吴恩达 x ChatGPT提示工程教程

原教程： ChatGPT Prompt Engineering for Developers

中文翻译：吴恩达 x OpenAI的Prompt Engineering课程专业翻译版

中英字幕：《ChatGPT提示工程》非官方版中英双语字幕

本文是对ChatGPT Prompt Engineering for Developers课程内容的总结归档，另外课程中的英文Prompt也翻译为中文，方便理解和学习。

原则一：清楚和具体的指示

策略1：使用分隔符

三重引号: """
三重反引号: ```
三重破折号: ---
尖括号: <>
XML标签: <tag> </tag>

text = f"""
你应该尽可能清晰和具体地表达你希望模型做什么。\
这将引导模型朝着期望的输出方向，\
并减少收到无关或错误回应的机会。不要把写清晰的提示和写短的提示混淆。\
在许多情况下，更长的提示为模型提供了更多的清晰度和上下文，\
这可以导致更详细和相关的输出。
"""
prompt = f"""
将由三重反引号括起的文本总结为一句话。
```{text}```
"""
response = get_completion(prompt)
print(response)

策略2：要求结构化输出

JSON, HTML

prompt = f"""
生成一个包含三个虚构书名以及它们的作者和类型的列表。 
以JSON格式提供，包含以下键： 
book_id, title, author, genre.
"""
response = get_completion(prompt)
print(response)

策略3：检查条件是否满足检查完成任务所需的假设

text_1 = f"""
做一杯茶很简单！首先，你需要烧一些开水。在这个过程中，\
拿一个杯子，放入一个茶包。一旦水热了，就把它倒在茶包上。\
让它坐一会儿，让茶可以浸泡。几分钟后，取出茶包。如果你\
喜欢，可以加一些糖或牛奶调味。\
就这样！你就有了一杯美味的茶可以享用了。
"""
prompt = f"""
你将得到由三重反引号括起的文本。
如果它包含一系列的指示，\
将这些指示重写为以下格式：

步骤1 - ...
步骤2 - ...
...
步骤N - ...

如果文本中没有包含一系列的指示，\
那么只需写\"没有提供步骤。\"

'''{text_1}'''
"""
response = get_completion(prompt)
print("对于文本1的完成：")
print(response)

text_2 = f"""
今天阳光明媚，鸟儿在歌唱。这是一个美好的日子，适合在公园散步。花儿在盛开，\
树木在微风中轻轻摇曳。人们都出来了，

享受着美好的天气。有些人在野餐，有些人在玩游戏，或者只是在草地上放松。这是一个完美的日子，可以在户外度过，欣赏大自然的美丽。
"""
prompt = f"""
你将得到由三重引号括起的文本。
如果它包含一系列的指示，\
将这些指示重写为以下格式：

步骤1 - ...
步骤2 - ...
...
步骤N - ...

如果文本中没有包含一系列的指示，\
那么只需写\"没有提供步骤。\"

'''{text_2}'''
"""
response = get_completion(prompt)
print("对于文本2的完成：")
print(response)

策略4：少样本提示。

prompt = f"""
你的任务是以一致的风格回答。

<child>: 教我什么是耐心。

<grandparent>: 深刻的河谷是由一股温和的泉水流出的；\
宏伟的交响乐源于一个单音；\
最复杂的挂毯始于一根孤独的线。

<child>: 教我什么是韧性。
"""
response = get_completion(prompt)
print(response)

原则二：给模型时间”思考”

策略1：明确完成任务所需的步骤

text = f"""
在一个迷人的村庄里，兄妹杰克和吉尔开始了\
从山顶井里取水的任务。他们爬山时，欢快地唱歌，不幸的是\
杰克在一块石头上绊倒，滚下了山，吉尔也跟着他。\
尽管有些破碎，但这对兄妹回到家中，得到了\
安慰的拥抱。尽管发生了这样的事故，\
他们的冒险精神仍然未减，他们\
继续兴奋地探索。
"""
## 示例 1
prompt_1 = f"""
执行以下操作： 
1 - 用一句话总结以下由三重反引号\
括起的文本。
2 - 将摘要翻译成法语。
3 - 列出法语摘要中的每个名字。
4 - 输出一个包含以下\
键的json对象：french_summary, num_names。

用换行符分隔你的答案。

文本:
```{text}```
"""
response = get_completion(prompt_1)
print("示例 1 的完成情况：")
print(response)

