目录

1、给定身份

1.1、基础代码

1.2、聊天机器人

2、构建上下文

3、订餐机器人

3.1、窗口可视化

3.2、构建机器人

3.3、创建JSON摘要

---

 

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。

在 Chat 网页界面中，我们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。

1、给定身份

第一条消息中，我们以系统身份发送系统消息 (system message) ，它提供了一个总体的指示。

系统消息则有助于设置助手的行为和角色，并作为对话的高级指示。

1.1、基础代码

import openaiopenai.api_key = "EMPTY"
openai.api_base = "http://192.168.1.1:20000/v1"def get_completion_from_messages(messages, model="chatglm3-6b", temperature=0):response = openai.ChatCompletion.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"]# 中文
messages =  [{'role':'system', 'content':'你是一个像小孩子一样说话的助手。'},{'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_from_messages(messages, temperature=1)
print(response)

1.2、聊天机器人

系统消息来定义：“你是一个友好的聊天机器人”，第一个用户消息：“嗨，我叫Isa。”

# 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_from_messages(messages, temperature=1)
print(response)

你好，Isa！很高兴认识你。有什么我可以帮忙的吗？

 

2、构建上下文

当我们想gpt询问一个它不知道的问题，由于缺少上下文，他无法给出一个正确的答案。

messages =  [{'role':'system', 'content':'你是个友好的聊天机器人。需要真实的回答问题'},{'role':'user', 'content':'好，你能提醒我，我的名字是什么吗？'}
]response = get_completion_from_messages(messages, temperature=1)print(response)

当你提到“我的名字是什么时”，我理解你是想问你自己叫什么名字。但是作为人工智能，我无法知道你的个人信息。请告诉我你的名字，我会尽量帮助你回答问题。

 添加上下文内容

messages =  [{'role':'system', 'content':'你是个友好的聊天机器人。注意区分人物的你我他含义'},{'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_from_messages(messages, temperature=1)print(response)

当然可以，你的名字是Isa。有什么我可以帮你记住的吗？

 

3、订餐机器人

3.1、窗口可视化

pip install panelimport panel as pn
import numpy as np
import pandas as pd# 创建随机数据
np.random.seed(0)
data = pd.DataFrame(np.random.randn(100, 2), columns=["A", "B"])# 创建一个散点图
scatter = pn.pane.DataFrame(data, width=800, height=400)# 显示散点图
scatter.show()

Launching server at http://localhost:62221 

3.2、构建机器人

# 中文
import panel as pn  # GUI
import openaiopenai.api_key = "EMPTY"
openai.api_base = "http://192.168.1.1:20000/v1"def get_completion_from_messages(messages, model="chatglm3-6b", temperature=0.7):response = openai.ChatCompletion.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"]def collect_messages(_):prompt = inp.value_inputinp.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, css_classes=['custom-markdown'])))return pn.Column(*panels)# 在适当的位置添加自定义CSS
html_code = """
<style>
.custom-markdown {background-color: #F6F6F6;
}
</style>
"""
pn.extension(raw_css=[html_code])panels = []  # collect displaycontext = [{'role': 'system', 'content': """ 
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。菜单包括：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 messagesinp = 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.show()

页面显示效果，及部分回复内容 

3.3、创建JSON摘要

temperature=0 ，每次生成相同内容，保证结果可预测

# context 参考 3.2内容
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_from_messages(messages, temperature=0)
print(response)

{"披萨": {"大尺寸": 15.0,"小尺寸": 12.0},"配料": [{"名称": "切片奶酪","大小": "大尺寸"},{"名称": "番茄酱","大小": "小尺寸"}],"饮料": [{"名称": "可乐","大小": "大尺寸"},{"名称": "果汁","大小": "小尺寸"}],"配菜": [{"名称": "洋葱","大小": "大尺寸"},{"名称": "蘑菇","大小": "小尺寸"}],"总价": 42.0
}