一篇文章带你入门吴恩达的Prompt Engineering😎

引言

随着人工智能（AI）技术的快速发展，Prompt Engineering（提示工程）已成为AI模型应用中不可或缺的一部分。吴恩达的Prompt Engineering课程为我们提供了许多实用的策略，帮助我们在与AI互动时更加高效、精确，对于新手入门十分的友好。

在这篇文章中，我们将根据大模型来模拟电商AI客服回复评论的应用场景，带你入门如何设计高效的Prompt。

环境配置

首先，在node.js环境下我们先在终端输入npm init -y初始化一个后端项目，再安装所需要的模块包npm i openai dotenv

dotenv用于在开发过程中保存管理敏感信息，如 API 密钥、数据库连接字符串等。

再创建一个.env文件，用来保存我们的密钥和连接到 OpenAI API 的基本 URL。

ini 复制代码

OPENAI_API_KEY="your-openai-api-key"
OPENAI_BASE_URL=https://api.302.ai/v1

确保 .env 文件不被提交到远程仓库，你可以将其添加到 .gitignore 文件中。千万记得先添加再上传项目，不然就会像我一样连一美金余额都没了。

创建一个与 OpenAI API 交互的简单接口

js 复制代码

import dotenv from 'dotenv';
import OpenAI from 'openai';

dotenv.config();

const {
OPENAI_API_KEY,
OPENAI_BASE_URL,
} = process.env

//实例化openai对象
const client = new OpenAI({
  apiKey: OPENAI_API_KEY,
  baseURL: OPENAI_BASE_URL,
});

//完成一个接口函数的封装 get_completion
const get_completion = async (prompt, model = 'gpt-3.5-turbo') => {
  // 创建一个包含用户输入的消息对象
  const messages = [
    { role: 'user', content: prompt }
  ];

  // 使用 OpenAI API 获取完成内容
  const response = await client.chat.completions.create({
    model: model,
    messages: messages,
    temperature: 0, // 模型输出的温度系数，控制输出的随机程度
  });

  // 返回完成内容
  return response.choices[0].message.content;
};

分析：

使用import ... from将下载的模块包导入
使用 dotenv.config() 从项目根目录下的 .env 文件中加载环境变量，使得这些环境变量可以在 process.env 中访问。
从 process.env 中解构出两个环境变量：OPENAI_API_KEY 和 OPENAI_BASE_URL。这些是 OpenAI API 所需的密钥和基础 URL。
使用之前获取的 OPENAI_API_KEY 和 OPENAI_BASE_URL 来实例化一个 OpenAI 客户端 (client)，这样就可以通过该客户端与 OpenAI API 进行交互。
定义一个异步函数 get_completion，该函数接受用户输入的 prompt（用户的提问或提示），以及一个可选的 model 参数，默认值为 gpt-3.5-turbo。这个函数用于发送请求并获取模型的响应。
构建一个消息对象 messages，它包含用户的输入。在 OpenAI 的 API 中，消息对象是一个数组，每条消息包含 role（角色）和 content（内容）。在这里，角色是 'user'，表示这是用户发送的消息，content 则是用户提供的 prompt。
使用 client.chat.completions.create 调用 OpenAI API 的 completions 接口，传入以下参数：
- model: 指定使用的模型（如 'gpt-3.5-turbo'，或者传入的其他模型名）。
- messages: 用户输入的消息数组。
- temperature: 模型输出的随机性控制参数。temperature 值越低，模型的回答越确定；值越高，回答就会更随机。这里设置为 0，意味着模型的回答会更加确定，不具有太多随机性。
await 关键字用于等待 OpenAI API 响应返回。
OpenAI API 返回的响应包含多个 choices，每个 choice 都包含模型生成的内容。在这里，只取第一个 choice（即 choices[0]），然后返回该 choice 中 message.content 的值，这就是模型生成的响应内容。