要求以指定格式输出

prompt_2 = f"""
你的任务是执行以下操作： 
1 - 用一句话总结以下由<>括起的文本。
2 - 将摘要翻译成法语。
3 - 列出法语摘要中的每个名字。
4 - 输出一个包含以下键的json对象：french_summary, num_names。

使用以下格式：
文本: <需要总结的文本>
摘要: <摘要>
翻译: <摘要的翻译>
名字: <意大利语摘要中的名字列表>
输出的 JSON: <包含摘要和 num_names 的 json>

文本: <{text}>
"""
response = get_completion(prompt_2)
print("\n示例 2 的完成情况：")
print(response)

策略2：在草率得出结论之前，要求模型自行找出解决方案

prompt = f"""
判断学生的解答是否正确。

问题：
我正在建设一个太阳能发电设施，我需要\
帮助计算财务问题。
- 土地每平方英尺100美元
- 我可以以每平方英尺250美元的价格购买太阳能电池板
- 我谈判了一份维护合同，每年将花费我10万美元，以及每平方英尺10美元的额外费用
第一年运营的总成本作为平方英尺数量的函数是多少。

学生的解答：
设x为安装设施的面积（平方英尺）。
成本：
1. 土地成本：100x
2. 太阳能电池板成本：250x
3. 维护成本：100,000 + 10x
总成本：100x + 250x + 100,000 + 10x = 360x + 100,000
"""
response = get_completion(prompt)
print("学生解答的判断：")
print(response)

注意，学生的解答实际上是不正确的。

我们可以通过指导模型先自己解决问题来修复这个问题。

prompt = f"""
你的任务是判断学生的解答是否正确。
为了解决这个问题，请按照以下步骤操作：
- 首先，自己解决这个问题。
- 然后，将你的解答与学生的解答进行比较，评估学生的解答是否正确。
- 在你自己做完这个问题之前，不要判断学生的解答是否正确。

使用以下格式：
问题：
''' 
这里是问题 
'''

学生的解答：
''' 
这里是学生的解答 
'''

实际的解答：
''' 
解答步骤和你的解答在这里 
'''

学生的解答是否与刚刚计算出的实际解答相同：
''' 
是或否 
'''

学生的成绩：
''' 
正确或错误 
'''

问题：
'''
我正在建设一个太阳能发电设施，我需要帮助计算财务问题。 
- 土地每平方英尺100美元
- 我可以以每平方英尺250美元的价格购买太阳能电池板
- 我谈判了一份维护合同，每年将花费我10万美元，以及每平方英尺10美元的额外费用
第一年运营的总成本作为平方英尺数量的函数是多少。
'''

学生的解答：
'''
设x为安装设施的面积（平方英尺）。
成本：
1. 土地成本：100x
2. 太阳能电池板

成本：250x
3. 维护成本：100,000 + 10x
总成本：100x + 250x + 100,000 + 10x = 360x + 100,000
'''

实际的解答：
"""
response = get_completion(prompt)
print("实际解答：")
print(response)

模型的缺陷：

幻觉

prompt = f"""
告诉我关于Boie的AeroGlide UltraSlim智能牙刷的信息
"""
response = get_completion(prompt)
print("关于Boie的AeroGlide UltraSlim智能牙刷的信息：")
print(response)

