使用大模型解析用户问题

前文

我在问答业务中遇到了这样的问题，用户的提问方式是千变万化的，有一种可能就是用户会为了节省时间，同时在一句话里面包含了多个问题，如用户输入“查询上城区管龄大于10年，管材是PE管的管线信息，再帮我统计一下上城区燃气管线长度，最后帮我看一下西湖区地下停车位情况”，如果分开来应该包含下面的三个问题：

查询上城区管龄大于10年，管材是PE管的管线信息
统计上城区燃气管线长度
查看西湖区地下停车位情况

如果是类似这样的长问题多问题的输入，我们就要对问题进行分析，眼下最方便的实现方式是使用大模型先对原问题进行分析，然后拆分出合理的若干子问题。

准备

我所使用的是 qwen-max 模型，这个算是比较大的模型，效果也还可以。如果要使用其他的大模型也可以，但是一般都要申请 API_KEY，目前 qwen 在做活动免费送的 token 数量足够我用了，我就干脆使用 qwen 。

实现

使用大模型来解决这种理解或者分析类型的问题，要解决以下这些问题：

编写system 的 prompt ，将大模型“人设”进行预定，我这里将大模型作为了一个“精通问题总结的助手”。
编写合理且有效的user 的 prompt，将使用大模型办的任务交代清楚，将自己的问题作为参数出入，我这里的 prompt 中有一个参数 question 就是用户的提问问题。
编写合理且有效的输出模板，方便结果的提取，我这里要求比较简单，将用户的问题进行分析之后，使用特殊符号 ### 将分析出来的列表进行拼接并输出。
提供合适且有效的例子，增强模型分析问题的功能，我这里就是简单列举了一个例子，如果多列举几个例子，大模型的效果会更好更稳定。

我的整个消息列表如下所示：

ini
复制代码
messages = [
    {'role': 'system',
     'content': '您是一名精通问题总结的助手，我的问题中可能只包含一个请求，也可能包含多个问题，请帮我总结并抽取出来，保证不会丢失关键信息、'},
    {'role': 'user', 'content': f"""我现在的问题是“{question}” 请仔细理解并总结，直接返回答案，不要进行其他额外的赘述。答案的模板必须遵循下面的形式：\n
                                    
                                    问题一###问题二###问题三
                                 
                                 例如：我的问题是“查询凤起路地铁站附近100米范围内的管线信息，同时帮我查一下西湖区面积大于100的地下停车场信息”，经过解析结果使用模板输出:\n
                                  查询凤起路地铁站附近100米范围内的管线信息###查询西湖区面积大于100的地下停车场信息"""
     }
]

最终 qwen-max 使用 messages 的整个过程如下：

ini
复制代码
@app.route('/get_multi_questions', methods=["POST"])
def get_multi_questions():
    data = request.get_json()
    if 'question' not in data or not data['question']:
        return []
    questions = []
    question = data['question']
    logging.info(f"正在从问题 【{question}】 中抽取可能出现的多个问题...")
    dashscope.api_key = config.API_KEY
    response = Generation.call(model="qwen-max-0428", messages=messages, result_format='message')
    if response.status_code == HTTPStatus.OK:
        resp = response.output.choices[0]['message']['content']
        if resp:
            resp = resp.strip()
            questions = resp.split("###")
            logging.info(f"从问题【{question}】 中抽取可能出现的多个问题分别是: {resp}")
        return questions
    else:
        return questions

后文

拓展开来，其实现在很多任务都可以使用大模型来解决，只要规定好输入和输出是什么即可，另外将任务描述清楚也是一项很重要的技能，否则模棱两可的描述在使用大模型的时候可能会出现适得其反的效果。

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

所有资料 ⚡️ ，朋友们如果有需要全套《LLM大模型入门+进阶学习资源包》，扫码获取~

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。那以下这些PDF籍就是非常不错的学习资源。

在这里插入图片描述

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
  - L1.4.1 知识大模型
  - L1.4.2 生产大模型
  - L1.4.3 模型工程方法论
  - L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
  - L2.1.1 OpenAI API接口
  - L2.1.2 Python接口接入
  - L2.1.3 BOT工具类框架
  - L2.1.4 代码示例
- L2.2 Prompt框架
  - L2.2.1 什么是Prompt
  - L2.2.2 Prompt框架应用现状
  - L2.2.3 基于GPTAS的Prompt框架
  - L2.2.4 Prompt框架与Thought
  - L2.2.5 Prompt框架与提示词
- L2.3 流水线工程
  - L2.3.1 流水线工程的概念
  - L2.3.2 流水线工程的优点
  - L2.3.3 流水线工程的应用
- L2.4 总结与展望

阶段3：AI大模型应用架构实践

目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
内容：
- L3.1 Agent模型框架
  - L3.1.1 Agent模型框架的设计理念
  - L3.1.2 Agent模型框架的核心组件
  - L3.1.3 Agent模型框架的实现细节
- L3.2 MetaGPT
  - L3.2.1 MetaGPT的基本概念
  - L3.2.2 MetaGPT的工作原理
  - L3.2.3 MetaGPT的应用场景
- L3.3 ChatGLM
  - L3.3.1 ChatGLM的特点
  - L3.3.2 ChatGLM的开发环境
  - L3.3.3 ChatGLM的使用示例
- L3.4 LLAMA
  - L3.4.1 LLAMA的特点
  - L3.4.2 LLAMA的开发环境
  - L3.4.3 LLAMA的使用示例
- L3.5 其他大模型介绍