Building Systems with the ChatGPT API 使用 ChatGPT API 搭建系统(第八章学习笔记及总结)

章节导航：

第二章：Language Models, the Chat Format and Tokens（语言模型，提问范式与 Token）

第三章：Classification（评估输入-分类 ）

第四章：Moderation（检查输入-监督）

第五章：Chain of Thought Reasoning（处理输入-思维链推理 ）

第六章：Prompt Chaining Prompts（处理输入-Prompt 链提示）

第七章： Check Outputs（检查结果）

👉第八章：Evaluation（搭建一个带评估的端到端问答系统）

目录

8 搭建一个带评估的端到端问答系统

8.1 端到端实现问答系统

8.2 持续收集用户和助手消息

---

8 搭建一个带评估的端到端问答系统

在这一章节中，我们将会构建一个集成评估环节的完整问答系统。这个系统将会融合我们在前几节课中所学到的知识，并且加入了评估步骤。以下是该系统的核心操作流程：

1. 对用户的输入进行检验，验证其是否可以通过审核 API 的标准。
2. 若输入顺利通过审核，我们将进一步对产品目录进行搜索。
3. 若产品搜索成功，我们将继续寻找相关的产品信息。
4. 我们使用模型针对用户的问题进行回答。
5. 最后，我们会使用审核 API 对生成的回答进行再次的检验。

如果最终答案没有被标记为有害，那么我们将毫无保留地将其呈现给用户。

详细代码请Github参考：datawhalechina/llm-cookbook: 面向开发者的 LLM 入门教程，吴恩达大模型系列课程中文版

这里我是用国内大模型API，并省略了代码中 Moderation API 的检查，也就是代码中的第一步和第五步。
代码中导入的文件为Github项目中的utils_zh.py文件（如下图所示），由于我使用国内大模型API所以在文件中修改了get_completion_from_messages方法接口为我的API。

在utils_zh.py文件中，封装了很多个接口，就例如第六章所学到的使用不同的接口来获取产品信息等。这恰好也是一个通过使用链式 Prompt 将复杂任务拆分为一系列简单的子任务，对链式提示（prompt chaining）的完美呈现。

8.1 端到端实现问答系统

在我们的探索之旅中，我们将实现一个完整的问答系统，一种能理解并回应人类语言的人工智能。在这个过程中，我们将使用 OpenAI 的相关API并引用相关函数，来帮助我们快速搭建一个高效且精准的模型。然而，我们需要注意到，在中文的理解和处理方面，由于模型的特性，我们可能会偶尔遇到不理想的结果。在这种情况下，你可以多尝试几次，或者进行深入的研究，以找到更稳定的方法。

让我们先从一个函数开始，它的名称是 process_user_message_ch，该函数主要负责处理用户输入的信息。这个函数接收三个参数，用户的输入、所有的历史信息，以及一个表示是否需要调试的标志。 在函数的内部，我们首先使用 OpenAI 的 Moderation API 来检查用户输入的合规性。如果输入被标记为不合规，我们将返回一个信息，告知用户请求不合规（在上一章节展示了审查的流程）。在调试模式下，我们将打印出当前的进度。

接下来，我们利用 utils_zh.find_category_and_product_only 函数（详细请见utils_zh.py代码）抽取出用户输入中的商品和对应的目录。然后，我们将抽取的信息转化为一个列表。 在获取到商品列表后，我们将查询这些商品的具体信息。之后，我们生成一个系统消息，设定一些约束，以确保我们的回应符合期望的标准。我们将生成的消息和历史信息一起送入 get_completion_from_messages 函数，得到模型的回应。之后，我们再次使用 Moderation API 检查模型的输出是否合规。如果输出不合规，我们将返回一个信息，告知无法提供该信息。

最后，我们让模型自我评估是否很好地回答了用户的问题。如果模型认为回答是满足要求的，我们则返回模型的回答；否则，我们会告知用户，他们将会被转接到人工客服进行进一步的帮助。

