AI的学习之路_3_关于提示词的简单理解
什么是提示词
提示词就是你给 AI 的清晰指令，决定 AI 输出的内容和质量。
怎么利用提示词提高ai的生成效率
- 详细的描述
- 让模型充当某个角色
- 使用分隔符去分割不同的输入部分
- 对任务指定步骤
- 提供例子
- 通过参考模型让ai回答
Zero-shot
Zero-shot学习（Zero-shotLearning）是指在训练阶段不存在与测试阶段完全相同的类别，但是模型可以使用训练过的知识来推广到测试集中的新类别上。
这种能力被称为“零样本”学习，因为模型在训练时从未见过测试集中的新类别，在模型训练和提示词优化中均有体现。“无样本学习”
在提示词优化中：
· Zero-shot思想用于基于已训练的能力，不提供任何示例，仅通过语言去描述任务的要求、目标和约束，让模型直接生成结果。
简单来说就是“用语言定义任务，解放（信任）模型的预训练知识”
比如：
请判断””包围的用户评论中的情感倾向，输出正面或负面。”这款代餐鸡胸肉饱腹感很强，吃起来也不柴，很推荐！”
Few-shot
Few-shot学习（Few-shotLearning）是指少样本学习，当模型在学习了一定类别的大量数据后，对于新的类别，只需要少量的样本就能快速学习
对应的有one-shotlearning，单样本学习，也算样本少到为一的情况下的一种few-shot learning。
在提示词优化中：
·Few-shot主要用于基于少量示例，让模型参考示例回答。
简单来说就是“用示例定义任务，在模型的预训练知识的基础上，提升模型回答的对齐精度（比如参考示例的格式）”
比如：
请抽取产品名称和核心卖点2个字段，格式为Json，我提供2个示例。
示例1：MacBookPro高效节能，性能强大，适合牛马工作使用输出：{“产品名称”：“MacBookPro”，“产品卖点”：“高效节能，性能强大”}
示例2：联想笔记本拥有RTX4060独立显卡，畅玩游戏，丝滑流畅输出：{“产品名称”：“联想笔记本”，“产品卖点”：“畅玩游戏，丝滑流畅”}请处理：华为MatepadPro，高清大屏，长效续航，你的好帮手。
举个简单的例子
from openai import OpenAI
client = OpenAI(
# base_url= "https://dashscope.aliyuncs.com/compatible-mode/v1"
base_url = "http://localhost:11434/v1"
)
examples_data={
"正面评价": "这款手机续航超棒，充一次电用一整天，拍照效果也特别清晰，性价比绝了！",
"负面评价": "快递太慢了，等了5天才到，而且商品有划痕，联系客服也没人回应，太失望了。",
"中性评价": "收到的商品和描述一致，没有特别惊喜的地方，也没什么不满意的。",
"无意义评价": "666，路过打卡，随便写写"
}
examples_types=["正面评价", "负面评价", "中性评价", "无意义评价"]
questions = [
"鞋子尺码很准，上脚特别舒服，走路一点不累，推荐购买！",
"衣服洗了一次就缩水了，面料也很粗糙，完全不值这个价。",
"收到货了，包装完好，暂时还没使用，后续追评。",
"哈哈哈，随便评一下",
"这个杯子颜值很高，但保温效果一般，只能保温2小时"
]
messages=[
{"role": "system", "content": "你是电商评论分析专家，将文本分类为［‘正面评价’，‘负面评价’，‘中性评价’，‘无意义评价’]，不清楚的分类为'不清楚类别’下面有示例："}
]
# 这里给ai提供问答模版 以历史对话的形式进行拼装
for key, value in examples_data.items():
messages.append({"role": "user", "content": value})
messages.append({"role": "assistant", "content": key})
# 遍历 将问题一个一个的频道对话记录中进行回复
for q in questions:
resource = client.chat.completions.create(
model="qwen2.5:3b-instruct-q4_0",
messages=messages + [{"role": "user", "content": f"按照示例回答这段文本的分类{q}"}]
)
print(resource.choices[0].message.content)
做一个对比
resource = client.chat.completions.create(
model="qwen2.5:3b-instruct-q4_0",
messages=[
{"role": "user", "content": "衣服洗了一次就缩水了，面料也很粗糙，完全不值这个价,的评价是正面的还是负面的"}
]
)
print(resource.choices[0].message.content)
明显就啰嗦许多
JSON文本提取
from openai import OpenAI
import json
client = OpenAI(
#base_url= "https://dashscope.aliyuncs.com/compatible-mode/v1"
base_url = "http://localhost:11434/v1"
)
# 替换后的抽取字段：电商订单核心信息
schema=["订单号", "下单时间", "商品名称", "购买数量", "支付金额"]
examples_data = [ # 替换后的示例数据（电商订单）
{
"content": "用户于2025-03-15 14:30提交订单，订单号为DD20250315001，购买了2件纯棉短袖T恤，通过微信支付完成付款，支付金额为198元。",
"answers": {
"订单号": "DD20250315001",
"下单时间": "2025-03-15 14:30",
"商品名称": "纯棉短袖T恤",
"购买数量": "2件",
"支付金额": "198元"
}
},
{
"content": "2025-03-16 09:15生成的订单DD20250316008中，用户购买了1台家用空气净化器，支付金额599元，已完成发货。",
"answers": {
"订单号": "DD20250316008",
"下单时间": "2025-03-16 09:15",
"商品名称": "家用空气净化器",
"购买数量": "1台",
"支付金额": "599元"
}
}
]
questions = [ # 替换后的待抽取文本
"2025-03-17 20:05用户下单，订单号DD20250317012，购买3双防滑运动鞋，支付金额459元，预计次日送达。",
"2025-03-18 11:20生成订单DD20250318005，用户购买了1个智能保温杯，暂未支付。"
]
messages=[
{"role": "system", "content": f"你帮我完成信息抽取，我给你句子，你抽取{schema}信息，按JSON字符串输出，如果某些信息不存在，用“原文未提及”表示，请参考如下示例："},
]
for example in examples_data:
messages.append(
{"role": "user", "content": example["content"]}
)
# 这里需要将列表里字典中的内容转换成字符串，用到了json的函数
messages.append(
{"role": "assistant", "content": json.dumps(example["answers"], ensure_ascii=False)}
)
for q in questions:
response = client.chat.completions.create(
# model="qwen2.5-vl-3b-instruct",
model="qwen2.5:3b-instruct-q4_0",
messages=messages + [{"role": "user", "content": f"按照上述的例子抽取这个句子里面的信息：{q}"}]
)
print(response.choices[0].message.content)
结果也是不负众望，这些文本基本就是按照JSON文件的格式进行输出的
浙公网安备 33010602011771号