WuTeachingAI
教你快速上手 AI 应用——吴恩达 AI 系列教程复刻应用地址：https://club.cloudstudio.net/a/13034333232398336
人工智能风靡全球,它的应用已经渗透到我们生活的方方面面,从自动驾驶到智能家居,再到医疗辅助和量化交易等等。他们逐渐改变了我们的生活方式,然而,对于许多人来说,AI 仍然是一个神秘且无法理解的领域。
为了帮助更多的人理解并掌握 AI 技术,更享受 AI 带给人们便捷的服务,吴恩达博士开设了一系列的 AI 教程。接下来我们会通过几个项目的教程让大家学会如何用 AI 解决生活中的一些小问题,在 AI 时代来临之际,教会大家如何利用好这一有力的武器。
介绍吴恩达博士
吴恩达（英语：Andrew Ng，1976 年 4 月 18 日）是斯坦福大学计算机科学系和电气工程系的客座教授，曾任斯坦福人工智能实验室主任。
2011 年，吴恩达在谷歌创建了谷歌大脑项目
2014 年 5 月 16 日，吴恩达加入百度，负责“百度大脑
2017 年 12 月，吴恩达宣布成立人工智能公司 Landing.ai，担任公司的首席执行官。DeepLearning.ai 创始人吴恩达联合 OpenAI 推出入门大模型学习的经典课程《ChatGPT Prompt Engineering for Developers》，迅速成为了大模型学习的现象级课程，获得极高的热度。后续，吴恩达教授又联合 LangChain、Huggingface 等机构联合推出了多门深入学习课程，助力学习者全面、深入地学习如何使用大模型并基于大模型开发完整、强大的应用程序。
吴恩达 AI 系列第一课————教你如何利用 AI 创建一个披萨店客服
在这篇博客中,我们将介绍吴恩达 AI 系列教程的第一部分,教你如何快速上手 AI 应用——我们将学习如何利用 AI 创造一个披萨店的客服人员,通过和它的对话我们可以购买需要的披萨。无论你是 AI 领域的初学者,还是有一定基础想要进一步提升的开发者。我们都能通过引导你让你在 AI 世界中发现自己的道路。
功能演示
让我们先来看看我们做出来的的 AI 披萨店客服是怎样回答问题的:
我们可以看到当我们点需要的 pizza 的时候,它会问你详细的尺寸并且告诉你相应的钱是多少。
如何应用
首先我们要设置一个 Openai Python 包
python import os import openai from dotenv import load_dotenv , find_dotenv _ = load_dotenv(find_dotenv())
同时我们要输入自己的 OPENAI_API_KEY,可以去 Openai 官方获取,然后你只需要把你的 API_KEY 填进这里就行了。
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。虽然聊天格式的设计旨在使这种多轮对话变得容易，但我们通过之前的学习可以知道，它对于没有任何对话的单轮任务也同样有用。
接下来，我们将定义两个辅助函数。第一个是单轮的，我们将 prompt 放入看起来像是某种用户消息的东西中。另一个则传入一个消息列表。这些消息可以来自不同的角色，我们会描述一下这些角色。
第一条消息是一个系统消息，它提供了一个总体的指示，然后在这个消息之后，我们有用户和助手之间的交替。如果你曾经使用过 ChatGPT 网页界面，那么你的消息是用户消息，而 ChatGPT 的消息是助手消息。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。
你可以想象它在助手的耳边低语，引导它的回应，而用户不会注意到系统消息。
因此，作为用户，如果你曾经使用过 ChatGPT，你可能不知道 ChatGPT 的系统消息是什么，这是有意为之的。系统消息的好处是为开发者提供了一种方法，在不让请求本身成为对话的一部分的情况下，引导助手并指导其回应。
定义第一个辅助函数
这两个函数是用于聊天的自动补全。
def get_completion_from_messages(messages,model='gpt-3.5-turbo',temperature=0): response = openai.ChatCompletion.create( model=model, messages=messages, temperature=temperature ) print(response.choices[0].message) return response.choices[0].message['content']
复制代码
定义另一个辅助函数它将从下面构建的用户界面中收集提示, 然后将其追加到一个名为上下文的列表中,并每次使用上下文调用模型。这样他就会不断的增长。
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': '#333333'})))
return pn.Column(*panels)
复制代码
两个辅助函数定义显示如下:
小试牛刀
现在我们尝试告诉模型你是一个说话像莎士比亚的助手。这是我们向助手描述它应该如何表现的方式。然后，第一个用户消息是，给我讲个笑话。接下来的消息是，为什么鸡会过马路？然后最后一个用户消息是，我不知道。
