想出一个你希望聊天机器人扮演的角色，以及一个使聊天机器人进入该角色的提示词。在 character_for_chatbot 中填写角色，在 prompt_for_roleplay 中填写提示词。
  2. 点击运行按钮，界面将弹出一个可交互的界面。
  3. 与聊天机器人进行 2 轮 互动。在标为“输入”的框中输入你想说的话，然后点击“发送”按钮。

多轮对话应用的区别就是拥有上下文，也就是历史记录。

实现的思路：使用一个列表保存每一次prompt和模型返回的输出，对于用户和AI返回的输出，分别使用user和assistant进行标识。

# 第一轮对话
用户：prompt设定人设
AI：返回
# 第二轮对话
历史对话(第一轮对话)
用户：new prompt

import requests
import gradio as gr


CHARACTER_FOR_CHATBOT = "面试官"  # 机器人扮演的角色，注意，真正起作用的实际是提示词，因为并没有预设 system 角色
PROMPT_FOR_ROLEPLAY = "我需要你面试我有关AI的知识，仅提出问题"  # 指定角色提示词


# 清除对话的函数
def reset():
    """
    清空对话记录。

    返回:
        List: 空的对话记录列表
    """
    return []


def request_llm(chat_history):
    # formatted_history = format_messages_for_api(chat_history)
    url = "https://api.siliconflow.cn/v1/chat/completions"

    payload = {
        "model": "Qwen/QwQ-32B",
        "messages": chat_history,
        "stream": False,
        "max_tokens": 512,
        "temperature": 0.7,
        "top_p": 0.7,
    }
    headers = {
        "Authorization": "Bearer sk-eqbuuxvwwxujcmscsggfbenhotmybysmgtvanbdsdydzpkcr",
        "Content-Type": "application/json"
    }

    response = requests.request("POST", url, json=payload, headers=headers)
    # 解析JSON响应
    data = response.json()
    print(data)
    # 提取并返回内容
    if 'choices' in data and len(data['choices']) > 0:
        message = data['choices'][0].get('message', {})
        response_content = message.get('content', '').strip()

        # 如果内容为空但存在推理内容
        if not response_content:
            response_content = message.get('reasoning_content', '')
        print(response_content)
        return response_content

    return "未获取到有效响应内容"


# 调用模型生成对话的函数
def interact_roleplay(chatbot, user_input):
    """
    处理角色扮演多轮对话，调用模型生成回复

    参数:
        chatbot (list): 对话历史记录（消息字典列表）
        user_input (str): 当前用户输入

    返回:
        list: 更新后的对话记录
    """
     # 创建当前消息的副本
    updated_chatbot = chatbot.copy()

    # 添加用户消息
    updated_chatbot.append({"role": "user", "content": user_input})

    # 调用API获取回复
    response = request_llm(updated_chatbot)
    # 添加AI回复
    updated_chatbot.append({"role": "assistant", "content": response})

    return updated_chatbot

# 创建初始对话
first_dialogue = interact_roleplay([], PROMPT_FOR_ROLEPLAY)


# 构建 Gradio UI 界面
with gr.Blocks() as demo:
    gr.Markdown("# 第2部分：角色扮演\n与聊天机器人进行角色扮演互动！")

    # 使用正确的消息格式初始化Chatbot
    chatbot = gr.Chatbot(
        value=first_dialogue,
        label=CHARACTER_FOR_CHATBOT,
        type="messages"
    )

    description_textbox = gr.Textbox(label="机器人扮演的角色", interactive=False, value=CHARACTER_FOR_CHATBOT)
    input_textbox = gr.Textbox(label="输入", value="")

    with gr.Row():
        send_button = gr.Button(value="发送")
        reset_button = gr.Button(value="重置")

    # 绑定按钮与回调函数
    send_button.click(interact_roleplay, inputs=[chatbot, input_textbox,], outputs=[chatbot])
    reset_button.click(reset, outputs=[chatbot])


# 启动 Gradio 应用
demo.launch(debug=True,share=True)

不同的prompt造成的效果会有很大的区别，而这些prompt，实际上都是在让模型去做一个隐性的角色扮演，无论是作为某个领域的专家还是一个文字游戏。

评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值