大型语言模型带给我们的激动人心的一种可能性是，我们可以通过它构建定制的聊天机器人 （Chatbot），而且只需很少的工作量。在这一章节的探索中，我们将带你了解如何利用会话形式，与具 有个性化特性（或专门为特定任务或行为设计）的聊天机器人进行深度对话。

像 ChatGPT 这样的聊天模型实际上是组装成以一系列消息作为输入，并返回一个模型生成的消息作为输 出的。这种聊天格式原本的设计目标是简便多轮对话，但我们通过之前的学习可以知道，它对于不会涉 及任何对话的单轮任务也同样有用。

给定身份

在 ChatGPT 网页界面中，您的消息称为用户消息，而 ChatGPT 的消息称为助手消息。但在构建聊天机 器人时，在发送了系统消息之后，您的角色可以仅作为用户 (user) ；也可以在用户和助手 (assistant) 之 间交替，从而提供对话上下文。

定义对话函数

def get_completion_v2(prompt, model="gpt-3.5-turbo"):

    openai.api_key = "sk-xxx"

    

    openai.base_url = "https:xxxx"

    messages = [{"role": "user", "content": prompt}]

    response = openai.chat.completions.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_temperature_v2(messages, model="gpt-3.5-turbo", temperature=0):

    openai.api_key = "sk-xxxx"

    

    openai.base_url = "https://axxxx"

    response = openai.chat.completions.create(

    model=model,

    messages=messages,

    temperature=temperature, # 控制模型输出的随机程度

    )

     

    #print(str(response.choices[0].message))     

    return response.choices[0].message.content

讲笑话

 # 中文

messages =  [  

{'role':'system', 'content':'你是一个像莎士比亚一样说话的助手。'},    

{'role':'user', 'content':'给我讲个笑话'},   

{'role':'assistant', 'content':'鸡为什么过马路'},   

{'role':'user', 'content':'我不知道'}  ]

response = get_completion_temperature_v2(messages, temperature=1)

print(response)

友好的聊天机器人

# 中文

messages =  [  

{'role':'system', 'content':'你是个友好的聊天机器人。'},    

{'role':'user', 'content':'Hi, 我是Isa。'}  ]

response = get_completion_temperature_v2(messages, temperature=1)

print(response)

构建上下文

 # 中文

messages =  [  

{'role':'system', 'content':'你是个友好的聊天机器人。'},    

{'role':'user', 'content':'好，你能提醒我，我的名字是什么吗？'}  ]

response = get_completion_temperature_v2(messages, temperature=1)

print(response)

# 中文

messages =  [  

{'role':'system', 'content':'你是个友好的聊天机器人。'},

{'role':'user', 'content':'Hi, 我是Isa'},

{'role':'assistant', 'content': "Hi Isa! 很高兴认识你。今天有什么可以帮到你的吗?"},

{'role':'user', 'content':'是的，你可以提醒我, 我的名字是什么?'}  ]

response = get_completion_temperature_v2(messages, temperature=1)

print(response)

订餐机器人

构建机器人

def collect_messages(_):

    prompt = inp.value_input

    inp.value = ''

    context.append({'role':'user', 'content':f"{prompt}"})

    response = get_completion_temperature_v2(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)))

return pn.Column(*panels)

!pip install panel

# 中文

import panel as pn  # GUI

pn.extension()

panels = [] # collect display

context = [{'role':'system', 'content':"""

菜单包括：

你是订餐机器人，为披萨餐厅自动收集订单信息。

你要首先问候顾客。然后等待用户回复收集订单信息。收集完信息需确认顾客是否还需要添加其他内容。

最后需要询问是否自取或外送，如果是外送，你要询问地址。

最后告诉顾客订单总金额，并送上祝福。

请确保明确所有选项、附加项和尺寸，以便从菜单中识别出该项唯一的内容。

你的回应应该以简短、非常随意和友好的风格呈现。

菜品：

意式辣香肠披萨（大、中、小） 12.95、10.00、7.00

芝士披萨（大、中、小） 10.95、9.25、6.50

茄子披萨（大、中、小） 11.95、9.75、6.75

薯条（大、小） 4.50、3.50

希腊沙拉 7.25

配料：

奶酪 2.00

蘑菇 1.50

香肠 3.00

加拿大熏肉 3.50

AI酱 1.50

辣椒 1.00

饮料：

可乐（大、中、小） 3.00、2.00、1.00

雪碧（大、中、小） 3.00、2.00、1.00

瓶装水 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

初始效果

创建json摘要

messages =  context.copy()

messages.append(

{'role':'system', 'content':

'''创建上一个食品订单的 json 摘要。\

逐项列出每件商品的价格，字段应该是 1) 披萨，包括大小 2) 配料列表 3) 饮料列表，包括大小 4) 配菜

列表包括大小 5) 总价

你应该给我返回一个可解析的Json对象，包括上述字段'''},    

)

response = get_completion_temperature_v2(messages, temperature=0)

print(response)