大语言模型中,role为user、assistant、system有什么区别

2024-08-27 12:44

本文主要是介绍大语言模型中,role为user、assistant、system有什么区别,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

这里写目录标题

  • 大语言模型中,role为user、assistant、system有什么区别
  • 要实现多轮对话,也就说要记住历史问答,该如何设置System、User、Assistant?
  • 管理历史对话

大语言模型中,role为user、assistant、system有什么区别

在大语言模型中,通常涉及到三种角色:用户(user)、助手(assistant)和系统(system)。它们的区别在于其在对话或交互过程中扮演的角色和功能。
系统(system):

  • 系统是指整个大语言模型或者其中的某个部分,负责处理用户输入并生成相应的输出。
  • 明确对话的主题或领域(例如,技术支持、教育、娱乐等)
  • 指示模型扮演特定角色(例如,老师、顾问等)

用户(user):

  • 用户是指与系统进行交互的个体或实体,通常是真实的人类用户或其他系统
  • 用户通过输入文本、语音或其他形式与系统进行沟通,提出问题、请求信息或执行操作。

助手(assistant):

  • 助手是一种程序或系统组件,设计用来协助用户完成特定的任务、获取信息或提供服务。
  • 助手通常具有自然语言处理能力,能够理解用户的输入,并根据输入提供相应的反馈、建议或执行操作,是模型生成响应的地方

示例:

 curl -s https://api.openai.com/v1/chat/completions \-H "Content-Type: application/json" \-H "Authorization: Bearer YOUR-API-KEY" \-d '{"model": "gpt-3.5-turbo-16k","messages": [{"role": "system","content": "您是足球专家"},{"role": "user","content": "谁赢得了2018年的FIFA世界杯?"},{"role": "assistant","content": "法国赢得了2018年的FIFA世界杯。"},{"role": "user","content": "下一届FIFA世界杯什么时候举行?"}]}'

要实现多轮对话,也就说要记住历史问答,该如何设置System、User、Assistant?

让大模型记住历史问答,就要传递上下文,在每次请求中,将之前的对话内容作为上下文传递给模型。其实就是初始化一个列表,将大模型每次的回答,保存给Assistant,append到列表中。

import openai# 初始化对话历史
conversation_history = [{"role": "system", "content": "你是一个智能助手,专注于提供技术支持。请记住用户的历史问题和你的回答,以便在后续对话中提供更好的帮助。"}
]# 用户的第一个问题
user_input = "我需要安装一个软件,你能告诉我怎么做吗?"
conversation_history.append({"role": "user", "content": user_input})# 调用API生成响应
response = openai.ChatCompletion.create(model="gpt-3.5-turbo",messages=conversation_history
)# 获取助手的回答
assistant_response = response['choices'][0]['message']['content']
conversation_history.append({"role": "assistant", "content": assistant_response})print(assistant_response)# 用户的第二个问题
user_input = "上次你提到如何安装软件,我想知道如何配置它。"
conversation_history.append({"role": "user", "content": user_input})# 调用API生成响应
response = openai.ChatCompletion.create(model="gpt-3.5-turbo",messages=conversation_history
)# 获取助手的回答
assistant_response = response['choices'][0]['message']['content']
conversation_history.append({"role": "assistant", "content": assistant_response})print(assistant_response)

管理历史对话

在进行几轮对话后,上下文可能非常长:

  • 在对话进行到一定阶段后,可以对之前的对话进行摘要,以减少上下文的长度,同时保留关键信息。
  • 如果有可能,使用外部存储(如数据库或会话管理系统)来保存用户的历史对话,以便在后续对话中调用。

参考:

  • https://blog.csdn.net/qq_43276566/article/details/139956449
  • https://blog.csdn.net/Tory2/article/details/132823810

这篇关于大语言模型中,role为user、assistant、system有什么区别的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1111703

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

科研绘图系列:R语言扩展物种堆积图(Extended Stacked Barplot)

介绍 R语言的扩展物种堆积图是一种数据可视化工具,它不仅展示了物种的堆积结果,还整合了不同样本分组之间的差异性分析结果。这种图形表示方法能够直观地比较不同物种在各个分组中的显著性差异,为研究者提供了一种有效的数据解读方式。 加载R包 knitr::opts_chunk$set(warning = F, message = F)library(tidyverse)library(phyl

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}

秋招最新大模型算法面试,熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候,不知道面试完会不会复盘、总结,做笔记的习惯,这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助,都附有完整答案,熬夜也要看完,祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN,还有完整版的大模型 AI 学习资料,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言

【IPV6从入门到起飞】5-1 IPV6+Home Assistant(搭建基本环境)

【IPV6从入门到起飞】5-1 IPV6+Home Assistant #搭建基本环境 1 背景2 docker下载 hass3 创建容器4 浏览器访问 hass5 手机APP远程访问hass6 更多玩法 1 背景 既然电脑可以IPV6入站,手机流量可以访问IPV6网络的服务,为什么不在电脑搭建Home Assistant(hass),来控制你的设备呢?@智能家居 @万物互联

AI Toolkit + H100 GPU,一小时内微调最新热门文生图模型 FLUX

上个月,FLUX 席卷了互联网,这并非没有原因。他们声称优于 DALLE 3、Ideogram 和 Stable Diffusion 3 等模型,而这一点已被证明是有依据的。随着越来越多的流行图像生成工具(如 Stable Diffusion Web UI Forge 和 ComyUI)开始支持这些模型,FLUX 在 Stable Diffusion 领域的扩展将会持续下去。 自 FLU