将GPT融入工作流的簡單方法

一直在考慮如何讓GPT融入自身工作流的方法，但因為網頁版使用仍然有其便利性，而工作流的開發則需要時間。你往往會因為“緊急”而忽視了“重要”，而“重要”卻是更長期有效且效率更高的。是以，不得不将注意力從“緊急”轉到“重要”上來。

首先讓我們來思考，工作流中高頻且隻需一次對話便能夠完成的場景有哪些？

• 會議紀要
• 梳理任務清單
• 郵件潤色
• 文檔大綱生成
• 文檔總結概述
• 日程安排
• 翻譯
• 專業術語解釋
• 文案創作
• 文檔分類

嘗試将以上場景進行分類，可歸類為：

• 文檔工作
• 大綱生成
• 總結概述
• 會議紀要
• 文檔分類
• 郵件潤色
• 任務管理
• 梳理任務清單
• 日程安排
• 解析或創作
• 文案創作
• 翻譯
• 專業術語解釋

假設以上工作都隻需要一次對話即可完成，那麼我們的py程式的輸入、處理過程和輸出則是：

輸入參數：工作場景+語料 處理步驟1：調用調試好的對應prompt 處理步驟2：将prompt+語料組合并發起對話請求 輸出：提取api傳回結果

利用Alfred工作流将上面的核心程式連接配接到你的使用場景中，比如：

1. 通過快捷鍵觸發工作流，如 shift+command+P
2. 擷取你滑鼠選中的文本→作為語料
3. 輸入到py程式
4. 輸出到剪貼闆

通過Alfred工作流來做的好處是，你可以在不同的工具中去調用，無論是Logseq還是Obsidian（當然Obsidian的TextGenerator插件也能完成），還是其他任何一個能記錄文字的地方都可以調用，并且使用的是同一套prompt。

以下是py程式的示例：

import os, sys
import openai
import json

# 運作環境初始化
os.environ["http_proxy"] = "http://127.0.0.1:1088" #修改為你的本地代理端口
os.environ["https_proxy"] = "http://127.0.0.1:1088" #修改為你的本地代理端口

openai.api_key = "你的openai key"

# 輸出标準化
def stdout_write(output_string: str) -> None:
	output_string = "..." if output_string == "" else output_string
	sys.stdout.write(output_string)

# 請求函數
def call_gpt_response(chat_template, chat_prompt, stream_msg=[]):
	# chat_template 模闆取自各個模版md檔案
	# chat_prompt 提問
	prompt_messages = []
	chat_prompt = chat_template + chat_prompt
	system_content = {"role": "system", "content": "你是任務規劃助手"}
	user_content_final = {"role": "user", "content": chat_prompt}
	prompt_messages.append(system_content)
	
	i = 1
	for msg in stream_msg:
		if i%2 == 1:
			user_content_previous = {"role": "user", "content": msg}
		else:
			user_content_previous = {"role": "system", "content": msg}
		prompt_messages.append(user_content_previous)
		i = i + 1

	prompt_messages.append(user_content_final)
	response = openai.ChatCompletion.create(
		# model = "gpt-3.5-turbo-0301",
		model = "gpt-4",
		messages = prompt_messages
	) # 修改你希望調用的模型

	res = json.loads(str(response))
	res_status = res['choices'][0]['finish_reason']
	res_content = res['choices'][0]['message']['content']
	
	if res_status == 'stop':
		return res_content
	else:
		print('Something wrong:{}'.format(res_status))
		return 999

if __name__ == '__main__':
	# 根據輸入參數，調用不同的模版
	template = "".join(sys.argv[1])
	input_selection = "".join(sys.argv[2])
	# 根據template參數讀取對應md檔案
	template_text = open("./templates/{}.md".format(template), 'r', encoding='utf-8').read()

	# 發起請求
	response = call_gpt_response(template_text, input_selection)
	response.replace('`', '').replace('\n\n', '\n')
	stdout_write(response)
           

工作流圖

其中執行py程式的算子示例（此處為了資料脫敏，用了~來表示，實際使用時建議用完整路徑）：

cd ~/code/alfred-workflow

~/opt/anaconda3/envs/py37/bin/python ~/code/alfred-workflow/text_chat_main.py planner $1
           

每一個prompt最好都先在網頁端進行多次嘗試，等生成内容格式相對固定且内容品質穩定後再放入模闆進行使用，比如這個是用于任務規劃的prompt：

作為一個個人任務規劃管理師，你将為我對目标進行合理分解細化，并給出每個任務的預估工作量。你将為我分析任務之間的依賴關系，并将其以優先級區分，保證工作可有序高效進行。我是智慧城市産品經理和大資料技術經理，一般工作任務都跟産品管理與技術管理更為相關。

輸出規則如下：

{
- 整個清單以Markdown格式輸出
- 一級任務是無序清單，将```TODO```字眼，優先級(由高到低是#A、#B、#C)，任務描述，依賴關系，預估工作量寫在一行，格式是：```- TODO [#A] 任務描述-依賴關系-預估工作量```
- 二級子任務是有序清單
}

以下是一個粗略的任務清單，請将其整理為規劃好的一二級任務清單，隻輸出清單即可：
           

個人星球正式更名：歪思大資料與AI研習社

希望小夥伴在此可結識到志同道合的人，分享研究心得，讨論最新的技術發展趨勢。

借此機會将2023年Q2的更新計劃颠覆一下下。因為AI的發展實在太快，即日起，不再過于在乎更新内容的精确性，而更注重瞬時性。個人立Flag，從一周兩更開始，并且完整内容将與個人公衆号同步釋出。

其他更零散、更偏向“不願意公開釋出”的内容會放在星球這邊。結合個人能力的傾向，我的更新會更偏向技術，當然也歡迎小夥伴跟我讨論各種應用及行業需求場景。