对话聊天（Chatbot）

低成本构建：利用大语言模型，只需很少的工作量就能构建出定制的聊天机器人。
个性化与多轮交互：通过特定的聊天格式（接口），可以实现与机器人的延伸对话，使其能够针对特定任务或行为进行个性化定制。

一个优秀的 Chatbot 包含三种消息角色系统消息（System）、用户消息（User）和助手消息（Assistant）：

用户和助手消息代表对话双方的交替发言。
系统消息用于设定助手的行为、角色和全局指令。它时刻引导模型，且对用户不可见，使开发者能在不干扰用户对话的前提下精准控制机器人的属性。

1. 基础对话：角色设定与上下文记忆

通过传入消息列表，让模型扮演特定角色，且不具备上下文记忆能力。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。

python 复制代码

messages =  [  
{'role':'system', 'content':'你是个友好的聊天机器人。'},
{'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)

输出：

2. 复杂任务：构建业务型 Chatbot（如订餐机器人）

将 Chatbot 应用于实际业务，需要设定严格的业务流程和知识库（如菜单）。在 System Prompt 中详细规定机器人的行为准则（问候 -> 收集订单 -> 确认 -> 询问地址 -> 结算），并将完整的菜单数据直接写入系统消息中。

python 复制代码

import panel as pn  # GUI
pn.extension()

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),
)

dashboard


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'},    
)

response = get_completion_from_messages(messages, temperature=0)
print(response)

Chatbot 收集完用户的自然语言需求后，通常需要将其转换为后端系统能处理的数据格式。在对话结束时，追加一条新的 System 消息，要求模型基于之前的对话生成 JSON 摘要。

关键点：此时必须将 temperature 设为 0，以确保输出格式的绝对稳定和可预测。