摘要“扩展”Expanding是大语言模型的一项重要能力根据简短的输入如指令或主题生成长篇内容如邮件、文章。本文基于 OpenAI 官方课程以“根据客户评论自动生成定制化客服回复邮件”为实战案例系统讲解如何利用 LLM 进行文本扩展。你将学习构建带条件分支的提示词根据情感倾向采取不同回复策略、使用评论中的具体细节增强回复个性化、理解“temperature”参数对输出多样性的影响以及如何在创意与确定性之间取得平衡。所有代码均基于 gpt-3.5-turbo 模型可直接运行。适用人群 / 前置知识适用人群需要自动化生成内容如客服回复、营销文案、头脑风暴的开发者、产品经理、运营人员希望深入理解 LLM 参数调优的学习者。前置知识Python 基础OpenAI API 调用基础了解情感分析等推理任务参考本系列前一篇博客。引言从短到长——LLM 的“扩展”超能力大语言模型不仅能“总结”变长文为短句还能“扩展”变短句为长文。你给它几个关键词或一句指令它就能写出一封完整的邮件、一篇短文甚至一份报告。这种能力在自动化客服、内容生成、头脑风暴等场景中极具价值。但同时这种能力也可能被滥用如生成垃圾邮件。因此在使用时务必遵守伦理规范保持透明度让用户知道内容由 AI 生成。本文将围绕一个真实案例展开根据客户对产品的评论以及我们提前分析出的情感倾向自动生成一封个性化的客服回复邮件。我们还会深入讲解 temperature参数——它是控制模型“创造性”与“确定性”的关键旋钮。环境准备importopenaiimportosfromdotenvimportload_dotenv,find_dotenv _load_dotenv(find_dotenv())openai.api_keyos.getenv(OPENAI_API_KEY)defget_completion(prompt,modelgpt-3.5-turbo,temperature0):messages[{role:user,content:prompt}]responseopenai.ChatCompletion.create(modelmodel,messagesmessages,temperaturetemperature,)returnresponse.choices[0].message[content]案例数据一条负面评论搅拌机我们有一条关于搅拌机的客户评论篇幅较长摘要如下11 月促销价 $4912 月涨到 $70-89底座刀片锁定部位质量不如以前使用一年后电机发出异响保修已过期只能买新的整体质量下降公司依赖品牌忠诚度送货速度还算快两天到达情感分析结果为 negative负面。任务根据情感生成定制化客服回复基础提示词temperature0sentimentnegativereview完整的搅拌机评论见代码文件promptf 你是一个客户服务 AI 助手。 你的任务是给一位尊贵的客户发送邮件回复。 给定由三重反引号分隔的客户邮件 生成一封回复以感谢客户的评论。 如果情感是正面或中性的感谢他们的评论。 如果情感是负面的道歉并建议他们可以联系客服。 确保使用评论中的具体细节。 以简洁、专业的语气撰写。 署名“AI 客户代理”。 客户评论{review} 评论情感{sentiment}responseget_completion(prompt,temperature0)print(response)输出示例temperature0每次运行结果相同Dear Valued Customer,Thank youforsharing your detailed feedback about the blender.I sincerely apologizeforthe issues you experienced,particularlywiththe price increase,the quality of the blade locking mechanism,andthe motor noise after a year.Please reach out to our customer service team so we can assist you further.We appreciate your loyaltyandare committed to improving our products.AI customer agent可以看到模型正确地识别了负面情感道歉并建议联系客服同时提到了价格、刀片锁、电机噪音等具体细节。temperature参数的影响我们之前一直使用 temperature0这保证了输出的确定性——每次运行相同提示结果完全一致。对于客服邮件、API 响应等需要稳定性的场景推荐使用 0。现在尝试 temperature0.7responseget_completion(prompt,temperature0.7)print(response)第一次运行温temperature0.7可能输出Hello,We are truly sorry to hear about your disappointing experiencewithour blender.The price changes,quality concerns,andmotor issue after a year arenotup to our standards.Please contact our customer service teamforfurther assistance.We value your feedbackandhope to make things right.AI customer agent第二次运行temperature0.7相同提示可能输出不同的邮件Dear Customer,Thank youforyour honest review.We apologizeforthe trouble youve hadwiththe blender,including the price fluctuationandthe motor problem.Your comments about the base qualityandwarranty are very important to us.Please reach out to customer service so we can address your concerns directly.AI customer agent每次结果都不同——用词、句式、细节侧重点都有变化。temperature越高随机性越大输出越多样。深入理解 Temperature 参数工作原理LLM 本质上是根据概率预测下一个 token。对于给定的上文模型会计算所有可能的下一个 token 的概率分布。temperature值行为适用场景0总是选择概率最高的 token贪心解码客服回复、代码生成、翻译、推理任务0.2-0.5低随机性偶尔选择次优 token轻度创意如产品描述变体0.7-1.0中等随机性输出多样性明显头脑风暴、故事生成、诗歌创作 1.0高随机性可能产生不连贯内容实验性用途一般不推荐直观类比想象你在玩一个“接龙”游戏temperature0你永远选择最稳妥、最常见的下一个词。写出来的内容很“安全”但也可能很“无聊”。temperature0.7你有时会选择一个稍微冷门的词句子变得更有趣。temperature1.5你经常随机乱选词句子可能变得奇怪甚至无意义。实践建议1. 生产环境优先用temperature0可预测、可测试、可缓存。2. 创意任务适当调高temperature建议从 0.5 开始逐步上调到 0.8。3. temperature不是唯一控制多样性的参数还可以通过 top_p核采样调节但 temperature 更直观。4. 低temperature ≠ 无错误即使temperature0模型仍可能产生幻觉。需要配合其他技巧如少样本、约束提示。扩展应用场景场景输入输出推荐 temperature客服邮件回复客户评论 情感个性化回复0营销文案变体产品卖点多条不同风格的文案0.5-0.7头脑风暴一个主题10 个创意点子0.8-1.0代码注释生成函数签名自然语言注释0-0.2聊天机器人闲聊用户消息多样化回复0.7注意事项与伦理规范1. 明确标识 AI 生成内容如示例中的署名“AI 客户代理”让用户知情。2. 避免滥用不要用扩展能力生成垃圾邮件、虚假评论、误导性内容。3. 负面评论的处理应引导用户联系真实客服而非仅靠 AI 道歉。4. temperature 过高的风险可能生成不专业、不相关或冒犯性内容需人工审核。5. 结合推理任务本示例中情感是预先提取的你也可以在一个提示中同时完成情感分析和邮件生成使用多步调用或更复杂的提示。总结关键点说明扩展任务定义短输入 → 长输出邮件、文章等核心提示技巧明确角色、任务、条件分支、署名要求使用具体细节提示中要求模型引用评论中的具体内容temperature0确定性输出适合生产环境temperature0增加随机性和多样性适合创意场景透明度必须声明内容由 AI 生成文本扩展能力让 LLM 成为自动内容生成的强大引擎。结合推理情感分析和扩展邮件生成你可以构建端到端的智能客服系统——先判断客户情绪再生成恰当的回复。记住temperature 是你控制“严谨”与“创意”之间的调节器根据任务需求选择合适的值。下一步你可以尝试将扩展与其他能力组合先让模型总结用户反馈再扩展成改进建议报告或者用低temperature参数生成标准回复用高temperature参数生成多个备选方案供人工选择。无限可能等你探索。