对提示进行迭代（Iterative Prompt Development）

🎯迭代流程：想法 → 实现（代码/数据） → 实验结果 → 错误分析 → 重复

提示指南

清晰且具体
分析为什么结果没有得到期望的输出
精炼想法和提示
重复

迭代过程

尝试某些操作
分析结果为何不符合你的期望
明确指示，给予更多的思考时间
用一批例子来精炼提示

fact_sheet_chair = """
概览
- 是一系列美丽的中世纪风格办公家具的一部分，
包括文件柜、书桌、书架、会议桌等。
- 提供多种外壳颜色和底座饰面选项。
- 提供塑料背面和前面的布艺（SWC-100） 
或全布艺（SWC-110）在10种布艺和6种皮革选项中选择。
- 底座饰面选项有：不锈钢、哑光黑色、 
光亮白色或铬。
- 椅子可选择有或无扶手。
- 适合家庭或商业环境。
- 适合合同使用。

构造
- 5轮塑料涂层铝底座。
- 气动椅子调节，方便升降。

尺寸
- 宽度 53 厘米 | 20.87”
- 深度 51 厘米 | 20.08”
- 高度 80 厘米 | 31.50”
- 座位高度 44 厘米 | 17.32”
- 座位深度 41 厘米 | 16.14”

选项
- 软地板或硬地板脚轮选项。
- 两种选择的座位泡沫密度： 
 中等（1.8 磅/立方英尺）或高（2.8 磅/立方英尺）
- 无扶手或8位置PU扶手 

材料
外壳底座滑轮
- 铸铝，涂有改性尼龙PA6/PA66涂层。
- 外壳厚度：10 毫米。
座位
- HD36泡沫

原产地
- 意大利
"""

以下方提示举例：

prompt = f"""
你的任务是帮助营销团队根据技术规格表创建一个产品的
零售网站描述。

根据在由三重反引号括起的技术规格中提供的信息
编写产品描述。

技术规格：```{fact_sheet_chair}```
"""
response = get_completion(prompt)
print(response)

错误分析

问题 1. 文本过长

限制单词/句子/字符的数量。

prompt = f"""
你的任务是帮助营销团队根据技术规格表创建一个产品的
零售网站描述。

根据在由三重反引号括起的技术规格中提供的信息
编写产品描述。

最多使用50个词。

技术规格：```{fact_sheet_chair}```
"""
response = get_completion(prompt)
print(response)

问题 2. 文本关注了错误的细节

让它关注对目标受众相关的方面。

prompt = f"""
你的任务是帮助营销团队根据技术规格表创建一个产品的
零售网站描述。

根据在由三重反引号括起的技术规格中提供的信息
编写产品描述。

描述面向家具零售商，
所以应该具有技术性质，并关注产品的构造材料。

最多使用50个词。

技术规格：```{fact_sheet_chair}```
"""
response = get_completion(prompt)
print(response)

prompt = f"""
你的任务是帮助营销团队根据技术规格表创建一个产品的
零售网站描述。

根据在由三重反引号括起的技术规格中提供的信息
编写产品描述。

描述面向家具零售商，
所以应该具有技术性质，并关注产品的构造材料。

在描述的最后，包括技术规格中的每个7字符
产品ID。

最多使用50个词。

技术规格：```{fact_sheet_chair}```
"""
response = get_completion(prompt)
print(response)

问题 3. 描述需要一个尺寸表

要求它提取信息并将其组织成表格。

prompt = f"""
你的任务是帮助营销团队根据技术规格表创建一个产品的
零售网站描述。

根据在由三重反引号括起的技术规格中提供的信息
编写产品描述。

描述面向家具零售商，
所以应该具有技术性质，并关注产品的构造材料。

在描述的最后，包括技术规格中的每个7字符
产品ID。

在描述之后，包括一个给出产品尺寸的表格。表格应有两列。
在第一列中包括尺寸的名称。 
在第二列中只包括英寸的测量。

给表格标题为'产品尺寸'。

将所有内容格式化为可在网站中使用的HTML。 
将描述放在<div>元素中。

技术规格：```{fact_sheet_chair}```
"""

response = get_completion(prompt)
print(response)

