Ответы 1.5

Теория

Чейнинг промптов — это декомпозиция сложной задачи на последовательные, взаимосвязанные шаги или промпты, где каждый решает подзадачу. В отличие от «монолитного» подхода, это упрощает процесс и повышает управляемость.
Для наглядности чейнинг промптов можно сравнить с поэтапной готовкой сложного блюда или модульной разработкой, где каждая часть вносит свой вклад в конечный результат.
Управление воркфлоу в чейнинге предполагает фиксацию состояния на каждом шаге и адаптацию следующего шага под полученные результаты.
Экономия ресурсов: обрабатывая только необходимую информацию на каждом этапе, чейнинг промптов сокращает вычисления по сравнению с одним длинным промптом.
Снижение количества ошибок: фокус на одной подзадаче упрощает отладку и позволяет точечно улучшать модель.
Динамическая подгрузка информации важна из-за ограничений контекста моделей; чейнинг позволяет подключать релевантные данные по мере необходимости.
Основные шаги чейнинга: декомпозиция задачи, управление состоянием, дизайн промптов, загрузка/предобработка данных, динамическая подстройка контекста.
Лучшие практики: избегать ненужного усложнения, использовать ясные промпты, осуществлять внешний менеджмент контекста, стремиться к эффективности, проводить непрерывное тестирование и улучшения.
В примерах для конфигурации и работы с API используются библиотеки dotenv и openai.
System-сообщение задаёт структуру и формат ответов, что повышает их точность и согласованность.
База товаров хранит детали продуктов; функции выборки по имени или категории используются для эффективных ответов службы поддержки.
Преобразование JSON-строк в объекты Python упрощает последующую обработку в цепочках промптов.
Формирование пользовательского ответа из данных делает общение информативным и уместным.
Чейнинг позволяет системе последовательно переходить от обработки запроса к диагностике, вопросам гарантии и рекомендациям, охватывая комплексные сценарии обслуживания.

Практика

Функция retrieve_model_response:

from openai import OpenAI

client = OpenAI()

def retrieve_model_response(message_sequence, model="gpt-4o-mini", temperature=0, max_tokens=500):
    response = client.chat.completions.create(
        model=model,
        messages=message_sequence,
        temperature=temperature,
        max_tokens=max_tokens,
    )
    return response.choices[0].message.content

Извлечение информации о продуктах и категориях:

# Системное сообщение, определяющее структуру задачи и ожидаемый формат ответа
system_instruction = """
Вам будут предоставлены запросы службы поддержки. Запрос будет ограничен символами '####'.
Выведите Python-список объектов, каждый из которых представляет продукт или категорию, упомянутую в запросе.
"""

# Пример пользовательского запроса о конкретных продуктах и категориях
user_query = "#### Расскажите мне о SmartX ProPhone и FotoSnap DSLR Camera, а также о ваших телевизорах ####"

# Подготавливаем последовательность сообщений для модели
message_sequence = [
    {'role': 'system', 'content': system_instruction},
    {'role': 'user', 'content': user_query},
]

# Используем функцию для получения ответа модели
extracted_info = retrieve_model_response(message_sequence)
print(extracted_info)

Функции для работы с базой данных продуктов:

# Пример базы данных продуктов
product_database = {
    "SmartX ProPhone": {
        "name": "SmartX ProPhone",
        "category": "Смартфоны и аксессуары",
        # Дополнительные детали продукта...
    },
    "FotoSnap DSLR Camera": {
        "name": "FotoSnap DSLR Camera",
        "category": "Камеры и фотография",
        # Дополнительные детали продукта...
    },
    "UltraView HD TV": {
        "name": "UltraView HD TV",
        "category": "Телевизоры",
        # Дополнительные детали продукта...
    },
    # Другие продукты...
}

# Функция для получения информации о продукте по имени
def get_product_details_by_name(product_name):
    return product_database.get(product_name, "Продукт не найден.")

