OpenAI API的微调端点似乎是相当新的，我在网上找不到许多关于微调数据集的例子。
我负责一个语音机器人，正在测试GPT-3在一般开放式对话问题上的表现。我想用我们目前使用的“固定”意图-响应对来训练模型：这可能会在公司声音和风格方面表现得更好。
我已经准备好了一个从我们当前的对话引擎中提取的长JSON文件，该文件将用户输入与意图匹配并返回指定的响应。我想用这些数据来训练一个GPT-3模型。
目前，为了进行一些快速测试，我按照他们建议的方式设置了对API的调用。我有一个“固定”的介绍文本，形式如下
<name>是<company>的语音机器人。他友好且专业...这是一次<name>与客户之间的对话：这个文本会在每个查询前添加，然后是一个小的Python类，用于跟踪上下文，起始部分是
用户：<用户提供的请求>机器人：然后每次对话轮次后，API的响应会被添加，这样我就能跟踪所说的话。几轮问题后，我发送的查询或提示字符串看起来像这样：
<name>是<company>的语音机器人。他友好且专业...这是一次<name>与用户之间的对话：用户：<请求>机器人：<响应>用户：<请求>机器人：<响应>...依此类推机器人：我的问题是，我是否必须为我的训练数据提供相同的“格式”？这样做是否可取？文档表明，训练集应采用这种格式：
{"prompt": "<提示文本>", "completion": "<理想生成文本>"}{"prompt": "<提示文本>", "completion": "<理想生成文本>"}...但是提示是否需要每次都包含我的介绍文本（描述），还是我只需提供一系列用户/机器人交流，并在最后加上机器人：，然后在完成部分提供我期望的答案？在这种情况下，什么是最佳实践？我担心如果一个月后我想稍微更改介绍提示，我将不得不重新训练整个模型，因为每个响应都是用那个特定的文本块作为前缀进行训练的。
回答：
我联系了OpenAI的支持团队，他们非常有帮助：我将在这里留下他们的回答。
提示不需要每次都包含固定的介绍。相反，你只需要提供至少几百个用户/机器人交流的提示-完成对。我们有一个聊天机器人微调数据集的样本在这里。