案例一：总结文字（Summarizing）

需要总结的文本

prod_review = """
为我女儿的生日买了这个熊猫毛绒玩具，\
她非常喜欢，带着它去处处。它很软，\
超级可爱，脸上的表情看起来很友好。不过我觉得\
我付的钱买到的东西有点小。我觉得可能有\
其他同样价格但更大的选项。它比预期的到货日期早了一天，\
所以我在给她之前自己玩了一下。
"""

用词/句/字符限制进行总结

prompt = f"""
你的任务是生成一个电子商务网站的产品评论的简短总结。

总结下面由三重反引号括起的评论，最多用30个词。

评论：```{prod_review}```
"""

response = get_completion(prompt)
print(response)

总结关注运输和交货的评论

prompt = f"""
你的任务是生成一个电子商务网站的产品评论的简短总结，以便给予\
运输部门反馈。

总结下面由三重反引号括起的评论，最多用30个词，并关注任何提及产品运输和交货的方面。

评论：```{prod_review}```
"""

response = get_completion(prompt)
print(response)

总结关注价格和价值的评论

prompt = f"""
你的任务是生成一个电子商务网站的产品评论的简短总结，以便给予\
负责确定产品价格的定价部门反馈。

总结下面由三重反引号括起的评论，最多用30个词，并关注任何与价格和感知价值相关的方面。

评论：```{prod_review}```
"""

response = get_completion(prompt)
print(response)

得到的总结中包括与关注主题无关的话题。

尝试”提取”而不是”总结”

prompt = f"""
你的任务是从电子商务网站的产品评论中提取相关信息，以便给予运输部门反馈。

从下面由三重引号括起的评论中提取与运输和交货相关的信息。限制为30个词。

评论：```{prod_review}```
"""

response = get_completion(prompt)
print(response)

总结多个产品评论

review_1 = prod_review 

## 立式灯评论
review_2 = """
我需要一个漂亮的卧室灯，这个灯还有额外的存储空间，价格也不高。
快速到货 - 2天就到了。灯的拉绳在运输过程中断了，公司愉快地寄来了一个新的。也在几天内到了。


很容易组装。然后我发现缺了一个零件，所以我联系了他们的客服，他们很快就给我寄来了缺失的零件！
看起来这是一家非常关心他们的客户和产品的公司。
"""

## 电动牙刷评论
review_3 = """
我的牙科卫生师推荐我使用电动牙刷，
这就是我为什么会买这个。到目前为止，电池寿命似乎相当令人印象深刻。
在初始充电和第一周内插入充电器以调整电池后，
我已经拔掉了充电器，并在过去的3周内每天刷两次牙，都是用同一次充电。
但是牙刷头太小了。我见过的婴儿牙刷比这个还大。
我希望头部更大，刷毛长度不同，以便更好地进入牙齿之间，因为这个做不到。
总的来说，如果你能以50美元左右的价格买到这个，那是个好交易。
制造商的替换头相当贵，但你可以买到价格更合理的通用品牌。
这款牙刷让我感觉每天都去过牙医。我的牙齿感觉闪闪发光的干净！
"""

## 搅拌机评论
review_4 = """
所以，他们在11月份还有17件套系统的季节性销售，价格大约在49美元左右，
大约半价，但是出于某种原因（称之为价格欺诈）在12月的第二周，
同样的系统的价格都涨到了70-89美元之间。而11件套系统的价格也从之前的销售价格29美元涨了大约10美元左右。
所以看起来还行，但如果你看底座，刀片锁定的部分看起来不如几年前的版本好，
但我打算对它非常温柔（例如，我先在搅拌机中粉碎非常硬的物品，如豆子、冰块、大米等，
然后在我想要的份量中将它们在搅拌机中粉碎，然后换用搅拌刀片进行更细的磨粉，
并在制作奶昔时先使用交叉切割刀片，然后如果我需要它们更细/少浆糊，我会使用平刀片）。
制作奶昔的特别提示，细切并冻结你打算使用的水果和蔬菜（如果使用菠菜-轻

