一. 前期准备
1、配置环境
在InternStudio平台上创建开发机，创建成功后点击进入开发机打开WebIDE。进入后在WebIDE的左上角有三个logo，依次表示JupyterLab、Terminal和Code Server，本节需要使用Terminal和Code Server。
首先点击左上角图标，打开Terminal，运行如下脚本创建虚拟环境：
# 创建虚拟环境
conda create -n langgpt python=3.10 -y运行下面的命令，激活虚拟环境：
conda activate langgpt之后的操作都要在这个环境下进行。激活环境后，安装必要的Python包，依次运行下面的命令：
# 安装一些必要的库
conda install pytorch==2.1.2 torchvision==0.16.2 torchaudio==2.1.2 pytorch-cuda=12.1 -c pytorch -c nvidia -y
# 安装其他依赖
pip install transformers==4.43.3
pip install streamlit==1.37.0
pip install huggingface_hub==0.24.3
pip install openai==1.37.1
pip install lmdeploy==0.5.22、创建项目路径，并安装tmux。
运行如下命令创建并打开项目路径：
## 创建路径
mkdir langgpt
## 进入项目路径
cd langgpt运行下面的命令安装必要的软件：
apt-get install tmux二、模型部署
1、获取模型
本项目使用intern-studio开发机，可以直接在路径/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-1_8b下找到模型
2、部署模型位OpenAI server
由于服务需要持续运行，需要将进程维持在后台，所以这里使用tmux软件创建新的命令窗口。运行如下命令创建窗口：
tmux new -t langgpt创建完成后，运行下面的命令进入新的命令窗口(首次创建自动进入，之后需要连接)：
tmux a -t langgpt进入命令窗口后，需要在新窗口中再次激活环境。然后，使用LMDeploy进行部署，参考如下命令：
使用LMDeploy进行部署，参考如下命令：
CUDA_VISIBLE_DEVICES=0 lmdeploy serve api_server /share/new_models/Shanghai_AI_Laboratory/internlm2-chat-1_8b --server-port 23333 --api-keys internlm2更多设置，可以参考：https://lmdeploy.readthedocs.io/en/latest/index.html
部署成功后，可以利用如下脚本调用部署的InternLM2-chat-1_8b模型并测试是否部署成功。
from openai import OpenAI
client = OpenAI(
api_key = "internlm2",
base_url = "http://0.0.0.0:23333/v1"
)
response = client.chat.completions.create(
model=client.models.list().data[0].id,
messages=[
{"role": "system", "content": "请介绍一下你自己"}
]
)
print(response.choices[0].message.content)三、图形化界面调用
InternLM部署完成后，可利用提供的chat_ui.py创建图形化界面，在实战营项目的tools项目中。
首先，从Github获取项目，运行如下命令：
git clone https://github.com/InternLM/Tutorial.git下载完成后，运行如下命令进入项目所在的路径，进入正确路径后，运行chat_ui.py：
cd Tutorial/tools
python -m streamlit run chat_ui.py在本地电脑上进行端口映射，如下所示：
ssh -CNg -L 8501:127.0.0.1:8501 [email protected] -p 37502在本地电脑浏览器上输入127.0.0.1:8501，则会出现chat_ui页面，如下图所示：
左侧边栏为对话的部分设置，其中最大token长度设置为0时表示不限制生成的最大token长度。API Key和Base URL是部署InternLM时的设置，必须填写。在保存设置之后，可以启动对话界面：
启动对话时，报错：
经检查，发现在模型部署后，没有执行 “服务启动完成后，可以按Ctrl+B进入tmux的控制模式，然后按D退出窗口连接。” 这个操作。 执行此操作后，可正常使用了。
四、写一个提示词，测试一下效果，提示词如下所示：
1、测试写CSDN文章标题和目录的提示词工程
# Role : CSDN文章标题生成大师
## Profile
- author: kuangbo
- version: 0.1
- language: 中文
- description: 一个用于生成CSDN文章标题的助手，擅长分析文章主题并组织文章结构。
## Background
- 你时一个企业的新媒体运营专员，负责CSDN平台的内容创作与运营。
- 现在需要你根据主题快速列出需要撰写文章的结构。
## Contraint
- 引用要准确，避免抄袭和侵权。
- 标题要简洁明了，能够准确概括文章内容。
- 语言要规范，避免使用不当的词汇和语法。
- 排版要整齐，避免出现错别字和排版混乱的情况。
## Goal
- 根据主题分析文章的撰写结构，生成CSDN文章的标题和子标题。
## Skill
- 语言理解能力，根据用户的描述理解用户想要表达的内容。
- 文章组织能力，根据主题分析文章的构成提出好的结构。
## Style
- 术语规范化
- 用词严谨
- 采用书面化的表达方式
## Workflow
1. 接收用户表达的内容；
2. 分析用户想要撰写文章的主题；
3. 根据主题分析文章的主要组成部分；
4. 按顺序和级别组织文章的组成部分；
5. 创建不同级别的标题；
6. 输出创建的标题。
## Output format
- 使用markdown格式输出，即一级标题用“#”，二级标题用“##”，一次类推
## Examples
输入：我想写一篇关于提示工程策略的文章
输出：
、、、
# 提示词工程（Prompt Engineering）- 写好提示词的基本策略
## 一、提示工程概述
### 1. 什么是提示工程
### 2. 提示工程的应用场景
### 3. 提示工程的优势和特点
## 二、提示工程的基本原理
### 1. 启发式搜索算法
### 2. 启发式搜索的优点和局限性
### 3. 启发式搜索的实现方法
## 三、启发式搜索算法
### 1. 贪心算法
### 2. 分支定界算法
### 3. 遗传算法
、、、
## Inintialization
使用这样的开场白：“你好，请告诉我你想要撰写的文章主题，我会帮您生成文章标题和结构”。将上述内容复制进左边的“系统提示”编辑框，然后，我们提问“你好，我想要撰写一篇学习了提示词工程之后的学习笔记，请帮我生成文章的结构”，大模型输出结果如下：
2、利用LangGPT优化提示词，使LLM输出正确结果
提示词：你是一个人工智能助手，当我向你询问两个浮点数比较谁更大的时候，请将他们乘以10的倍数后使他们变成整数，再进行比较，请给出详细推理过程和比较后最终结果。
可以看出这个结果不太靠谱，回答明显不对。
更换提示词：你是一个人工智能助手，当我向你询问两个浮点数比较谁更大的时候，请将他们分别乘以10000，使他们变成整数，再进行比较，请给出详细推理过程和比较后最终结果。
注：这个仅仅是提示词的一个演示，并不具有一般性，不能适用大多数情况。