#LLM入门|Prompt#1.8_聊天机器人_Chatbot

聊天机器人设计

• 以会话形式进行交互，接受一系列消息作为输入，并返回模型生成的消息作为输出。
• 原本设计用于简便多轮对话，但同样适用于单轮任务。

设计思路

• 个性化特性：通过定制模型的训练数据和参数，使机器人拥有特定的个性化特点。
• 专门任务设计：针对特定任务或行为进行设计，模型可针对该任务进行Fine-tune，提高效果和准确性。

优势

• 简化开发：减少了构建聊天机器人所需的工作量和复杂度。
• 灵活性：模型可根据需求进行定制，适应不同的应用场景和用户需求。

应用场景

• 客服机器人：提供自然、有效的客户支持。
• 教育助手：帮助学生解答问题、提供学习指导。
• 娱乐休闲：提供有趣的对话、游戏等娱乐内容。

利用大型语言模型构建定制聊天机器人，为用户提供更加个性化、高效的交互体验，是人工智能技术在对话系统领域的重要应用之一。

一、给定身份

**get_completion**** 方法**

• 适用于单轮对话。
• 将 Prompt 放入类似用户消息的对话框中。

**get_completion_from_messages**** 方法**

• 传入一个消息列表，这些消息可以来自不同的角色。
• 第一条消息作为系统消息，提供总体指示。
• 系统消息用于设置助手的行为和角色，引导其回应。
• 可以想象系统消息在助手的耳边低语，不让用户注意到。
• 用户可以与助手交替，提供对话上下文。

在构建聊天机器人时，您的角色可以是：

• 用户 (user)
• 助手 (assistant)

这些方法有助于引导助手的回应并设置对话的上下文，提供更加个性化和贴切的交互体验。

import openai

# 下文第一个函数即tool工具包中的同名函数，此处展示出来以便于读者对比
def get_completion(prompt, model="gpt-3.5-turbo"):
    messages = [{
   "role": "user", "content": prompt}]
    response = openai.ChatCompletion.create(
        model=model,
        messages=messages,
        temperature=0, # 控制模型输出的随机程度
    )
    return response.choices[0].message["content"]

def get_completion_from_messages(messages, model="gpt-3.5-turbo", temperature=