炖软菠菜然后冻结直到准备使用-如果制作冰糕，使用小到中等大小的食品处理器）
这样你就可以避免添加太多的冰，如果有的话-在制作你的奶昔时。 
大约一年后，电机开始发出奇怪的噪音。 
我打电话给客服，但保修期已经过了，所以我不得不再买一个。 
FYI：这类产品的整体质量已经下降，所以他们有点依赖品牌认知度和消费者忠诚度来维持销售。大约两天就收到了。
"""

reviews = [review_1, review_2, review_3, review_4]

for i in range(len(reviews)):
    prompt = f"""
    你的任务是生成一个电子商务网站的产品评论的简短总结。

    总结下面由三重反引号括起的评论，最多用20个词。

    评论：```{reviews[i]}```
    """

    response = get_completion(prompt)
    print(i, response, "\n")

案例二：推理（Inferring）

产品评论文本

lamp_review = """
我需要一个漂亮的灯放在我的卧室，这个灯有额外的存储空间，价格也不高。\
收到货很快。在运输过程中，灯的绳子断了，公司很高兴地送来了一个新的。\
几天内就收到了。很容易组装。我缺了一个零件，所以我联系了他们的支持，他们很快就给我寄来了缺失的零件！\
Lumina在我看来是一个非常好的公司，他们关心他们的客户和产品！！
"""

判断情绪（积极/消极）

prompt = f"""
以下产品评论的情绪是什么，\
评论由三重反引号括起？

评论文本：'''{lamp_review}'''
"""
response = get_completion(prompt)
print(response)

prompt = f"""
以下产品评论的情绪是什么，\
评论由三重反引号括起？

用一个词给出你的答案，要么是"积极"，要么是"消极"。

评论文本：'''{lamp_review}'''
"""
response = get_completion(prompt)
print(response)

识别情绪的类型

prompt = f"""
识别出评论作者表达的一系列情绪。列表中的项目不超过\
五个。将你的答案格式化为由逗号分隔的小写单词列表。

评论文本：'''{lamp_review}'''
"""
response = get_completion(prompt)
print(response)

识别愤怒

prompt = f"""
评论作者是否表达了愤怒？\
评论由三重反引号括起。 \
给出你的答案，要么是是，要么是否。

评论文本：'''{lamp_review}'''
"""
response = get_completion(prompt)
print(response)

从客户评论中提取产品和公司名称

prompt = f"""
从评论文本中识别以下项目：
- 评论者购买的商品
- 制造该商品的公司

评论由三重反引号括起。 \
将你的回答格式化为一个JSON对象，\
"Item"和"Brand"作为键。 
如果信息不存在，使用"unknown" \
作为值。
使你的回答尽可能简短。

评论文本：'''{lamp_review}'''
"""
response = get_completion(prompt)
print(response)

同时进行多项任务

prompt = f"""
从评论文本中识别以下项目：
- 判断情绪（积极或消极）
- 评论者是否表达了愤怒？（真或假）
- 评论者购买的商品
- 制造商品的公司

评论以三重反引号为界限。\
将你的回答格式化为一个JSON对象，\
"Sentiment", "Anger", "Item" 和 "Brand" 作为键。
如果信息不存在，使用 "unknown" \
作为值。
尽可能简短地回答。
将 "Anger" 的值格式化为布尔值。

评论文本：'''{lamp_review}'''
"""
response = get_completion(prompt)
print(response)

推断主题

story = """
在政府最近进行的一项调查中，
公共部门的员工被要求对他们所在的部门
进行满意度评价。
结果显示，NASA是最受欢迎的
部门，满意度评分为95%。

一位NASA的员工，John Smith，对这个发现进行了评论，
他说："我并不惊讶NASA会名列前茅。
这是一个有着出色的人才和
难以置信的机会的工作场所。我为能成为
这样一个创新组织的一部分而感到自豪。"