# Функция для получения всех продуктов в определенной категории
def get_products_in_category(category_name):
    return [product for product_name, product in product_database.items() if product["category"] == category_name]

# Пример использования
print(get_product_details_by_name("SmartX ProPhone"))
print(get_products_in_category("Смартфоны и аксессуары"))

Преобразование JSON-строки в список Python:

import json

def json_string_to_python_list(json_string):
    try:
        return json.loads(json_string)
    except json.JSONDecodeError as e:
        print(f"Ошибка декодирования JSON: {e}")
        return None

# Пример JSON строки
json_input = '[{"category": "Смартфоны и аксессуары", "products": ["SmartX ProPhone"]}]'

# Конвертируем и выводим Python список
python_list = json_string_to_python_list(json_input)
print(python_list)

Генерация ответа на основе данных:

def generate_response_from_data(product_data_list):
    if not product_data_list:
        return "Мы не смогли найти продукты, соответствующие вашему запросу."

    response_string = ""
    for product_data in product_data_list:
        response_string += f"Название продукта: {product_data['name']}\n"
        response_string += f"Категория: {product_data['category']}\n"
        response_string += "\n"  # Добавляем перенос строки для разделения продуктов

    return response_string

# Предполагаем, что python_list - это результат предыдущего преобразования JSON в Python список
python_list = [{'category': 'Смартфоны и аксессуары', 'products': ['SmartX ProPhone']}]
final_response = generate_response_from_data(python_list)
print(final_response)

Сквозной сценарий обработки запросов в службе поддержки: Давайте опишем сценарий, где ИИ службы поддержки обрабатывает первоначальный запрос о продукте, обрабатывает запрос на устранение неполадок, отвечает на вопрос о гарантии и предлагает дополнительные рекомендации по продуктам. Этот сценарий основан на предыдущих функциях.

Шаги сценария
1. Первоначальный запрос о продукте
  - Запрос пользователя: "Я заинтересован в обновлении моего смартфона. Что вы можете рассказать о последних моделях?"
  - Процесс ИИ: ИИ использует retrieve_model_response для извлечения релевантных названий продуктов из запроса, а затем получает детали для этих продуктов с помощью get_product_details_by_name.
  - Ответ ИИ: ИИ форматирует эту информацию с помощью generate_response_from_data и отвечает с деталями о последних моделях смартфонов.
2. Запрос на устранение неполадок
  - Запрос пользователя: "Я только что купил SmartX ProPhone, но у меня проблемы с автономностью батареи. Что мне делать?"
  - Процесс ИИ: ИИ определяет продукт и проблему, затем консультируется с базой данных по устранению неполадок или руководствами для предоставления конкретных советов.
  - Ответ ИИ: Подробные шаги по устранению неполадок для улучшения автономности батареи или следующие шаги для гарантийного обслуживания.
3. Вопрос о гарантии
  - Запрос пользователя: "Что покрывает гарантия для SmartX ProPhone?"
  - Процесс ИИ: ИИ получает информацию о гарантии, специфичную для SmartX ProPhone, из своей базы данных.
  - Ответ ИИ: Резюме покрытия гарантии, включая продолжительность и покрываемые проблемы.
4. Дополнительные рекомендации по продуктам
  - Запрос пользователя: "Есть ли какие-либо аксессуары, которые вы рекомендуете для этого телефона?"
  - Процесс ИИ: На основе информации о продукте ИИ получает список совместимых аксессуаров.
  - Ответ ИИ: ИИ рекомендует аксессуары, такие как чехлы, защитные пленки и беспроводные зарядные устройства, используя generate_response_from_data для удобного для пользователя формата.
Пример реализации
```
# Предполагаем, что все ранее упомянутые функции определены

# Шаг 1: Обработка первоначального запроса о продукте
product_inquiry = "Я заинтересован в обновлении моего смартфона. Что вы можете рассказать о последних моделях?"
# Здесь вы бы симулировали извлечение релевантной информации о продукте и отвечали соответственно.

# Шаг 2: Обработка запроса на устранение неполадок
troubleshooting_request = "Я только что купил SmartX ProPhone, но у меня проблемы с автономностью батареи. Что мне делать?"
# Обрабатываем запрос, определяя общие проблемы и решения для автономности батареи SmartX ProPhone.

# Шаг 3: Обработка вопроса о гарантии
warranty_query = "Что покрывает гарантия для SmartX ProPhone?"
# Получаем и отвечаем с информацией о гарантии, специфичной для SmartX ProPhone.

# Шаг 4: Дополнительные рекомендации по продуктам
accessories_query = "Есть ли какие-либо аксессуары, которые вы рекомендуете для этого телефона?"
# Определяем и рекомендуем совместимые аксессуары для SmartX ProPhone.

# Каждый из этих шагов включает использование определенных функций для обработки запросов пользователя и генерации информативных, полезных ответов.
```
Этот сценарий демонстрирует серию взаимодействий, которые в совокупности обеспечивают комплексное обслуживание клиентов. Каждый шаг требует специфической обработки ИИ для понимания запроса, получения релевантных данных и форматирования этой информации в четкий ответ.

Ответы 1.5

Теория

Практика

Шаги сценария

Пример реализации