import utils_zh
'''
注意：限于模型对中文理解能力较弱，中文 Prompt 可能会随机出现不成功，可以多次运行；也非常欢迎同学探究更稳定的中文 Prompt
'''
def process_user_message_ch(user_input, all_messages, debug=True):"""对用户信息进行预处理参数:user_input : 用户输入all_messages : 历史信息debug : 是否开启 DEBUG 模式,默认开启"""# 分隔符delimiter = "```"# 第一步: 使用 OpenAI 的 Moderation API 检查用户输入是否合规或者是一个注入的 Prompt# response = openai.Moderation.create(input=user_input)# moderation_output = response["results"][0]# # 经过 Moderation API 检查该输入不合规# if moderation_output["flagged"]:#     print("第一步：输入被 Moderation 拒绝")#     return "抱歉，您的请求不合规"# # 如果开启了 DEBUG 模式，打印实时进度# if debug: print("第一步：输入通过 Moderation 检查")# 第二步：抽取出商品和对应的目录，类似于之前课程中的方法，做了一个封装category_and_product_response = utils_zh.find_category_and_product_only(user_input, utils_zh.get_products_and_category())#print(category_and_product_response)# 将抽取出来的字符串转化为列表category_and_product_list = utils_zh.read_string_to_list(category_and_product_response)#print(category_and_product_list)if debug: print("第二步：抽取出商品列表")# 第三步：查找商品对应信息product_information = utils_zh.generate_output_string(category_and_product_list)if debug: print("第三步：查找抽取出的商品信息")# 第四步：根据信息生成回答system_message = f"""您是一家大型电子商店的客户服务助理。\请以友好和乐于助人的语气回答问题，并提供简洁明了的答案。\请确保向用户提出相关的后续问题。"""# 插入 messagemessages = [{'role': 'system', 'content': system_message},{'role': 'user', 'content': f"{delimiter}{user_input}{delimiter}"},{'role': 'assistant', 'content': f"相关商品信息:\n{product_information}"}]# 获取 GPT3.5 的回答# 通过附加 all_messages 实现多轮对话final_response = get_completion_from_messages(all_messages + messages)if debug:print("第四步：生成用户回答")# 将该轮信息加入到历史信息中all_messages = all_messages + messages[1:]# # 第五步：基于 Moderation API 检查输出是否合规# response = openai.Moderation.create(input=final_response)# moderation_output = response["results"][0]# # 输出不合规# if moderation_output["flagged"]:#     if debug: print("第五步：输出被 Moderation 拒绝")#     return "抱歉，我们不能提供该信息"# if debug: print("第五步：输出经过 Moderation 检查")# 第六步：模型检查是否很好地回答了用户问题user_message = f"""用户信息: {delimiter}{user_input}{delimiter}代理回复: {delimiter}{final_response}{delimiter}回复是否足够回答问题如果足够，回答 Y如果不足够，回答 N仅回答上述字母即可"""# print(final_response)messages = [{'role': 'system', 'content': system_message},{'role': 'user', 'content': user_message}]# 要求模型评估回答evaluation_response = get_completion_from_messages(messages)# print(evaluation_response)if debug: print("第六步：模型评估该回答")# 第七步：如果评估为 Y，输出回答；如果评估为 N，反馈将由人工修正答案if "Y" in evaluation_response:  # 使用 in 来避免模型可能生成 Yesif debug: print("第七步：模型赞同了该回答.")return final_response, all_messageselse:if debug: print("第七步：模型不赞成该回答.")neg_str = "很抱歉，我无法提供您所需的信息。我将为您转接到一位人工客服代表以获取进一步帮助。"return neg_str, all_messagesuser_input = "请告诉我关于 smartx pro phone 和 the fotosnap camera 的信息。另外，请告诉我关于你们的tvs的情况。"
response,_ = process_user_message_ch(user_input,[])
print(response)

8.2 持续收集用户和助手消息

# 调用中文 Prompt 版本
def collect_messages_ch(debug=True):"""用于收集用户的输入并生成助手的回答参数：debug: 用于觉得是否开启调试模式"""user_input = inp.value_inputif debug: print(f"User Input = {user_input}")if user_input == "":returninp.value = ''global context# 调用 process_user_message 函数#response, context = process_user_message(user_input, context, utils.get_products_and_category(),debug=True)response, context = process_user_message_ch(user_input, context, debug=False)# print(response)context.append({'role':'assistant', 'content':f"{response}"})panels.append(pn.Row('User:', pn.pane.Markdown(user_input, width=600)))panels.append(pn.Row('Assistant:', pn.pane.Markdown(response, width=600, style={'background-color': '#F6F6F6'})))return pn.Column(*panels) # 包含了所有的对话信息

import panel as pn  # 用于图形化界面
pn.extension()panels = [] # collect display # 系统信息
context = [ {'role':'system', 'content':"You are Service Assistant"} ]  inp = pn.widgets.TextInput( placeholder='Enter text here…')
button_conversation = pn.widgets.Button(name="Service Assistant")interactive_conversation = pn.bind(collect_messages_ch, button_conversation)dashboard = pn.Column(inp,pn.Row(button_conversation),pn.panel(interactive_conversation, loading_indicator=True, height=300),
)dashboard