这个结果也受到了NASA管理团队的欢迎，
总监Tom Johnson表示："我们很高兴
听到我们的员工对在NASA的工作感到满意。
我们有一个才华横溢且全心投入的团队，他们不懈努力
实现我们的目标，看到他们的辛勤工作得到回报真是太好了。"

调查还显示，社会保障局的满意度
评分最低，只有45%的员工表示他们对自己的工作感到满意。政府已经承诺
解决员工在调查中提出的问题，并
致力于提高所有部门的工作满意度。
"""

推断5个主题

prompt = f"""
确定以下文本中正在讨论的五个主题，
文本以三重反引号为界限。

每个项目长度为一到两个词。

将你的回答格式化为一个由逗号分隔的项目列表。

文本样本：'''{story}'''
"""
response = get_completion(prompt)
print(response)

response.split(sep=',')

topic_list = [
    "nasa", "地方政府", "工程", 
    "员工满意度", "联邦政府"
]

为特定主题制作新闻警报

prompt = f"""
确定以下主题列表中的每个项目是否在下面的文本中是一个主题，
文

本以三重反引号为界限。

将你的答案以列表形式给出，每个主题对应0或1。

主题列表：{", ".join(topic_list)}

文本样本：'''{story}'''
"""
response = get_completion(prompt)
print(response)

topic_dict = {i.split(': ')[0]: int(i.split(': ')[1]) for i in response.split(sep='\n')}
if topic_dict['nasa'] == 1:
    print("警告：新的NASA故事！")

案例三：转换（Transforming）

翻译

ChatGPT接受了多种语言的训练。这使得该模型具有翻译能力。以下是一些如何使用这种能力的例子。

prompt = f"""
将以下英文文本翻译为西班牙语： \ 
```Hi, I would like to order a blender```
"""
response = get_completion(prompt)
print(response)

prompt = f"""
告诉我这是什么语言： 
```Combien coûte le lampadaire?```
"""
response = get_completion(prompt)
print(response)

