LLM输出格式化后的世界战争事件

LLM输出格式化后的世界战争事件

希望LLM输出格式化后的世界战争事件

代码参考: 通过LLM多轮对话生成单元测试用例

提示词:

txt 复制代码
system_prompt="你是一位历史学家,擅长回答历史问题,请使用中文回答。\n\n历史问题:"

question ='''
输出从{}年到{}年期间,全世界发生过的战争,必须按以下固定格式输出:
输出格式:
[开始时间 # 结束时间 # 国家 # 名称 # 发起方 # 规模 # 伤亡人数 # 起因 # 结果 # 启示 # 你的看法]
注意事项:
1.你不确定的地方用未知代替
2.不要输出其他无关内容
3.支持多行输出
'''

代码修改点:

python 复制代码
llms=[dashscope_llm,moonshot_llm,qianfan_llm,sparkai_llm,zhipuai_llm,yi_llm,volc_llm]
for llm in llms:
    logger.info(f" ---------------------------------- {llm.__name__} ---------------------------------- ")
    for beg in range(1000,2024,10):
        response=None
        try:
            obj=llm(system_prompt,question.format(beg,beg+10))
            response = obj.infer()
            params=re.findall(r'\[(.*?)\]',response)
            for param in params:
                logger.info(f"{param}")
        except:
            if response:
                print(response)
            traceback.print_exc()

输出:

txt 复制代码
 ---------------------------------- dashscope_llm ---------------------------------- 
1004年 # 1005年 # 中国 # 澶渊之盟 # 北宋 # 辽国 # 中等规模 # 未知 # 边境冲突 # 签订和平条约,互赠岁币 # 和平外交的重要性
1009年 # 1010年 # 埃及 # 法蒂玛王朝与拜占庭战争 # 法蒂玛王朝 # 拜占庭帝国 # 小规模 # 未知 # 宗教与领土争端 # 暂时的边境调整,未决争端 # 宗教冲突对地区稳定的影响
1032年 # 1032年 # 拜占庭帝国 # 安纳托利亚战役 # 拜占庭帝国 # 中等规模 # 未知 # 拜占庭扩张领土 # 拜占庭取得胜利 # 对地区势力平衡的影响 # 这表明当时拜占庭帝国仍在积极扩展其影响力
1040年 # 1042年 # 中国 # 康国之乱 # 塔里布部族 # 中等规模 # 未知 # 宗教与政治冲突 # 塔里布部族被平定 # 强化了宋朝中央集权 # 这一事件显示了当时中央政府对边疆控制的重要性
1046年 # 1048年 # 日本 # 平将门之乱 # 平将门 # 小规模 # 数百人 # 地方权力争斗 # 平将门被杀,叛乱平息 # 展现了平安时代日本中央与地方的权力斗争
1048年 # 1052年 # 波斯萨曼王朝 # 阿巴德王朝叛乱 # 阿巴德一世 # 中等规模 # 未知 # 宗教与皇位继承纠纷 # 萨曼王朝恢复统治,阿巴德王朝失败 # 强调了宗教和王权在中世纪伊斯兰世界中的复杂关系
相关推荐
我是大卫1 小时前
【图】一图理解LLM、LangChain、RAG、AI Agent、MCP、token、context、prompt、tool概念
langchain·llm·agent
吴佳浩2 小时前
AI 核心技术解析|OPD:大模型开始复制的不再是知识,而是判断力
人工智能·深度学习·llm
就是一顿骚操作2 小时前
Agent Loop 入门到深入:从 ReAct 到 LangGraph、Agents SDK 与 MCP
人工智能·大模型·llm·论文解读·ai agent
AndrewHZ4 小时前
【LLM技术全景】多模态大模型:当语言模型学会“看“和“听“
人工智能·gpt·深度学习·语言模型·自然语言处理·llm·多模态
玉鸯7 小时前
RAG 全链路调优指南:从 Chunking 到 Reranker
python·llm·agent
贵慜_Derek8 小时前
vLLM-05|MLA、Compressor、Indexer 与 SWA:Flash 注意力栈在 vLLM 里怎么落地
人工智能·算法·llm
Revolution619 小时前
长命令运行时,Agent 怎样继续处理其他工作
人工智能·llm·claude
AINative软件工程11 小时前
LLM 应用的 Eval 数据工程实践:Golden Set 构建、版本管理与生产 Trace 回放
llm·测试·前端工程化
浮生望11 小时前
大模型 Benchmark 全面解析:MMLU、GPQA、HumanEval,读懂 AI 模型的"成绩单"
llm