CONVERT 提示

提示工程 - 提示词在转换和计算中的应用

提示工程（Prompt engineering）提供了广泛的技术来增强大型语言模型（LLMs），例如 ChatGPT 的能力。在本章中，我们将探讨如何有效地利用提示词（prompt）让 LLMs 执行转换、计算或单位转换，将它们用作多功能的计算工具。

通过精心设计清晰和具体的提示词，我们可以利用 LLM 处理和理解数值请求的能力，来获取各种转换和计算任务的结果。

理解如何请求进行转换

要让 LLM 执行转换或计算，您需要用自然语言清晰地陈述您的请求。模型利用其训练数据（包含大量文本和代码）来理解单位之间的关系以及如何执行数学运算。

转换任务的基本交互如下所示：

User: Convert 10 miles to kilometers.

ChatGPT: 10 miles is approximately equal to 16.0934 kilometers.

在这个例子中，用户明确请求将 10 英里转换为公里。LLM 处理此请求并提供转换后的值。请注意，精度可能会有所不同，对于关键应用，请务必验证结果。

请求转换和计算的最佳实践

为了最大程度地利用 LLM 在这些任务上的能力，请考虑以下最佳实践：

具体明确：清晰地陈述转换任务或计算。提供所有必要的细节，例如涉及的确切单位和数值。例如，如果存在歧义，请指定是“美制加仑”（U.S. gallons）还是“英制加仑”（imperial gallons）。
处理潜在歧义：某些转换任务可能存在多种解释（例如，“吨”（ton）可以是公吨（metric ton）、短吨（short ton）或长吨（long ton））。如果不确定，请要求 LLM 说明其假设，或者在您的提示词中提供更多上下文。
请求期望的输出格式：如果您需要特定格式的结果（例如，四舍五入到小数点后某一位、特定的单位符号），请将其包含在您的提示词中。例如：“将 50 摄氏度（degrees Celsius）转换为华氏度（Fahrenheit）。提供整数结果。”
验证关键结果：LLMs 可能会犯错，尤其是在复杂的计算或不常见的转换中。对于关键应用，请务必使用专门的计算器或权威来源验证结果。LLMs 更适合进行快速估算或常见转换。
分解复杂计算：对于多步计算，通过将其分解为更小的、顺序的提示词，或在单个提示词中清晰地列出所有步骤，可能会获得更好的结果。

应用示例：使用 Python 和 OpenAI API 实现

我们来探讨一个使用 Python 和 OpenAI API 请求转换的实际示例。这个脚本演示了如何向 GPT-3.5 Turbo 等模型发送转换请求。

import os
from openai import OpenAI

# It's best practice to set your API key as an environment variable
# For example: os.environ.get("OPENAI_API_KEY")
# For this tutorial, we'll use a placeholder. Replace with your actual key.
client = OpenAI(api_key='YOUR_API_KEY')

def get_conversion_from_llm(query):
    try:
        response = client.chat.completions.create(
            model="gpt-3.5-turbo", # You can also use newer models like gpt-4o-mini
            messages=[
                {
                    "role": "system",
                    "content": "You are a helpful assistant that performs unit conversions accurately."
                },
                {
                    "role": "user",
                    "content": query
                }
            ],
            max_tokens=60,
            temperature=0.2,  # Lower temperature for factual, precise tasks
            n=1,
            stop=None
        )
        return response.choices[0].message.content.strip()
    except Exception as e:
        return f"An error occurred: {e}"

user_request = "Convert 2500 US dollars to Euros. Use today's approximate exchange rate."
# Note: LLMs' knowledge of real-time data like exchange rates is limited to their last training update.
# For precise, real-time rates, an API dedicated to financial data is recommended.
# This example tests the LLM's ability to perform a conversion based on its general knowledge.

conversion_result = get_conversion_from_llm(user_request)

print(f"User Request: {user_request}")
print(f"ChatGPT's Response: {conversion_result}")

在此示例中，get_conversion_from_llm 函数将用户的转换请求发送到 OpenAI API。我们使用系统消息（system message）为 LLM 设置上下文（context）。用户的查询请求进行货币转换，这依赖于 LLM 训练数据中的近似汇率。对于实时、关键的金融数据，请始终使用专门的金融数据提供商。

输出示例

当您运行脚本时，输出将取决于 LLM 当前的知识及其对“今天的近似汇率”（today’s approximate exchange rate）的解释。一个示例响应可能是：

User Request: Convert 2500 US dollars to Euros. Use today's approximate exchange rate.
ChatGPT's Response: As of my last update, 2500 US dollars is approximately equal to 2325 Euros. Please note that exchange rates fluctuate, so for the most current rate, you should consult a real-time currency converter.

此输出显示 LLM 正在执行转换，同时（恰当地）指出了关于实时数据的局限性。

实际应用场景

在各种情况下，使用 LLMs 进行转换都非常方便：

快速单位查找：例如，“5 英尺 7 英寸有多少厘米？”
食谱调整：例如，“将 1.5 杯面粉转换为克。”
旅行计划：例如，“20 摄氏度是多少华氏度？”
教育用途：帮助学生理解不同的度量单位。

虽然 LLMs 功能强大，但对于高精度、安全关键或实时金融计算，专用软件或服务更为合适。对于日常估算和一般知识转换，LLMs 可以是一个快速方便的工具。

总结

在本章中，我们探讨了如何通过提示词让 LLMs 执行转换和计算。通过提供清晰、具体的指令并理解 LLM 的能力和局限性，我们可以有效地将它们用作各种任务的计算辅助工具。请务必记住验证关键信息。