prompt = f"""
将以下文本翻译为法语、西班牙语
和英语海盗语： \
```I want to order a basketball```
"""
response = get_completion(prompt)
print(response)

prompt = f"""
将以下文本翻译为西班牙语的正式和非正式形式： 
'Would you like to order a pillow?'
"""
response = get_completion(prompt)
print(response)

通用翻译器

假设你负责一家大型跨国电商公司的IT部门。用户用他们的母语向你发送IT问题。你的员工来自世界各地，只会说他们的母语。你需要一个通用翻译器！

user_messages = [
  "La performance du système est plus lente que d'habitude.",  ## 系统性能比平时慢         
  "Mi monitor tiene píxeles que no se iluminan.",              ## 我的显示器有像素不亮
  "Il mio mouse non funziona",                                 ## 我的鼠标不工作
  "Mój klawisz Ctrl jest zepsuty",                             ## 我的键盘的Ctrl键坏了
  "我的屏幕在闪烁"                                               ## 我的屏幕在闪烁
]

for issue in user_messages:
    prompt = f"告诉我这是什么语言： ```{issue}```"
    lang = get_completion(prompt)
    print(f"原始信息 ({lang}): {issue}")

    prompt = f"""
    将以下文本翻译为英语 \
    和韩语： ```{issue}```
    """
    response = get_completion(prompt)
    print(response, "\n")

语气转换

写作可以根据预期的受众而变化。ChatGPT可以产生不同的语气。

prompt = f"""
将以下的俚语翻译为商业信函的形式： 
'Dude, This is Joe, check out this spec on this standing lamp.'
"""
response = get_completion(prompt)
print(response)

格式转换

ChatGPT可以在格式之间进行转换。提示应描述输入和输出的格式。

data_json = { "resturant employees" :[ 
    {"name":"Shyam", "email":"[email protected]"},
   

{"name":"Bob", "email":"[email protected]"},
    {"name":"Jai", "email":"[email protected]"}
]}

prompt = f"""
将以下的python字典从JSON格式转换为带有列标题和标题的HTML \
表格： {data_json}
"""
response = get_completion(prompt)
print(response)

from IPython.display import display, Markdown, Latex, HTML, JSON
display(HTML(response))

拼写检查/语法检查。

以下是一些常见的语法和拼写问题以及LLM的回应。

要向LLM指示你希望它校对你的文本，你可以指示模型进行’proofread’或’proofread and correct’。

text = [ 
  "The girl with the black and white puppies have a ball.",  ## 那个女孩有一个球。
  "Yolanda has her notebook.", ## ok
  "Its going to be a long day. Does the car need it’s oil changed?",  ## 同音异义词
  "Their goes my freedom. There going to bring they’re suitcases.",  ## 同音异义词
  "Your going to need you’re notebook.",  ## 同音异义词
  "That medicine effects my ability to sleep. Have you heard of the butterfly affect?", ## 同音异义词
  "This phrase is to cherck chatGPT for speling abilitty"  ## 拼写
]
for t in text:
    prompt = f"""校对并纠正以下文本
    并重写纠正后的版本。如果你没有找到
    任何错误，只需说"No errors found"。不要在文本周围
    使用任何标点符号：
    ```{t}```"""
    response = get_completion(prompt)
    print(response)

text = f"""
Got this for my daughter for her birthday cuz she keeps taking \
mine from my room.  Yes, adults also like pandas too.  She takes \
it everywhere with her, and it's super soft and cute.  One of the \
ears is a bit lower than the other, and I don't think that was \
designed to be asymmetrical. It's a bit small for what I paid for it \
though. I think there might be other options that are bigger for \
the same price.  It arrived a day earlier than expected, so I got \
to play with it myself before I gave it to my daughter.
"""
prompt = f"校对并纠正这个评论： ```{text}```"
response = get_completion(prompt)
print(response)

from redlines import Redlines

diff = Redlines(text,response)
display(Markdown(diff.output_markdown))

