业务场景：办理流量包的智能客服
对话系统的基本模块
-
语音识别（ASR）：将用户的语音输入转换为文本。 -
语义理解（NLU）：利用大模型进行语义理解，解析用户意图。 -
对话管理（DM）：包括状态跟踪（DST）和对话策略（Policy），管理对话的流畅进行。 -
自然语言生成（NLG）：生成符合语境的回复文本。 -
语音合成（TTS）：将文本回复转换为语音输出。
对话流程举例
-
用户：我要办理流量包。 -
智能客服：您好！请问您需要什么样的流量包？我们有经济套餐、畅游套餐、无限套餐和校园套餐。 -
用户：我想要一个流量大的。 -
智能客服：推荐您选择无限套餐，每月1000G流量，仅需300元。请问您需要办理吗？ -
用户：是的，帮我办理吧。 -
智能客服：好的，您的无限套餐已办理成功。谢谢使用！
用Prompt实现DST不是唯一选择
-
优点：节省开发时间和成本，快速迭代。 -
缺点：调优过程复杂，需要通过大量动态例子进行调试和优化。
import openaiimport os# 加载 .env 文件from dotenv import load_dotenv, find_dotenv_ = load_dotenv(find_dotenv())# 从环境变量中获得你的 OpenAI Keyopenai.api_key = os.getenv('OPENAI_API_KEY')openai.api_base = os.getenv('OPENAI_API_URL')model = os.getenv('MODEL')# 基于 prompt 生成文本def get_completion(prompt, model=model):messages = [{"role": "user", "content": prompt}]response = openai.ChatCompletion.create(model=model,messages=messages,temperature=0,# 模型输出的随机性，0 表示随机性最小)return response.choices[0].message["content"]instruction = """你的任务是识别用户对手机流量套餐产品的选择条件。每种流量套餐产品包含三个属性：名称(name)，月费价格(price)，月流量(data)。根据对话上下文，识别用户在上述属性上的倾向。识别结果要包含整个对话的信息。"""# 输出描述output_format = """以JSON格式输出。1. name字段的取值为string类型，取值必须为以下之一：经济套餐、畅游套餐、无限套餐、校园套餐 或 null；2. price字段的取值为一个结构体 或 null，包含两个字段：(1) operator, string类型，取值范围：'<='（小于等于）, '>=' (大于等于), '=='（等于）(2) value, int类型3. data字段的取值为取值为一个结构体 或 null，包含两个字段：(1) operator, string类型，取值范围：'<='（小于等于）, '>=' (大于等于), '=='（等于）(2) value, int类型或string类型，string类型只能是'无上限'4. 用户的意图可以包含按price或data排序，以sort字段标识，取值为一个结构体：(1) 结构体中以"ordering"="descend"表示按降序排序，以"value"字段存储待排序的字段(2) 结构体中以"ordering"="ascend"表示按升序排序，以"value"字段存储待排序的字段只输出中只包含用户提及的字段，不要猜测任何用户未直接提及的字段。不要输出值为null的字段。"""# DO NOT OUTPUT NULL-VALUED FIELD!examples = """客服：有什么可以帮您用户：100G套餐有什么{"data":{"operator":">=","value":100}}客服：有什么可以帮您用户：100G套餐有什么客服：我们现在有无限套餐，不限流量，月费300元用户：太贵了，有200元以内的不{"data":{"operator":">=","value":100},"price":{"operator":"<=","value":200}}客服：有什么可以帮您用户：便宜的套餐有什么客服：我们现在有经济套餐，每月50元，10G流量用户：100G以上的有什么{"data":{"operator":">=","value":100},"sort":{"ordering"="ascend","value"="price"}}客服：有什么可以帮您用户：100G以上的套餐有什么客服：我们现在有畅游套餐，流量100G，月费180元用户：流量最多的呢{"sort":{"ordering"="descend","value"="data"},"data":{"operator":">=","value":100}}"""# input_text="哪个便宜"# input_text="无限量哪个多少钱"input_text = "流量最大的多少钱"context = f"""客服：有什么可以帮您用户：有什么100G以上的套餐推荐客服：我们有畅游套餐和无限套餐，您有什么价格倾向吗用户：{input_text}"""prompt = f"""{instruction}{output_format}{examples}{context}"""response = get_completion(prompt)print(response)
输出：
{"sort": {"ordering": "descend","value": "data"},"data": {"operator": ">=","value": 100}}
用Prompt实现NLU，用传统方法维护DST
-
优点：DST环节具有更高的可控性，可以结合业务经验设计状态更新机制，确保系统稳定可靠。 -
缺点：需要深入了解业务逻辑，设计合适的状态更新和冲突解决机制。
import openaiimport os# 加载 .env 文件from dotenv import load_dotenv, find_dotenv_ = load_dotenv(find_dotenv())# 从环境变量中获得你的 OpenAI Keyopenai.api_key = os.getenv('OPENAI_API_KEY')openai.api_base = os.getenv('OPENAI_API_URL')model = os.getenv('MODEL')# 任务描述instruction = """你的任务是识别用户对手机流量套餐产品的选择条件。每种流量套餐产品包含三个属性：名称(name)，月费价格(price)，月流量(data)。根据用户输入，识别用户在上述三种属性上的倾向。"""# 输出描述output_format = """以JSON格式输出。1. name字段的取值为string类型，取值必须为以下之一：经济套餐、畅游套餐、无限套餐、校园套餐 或 null；2. price字段的取值为一个结构体 或 null，包含两个字段：(1) operator, string类型，取值范围：'<='（小于等于）, '>=' (大于等于), '=='（等于）(2) value, int类型3. data字段的取值为取值为一个结构体 或 null，包含两个字段：(1) operator, string类型，取值范围：'<='（小于等于）, '>=' (大于等于), '=='（等于）(2) value, int类型或string类型，string类型只能是'无上限'4. 用户的意图可以包含按price或data排序，以sort字段标识，取值为一个结构体：(1) 结构体中以"ordering"="descend"表示按降序排序，以"value"字段存储待排序的字段(2) 结构体中以"ordering"="ascend"表示按升序排序，以"value"字段存储待排序的字段只输出中只包含用户提及的字段，不要猜测任何用户未直接提及的字段，不输出值为null的字段。"""examples = """便宜的套餐：{"sort":{"ordering"="ascend","value"="price"}}有没有不限流量的：{"data":{"operator":"==","value":"无上限"}}流量大的：{"sort":{"ordering"="descend","value"="data"}}100G以上流量的套餐最便宜的是哪个：{"sort":{"ordering"="ascend","value"="price"},"data":{"operator":">=","value":100}}月费不超过200的：{"price":{"operator":"<=","value":200}}就要月费180那个套餐：{"price":{"operator":"==","value":180}}经济套餐：{"name":"经济套餐"}"""input_text = "有没有便宜的套餐"# input_text = "有没有土豪套餐"# input_text = "办个200G的套餐"# input_text = "有没有流量大的套餐"# input_text = "200元以下，流量大的套餐有啥"# input_text = "你说那个10G的套餐，叫啥名字"prompt = f"""{instruction}{output_format}例如：{examples}用户输入：{input_text}"""# 基于 prompt 生成文本def get_completion(prompt, model=model):messages = [{"role": "user", "content": prompt}]response = openai.ChatCompletion.create(model=model,messages=messages,temperature=0,# 模型输出的随机性，0 表示随机性最小)return response.choices[0].message["content"]response = get_completion(prompt)print(response)
{"sort":{"ordering":"ascend","value":"price"}}
