Développer des applications avec GPT-4 et ChatGPT, 2e édition

Chapitre 4. Stratégies avancées d'intégration du LLM avec OpenAI

Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : [e-mail]

Maintenant que tu connais les bases des LLMs et de l'API OpenAI, il est temps de faire passer tes compétences au niveau supérieur. Ce chapitre couvre des stratégies puissantes qui te permettront d'exploiter le véritable potentiel des modèles d'OpenAI. De l'ingénierie prompte et du réglage fin des modèles pour des tâches spécifiques à la mise en œuvre de la conception RAG sur tes données propriétaires, ce chapitre te donnera toutes les connaissances nécessaires pour aller plus loin dans l'utilisation des LLMs avec OpenAI. Nous aborderons également quelques stratégies pour surmonter les pièges spécifiques que tu rencontreras en travaillant sur l'intégration des LLMs dans tes projets.

Ingénierie prompte

Avant de plonger dans l'ingénierie des prompts, examinons brièvement la fonction completion du modèle de chat, car cette section l'utilisera abondamment. Pour rendre le code plus compact, nous définissons la fonction comme suit :

client = OpenAI()

def chat_completion(prompt, model="gpt-4", temperature=0, response_format=None):
    res = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": prompt}],
        temperature=temperature,
        response_format=response_format 
    )
    return res.choices[0].message.content

Cette fonction reçoit un prompt et affiche le résultat de l'achèvement ...