prompt = f"""
校对并纠正这个评论。使它更有吸引力。 
确保它遵循APA风格指南并针对高级读者。 
以markdown格式输出。
文本： ```{text}```
"""
response = get_completion(prompt)
display(Markdown(response))

案例四：扩展（Expanding）

在这个课程中，你将生成针对每个客户评论的定制客户服务邮件。

定制自动回复客户邮件

## 根据“推断”课程中的情绪，
## 和原始的客户信息，定制邮件
sentiment = "negative"

## 对于一款搅拌机的评论
review = f"""
所以，他们在11月份的季节性销售中仍然有17件套装系统，
大约49美元，大约半价，但是出于某种原因（称之为价格欺诈）
在12月的第二周，同样的系统的价格都涨到了大约70-89美元之间。
而11件套装系统的价格也从之前的销售价格29美元涨了大约10美元左右。
所以它看起来还可以，但是如果你看看底座，那部分
刀片锁定的地方看起来并不如几年前的版本那么好，但是我
打算对它非常温柔（例如，我先在
搅拌机中粉碎非常硬的物品，如豆子、冰块、大米等，然后在我想要的份量中
在搅拌机中将它们粉碎成我想要的份量，然后切换到搅拌
刀片以获得更细的面粉，当制作冰沙时，我首先使用交叉切割刀片
然后如果我需要它们更细/少浆糊的话，我会使用平刀片）。制作冰沙的特别提示，
精细切割并冷冻你打算使用的水果和
蔬菜（如果使用菠菜-轻炖软化菠菜然后冷冻直到准备使用-如果制作
冰糕，使用一个小到中等大小的食品处理器）
这样你就可以避免添加太多的冰，如果有的话-当制作你的冰沙时。
大约一年后，电机开始发出奇怪的噪音。
我打电话给客户服务，但是保修期已经过了，
所以我不得不再买一个。FYI：这类产品的整体质量已经下降，
所以他们有点依赖品牌认知和
消费者的忠诚度来维持销售。大约
两天就收到了。
"""

prompt = f"""
你是一个客户服务AI助手。
你的任务是向一位重要客户发送电子邮件回复。
给出由```界定的客户电子邮件，
生成一个回复，感谢客户的评论。
如果情绪是积极

的或中性的，感谢他们的评论。
如果情绪是消极的，道歉并建议他们可以联系客户服务。
确保使用评论中的具体细节。
以简洁、专业的语气写作。
以`AI客户代理`签署邮件。
客户评论：```{review}```
评论情绪：{sentiment}
"""
response = get_completion(prompt)
print(response)

提醒模型使用客户电子邮件中的细节

prompt = f"""
你是一个客户服务AI助手。
你的任务是向一位重要客户发送电子邮件回复。
给出由```界定的客户电子邮件，
生成一个回复，感谢客户的评论。
如果情绪是积极的或中性的，感谢他们的评论。
如果情绪是消极的，道歉并建议他们可以联系客户服务。
确保使用评论中的具体细节。
以简洁、专业的语气写作。
以`AI客户代理`签署邮件。
客户评论：```{review}```
评论情绪：{sentiment}
"""
response = get_completion(prompt, temperature=0.7)
print(response)

案例五：聊天机器人

messages =  [  
{'role':'system', 'content':'你是一个会说莎士比亚语的助手。'},    
{'role':'user', 'content':'给我讲个笑话'},   
{'role':'assistant', 'content':'为什么鸡要过马路'},   
{'role':'user', 'content':'我不知道'}  ]

response = get_completion_from_messages(messages, temperature=1)
print(response)

messages =  [  
{'role':'system', 'content':'你是友好的聊天机器人。'},    
{'role':'user', 'content':'嗨，我叫Isa'}  ]
response = get_completion_from_messages(messages, temperature=1)
print(response)

messages =  [  
{'role':'system', 'content':'你是友好的聊天机器人。'},    
{'role':'user', 'content':'是的，你能提醒我，我的名字是什么？'}  ]
response = get_completion_from_messages(messages, temperature=1)
print(response)

messages =  [  
{'role':'system', 'content':'你是友好的聊天机器人。'},
{'role':'user', 'content':'嗨，我叫Isa'},
{'role':'assistant', 'content': "嗨，Isa！很高兴认识你。\
有什么我可以帮你的吗？"},
{'role':'user', 'content':'是的，你能提醒我，我的名字是什么？'}  ]
response = get_completion_from_messages(messages, temperature=1)
print(response)

点单机器人

我们可以自动收集用户提示和助手回应，以建立一个点单机器人。点单机器人将在披萨餐厅接受订单。

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)

import panel as pn  ## GUI
pn.extension()

panels = [] ## collect display 

context = [ {'role':'system', 'content':"""
你是OrderBot，一个自动收集披萨餐厅订单的服务。 \
你首先向客户问好，然后收集订单， \
然后询问是自取还是送货。 \
你等待收集整个订单，然后总结它并最后检查一次 \
如果客户想要添加其他东西。 \
如果是送货，你会询问地址。 \
最后你收集付款。\
确保澄清所有选项，额外的和大小以唯一 \
从菜单中识别出项目。\
你以简短，非常会话友好的风格回应。 \
菜单包括 \
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

messages =  context.copy()
messages.append(
{'role':'system', 'content':'创建上一个食品订单的json摘要。为每个项目明细价格\
 字段应为1) 披萨，包括大小 2) 配料列表 3) 饮料列表，包括大小   4) 侧菜列表，包括大小  5)总价格 '},    
)
 #字段应为1) 披萨，价格 2) 配料列表 3) 饮料列表，包括大小，包括价格  4) 侧菜列表，包括大小，包括价格，5)总价格 '},    

response = get_completion_from_messages(messages, temperature=0)
print(response)