设计Prompt

Prompt 的基本规则：

任务清晰：为模型定义清晰的任务，使其能够根据输入生成预期的输出。任务必须足够具体，避免模糊指令。
结构化格式：为输出定义具体格式（如文本框架、分类标签等），帮助模型理解并按照一定的格式返回信息。
约束条件：明确指定需要遵循的约束（如字数限制、语气要求、情感倾向等）。

js 复制代码

const main =async () =>{
const lamp_review = `
"我最近在你们的网站上购买了一些衣物和配饰，真是一次愉快的购物体验！
首先，网站非常容易导航，找到我喜欢的款式非常简单。
下单后，物流很快，几天内就收到了商品。每件商品的质量都超出了我的预期，材质非常好，款式也非常时尚。
最让我印象深刻的是客服，客服人员非常热情耐心地回答了我关于尺码的问题，并帮助我选择了最适合的尺码。整体体验非常顺利，
我已经推荐给了我的朋友们，肯定还会继续在你们店里购买的！"
`
const prompt = `
任务：根据客户的评论，识别评论者的情绪（积极、消极或中性），并根据情绪做出相应的回答。正面评论要鼓励和感谢；负面评论要道歉、同理并提供解决方案；中性评论要感谢并鼓励提供反馈。

输入：'''${lamp_review}'''

输出：先进行情感分析（积极/消极/中性）

根据情绪类型，生成对应的回应：
1. **积极情绪**：生成感谢、鼓励并增强忠诚度的回复。
2. **消极情绪**：生成道歉、同理并提供解决方案的回应。
3. **中性情绪**：生成感谢并鼓励客户提供更多反馈的回应。
  const response = await get_completion(prompt)
  console.log(response);
}

 main()

输出结果：

情感分析结果：积极情绪。

回复：非常感谢您对我们网站的购物体验给予的好评！
我们很高兴能为您提供到顺畅愉快的购物体验，并为您解决了购买过程中的问题。
您的反馈对我们来说非常重要，也感谢您推荐给您的朋友们。
我们会继续努力，为您提供更好的产品和服务，期待您的再次光临！

我们再用消极情绪的评论试试

js 复制代码

const main =async () =>{
const lamp_review = `
"我最近在你们店购买了一款蓝色外套，但收到后真的很失望。
首先，物流配送时间比预计的长了很多，导致我在很急的情况下才收到。
其次，外套的质量不如我预期的好，虽然颜色和款式挺不错，但做工上有明显的瑕疵------袖口的缝线处居然有松动，摸上去质感也不如我之前在店里试穿的那件。
最让我不满的是客服的回应。当我联系你们客服说明情况时，得到的回复不仅没有给出有效的解决方案，反而显得有些冷漠，未能提供我所期望的帮助。
总体来说，这是一次非常不愉快的购物经历，觉得服务和质量都不值这个价格。
我很失望，不确定是否还会再购买。"
`
const prompt = `
任务：根据客户的评论，识别评论者的情绪（积极、消极或中性），并根据情绪做出相应的回答。正面评论要鼓励和感谢；负面评论要道歉、同理并提供解决方案；中性评论要感谢并鼓励提供反馈。

输入：'''${lamp_review}'''

输出：先进行情感分析（积极/消极/中性）

根据情绪类型，生成对应的回应：
1. **积极情绪**：生成感谢、鼓励并增强忠诚度的回复。
2. **消极情绪**：生成道歉、同理并提供解决方案的回应。
3. **中性情绪**：生成感谢并鼓励客户提供更多反馈的回应。
`

  const response = await get_completion(prompt)
  console.log(response);
}

 main()

输出结果：

情感分析结果：消极情绪

回复：非常抱歉您在我们店购买的蓝色外套让您感到失望。
我们对您遇到的问题感到十分抱歉，我们会认真对待您提出的意见和建议。
首先，我们会加强物流配送的 管理，以确保您能按时收到商品。
其次，我们会加强产品质量的把控，避免类似问题再次发生。
对于客服回应不及时的问题，我们会进行内部调查并加强培训，以提 高服务质量。
希望您能理解并给我们一次改进的机会，如果有任何其他问题或建议，请随时告诉我们。
再次为给您带来不愉快的购物体验道歉，希望能够重新赢得您 的信任和支持。感谢您的反馈。

可以看到，每个情境下的Prompt设计都围绕着客户的情感状态，确保AI客服能够根据客户的需求进行精准的情感判断和回应，从而提高客户的满意度。

总结

通过本文，我们掌握了如何设计清晰且有效的Prompt，理解了自然语义编程的魅力。自然语义编程的核心在于简化编程过程，让我们通过自然语言与AI模型交互，克服了传统编程中复杂的语法和逻辑障碍，从而更加便捷地实现功能。

在本文中，我们通过一个关于客户评论的情感分析任务，展示了如何通过设计适当的Prompt来让AI识别评论者的情绪，并根据不同的情绪生成不同的回应。通过这种方式，AI能够帮助企业自动化客服流程，提高工作效率并优化客户体验。

希望这篇文章能对大家有所帮助，留个赞支持一下吧