让我们做另一个例子。助手的消息是，你是一个友好的聊天机器人，第一个用户消息是，嗨，我叫 Isa。我们想要得到第一个用户消息。
让我们再试一个例子。系统消息是，你是一个友好的聊天机器人，第一个用户消息是，是的，你能提醒我我的名字是什么吗？
如上所见，模型实际上并不知道我的名字。
因此，每次与语言模型的交互都是一个独立的交互，这意味着我们必须提供所有相关的消息，以便模型在当前对话中进行引用。如果想让模型引用或 “记住” 对话的早期部分，则必须在模型的输入中提供早期的交流。我们将其称为上下文。让我们试试。
现在我们已经给模型提供了上下文，也就是之前的对话中提到的我的名字，然后我们会问同样的问题，也就是我的名字是什么。因为模型有了需要的全部上下文，所以它能够做出回应，就像我们在输入的消息列表中看到的一样。
AI 披萨店客服
由此我们知道,我们可以通过 context 来描述 prompt,在披萨店的规则也是一样:通过 prompt 让客服知道自己的工作是什么,以及披萨店商品的价格和基本规则。
同时我们可以设置并运行这种 UI 以显示我们的 AI 客服。
设置 prompt 语句与 UI 界面
import panel as pn # GUI pn.extension()
panels = [] # collect display
context = [ {'role':'system', 'content':""" You are OrderBot, an automated service to collect orders for a pizza restaurant. \ You first greet the customer, then collects the order, \ and then asks if it's a pickup or delivery. \ You wait to collect the entire order, then summarize it and check for a final \ time if the customer wants to add anything else. \ If it's a delivery, you ask for an address. \ Finally you collect the payment.\ Make sure to clarify all options, extras and sizes to uniquely \ identify the item from the menu.\ You respond in a short, very conversational friendly style. \ The menu includes \ 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
复制代码
这里有上下文,并包含菜单的系统消息,然后我们就可以执行这个命令了。
我们就可以和披萨店的 AI 客服进行对话了！你可以和他确认任何你想要的 pizza。
与此同时我们还可以要求模型创建一个 JSON 摘要发给订餐系统。
所以我们现在需要追加另一个系统消息,他是另外一条 prompt,我们想要的是刚刚订单的 JSON 摘要,这个摘要需要包含刚才订单的所有内容。
在这种订单任务中,我们会使用一个比较低的 temperature,让模型的回答尽可能的一致且可预测:
订单系统摘要
) #The fields should be 1) pizza, price 2) list of toppings 3) list of drinks, include size include price 4) list of sides include size include price, 5)total price '},
response = get_completion_from_messages(messages, temperature=0) print(response)
复制代码
同样的,我们可以翻译英文 prompt 做一个中文的披萨店客服,只需要我们把我们的 prompt 语句换成中文就可以了
中文披萨店客服
panels = [] # collect display
context = [{'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 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), )
复制代码
效果如下:
中文版食品订单的 JSON 摘要
)
response = get_completion_from_messages(messages, temperature=0) print(response)
复制代码
我们刚刚点了一个小的芝士披萨,这个订单已经被记录了下来:
由此我们就构建了一个“订餐机器人”,我们可以通过它自动收集用户的信息,接受披萨店的订单。诸如此类的小程序我们可以通过人工智能的能力实现很多,快跟上我们的脚步一起拥抱人工智能吧!
评论