Paweł Domański
441 lines
20 KiB
Python
441 lines
20 KiB
Python
import os
|
|
import time
|
|
from dotenv import load_dotenv
|
|
from openai import OpenAI
|
|
|
|
load_dotenv()
|
|
# 3/ set up the client
|
|
client = OpenAI(
|
|
api_key=os.getenv("OPENAI_API_KEY"),
|
|
)
|
|
|
|
|
|
class ActionsPipeline:
|
|
def __init__(self, model, input_prompt):
|
|
self.model = model
|
|
self.input_prompt = input_prompt
|
|
self.tools_dict = {}
|
|
self.eval_criteria = None
|
|
self.reasoning = None
|
|
self.task_decomposition = []
|
|
self.tools_suggestion = []
|
|
self.references_suggestion = []
|
|
self.advanced_prompt = None
|
|
self.prompt_tokens = 0
|
|
self.completion_tokens = 0
|
|
|
|
def analyze_input(self):
|
|
print("Analizowanie promptu...")
|
|
analysis_prompt = f"""
|
|
Jesteś asystentem o wysokim poziomie inteligencji.
|
|
Przeanalizuj dostarczony {{self.prompt}} i wygeneruj zwięzłe odpowiedzi dotyczące poniższych kluczowych aspektów:
|
|
|
|
- **Główny cel zapytania:** Zidentyfikuj główny temat lub prośbę zawartą w zapytaniu.
|
|
- **Persona:** Zaproponuj najodpowiedniejszą rolę, jaką model AI powinien przyjąć (np. ekspert, nauczyciel, konwersacyjny itp.).
|
|
- **Optymalna długość wyjścia:** Zaproponuj optymalną długość odpowiedzi (krótka, zwięzła, średnia, długa) w zależności od zadania i określ przybliżoną liczbę słów, jeśli jest to odpowiednie.
|
|
- **Najdogodniejszy format wyjścia:** Zarekomenduj optymalny format dla odpowiedzi (np. lista, akapit, fragment kodu, tabela, JSON itp.).
|
|
- **Szczególne wymagania:** Wskaż wszelkie specjalne warunki, zasady lub oczekiwania wyrażone lub sugerowane w zapytaniu.
|
|
- **Proponowane ulepszenia:** Zaoferuj rekomendacje dotyczące modyfikacji lub ulepszeń zapytania w celu uzyskania bardziej precyzyjnych lub efektywnych wyników.
|
|
- **One-shot prompting:** Utwórz jeden przykład, który pomoże w wygenerowaniu odpowiedzi.
|
|
|
|
Następnie użyj tych informacji, aby przeformułować i rozszerzyć dostarczony {{self.prompt}}.
|
|
Zwróć rozszerzone zapytanie w formacie tekstowym. Nie tłumacz procesu generacji.
|
|
|
|
Przykład 1:
|
|
{{self.prompt}}: "Wytłumacz splątanie kwantowe dziesięciolatkowi."
|
|
|
|
*proces myślowy*:
|
|
- **Główny cel zapytania:** Upraszczanie skomplikowanego zagadnienia z fizyki kwantowej dla dzieci.
|
|
- **Persona:** Cierpliwy, przyjazny nauczyciel
|
|
- **Optymalna długość wyjścia:** Krótka (100-150 słów)
|
|
- **Najdogodniejszy format wyjścia:** Opis z analogią
|
|
- **Szczególne wymagania:** Wyjaśnienie dostosowane do wieku (10 lat).
|
|
- **Proponowane ulepszenia:**
|
|
- Zastosowanie konkretnych analogii
|
|
- Dodanie interaktywnych elementów
|
|
- Sugerowanie pytań follow-up
|
|
- Propozycja wizualizacji
|
|
- **One-shot prompting:**
|
|
Przykład wyjścia:
|
|
"Wyobraź sobie, że masz dwie specjalne pary skarpetek. Kiedy jedną z nich zostawiasz w swoim pokoju, a drugą w kuchni, dzieje się coś magicznego! Co by się nie stało z jedną skarpetą, natychmiast to samo dzieje się z drugą skarpetą. Jeśli przewrócisz jedną na lewą stronę, druga automatycznie też się odwróci, bez względu na to, jak daleko są od siebie!"
|
|
|
|
*rozszerzone zapytanie*:
|
|
Jako przyjazny nauczyciel nauk ścisłych, wyjaśnij splątanie kwantowe dziesięciolatkowi, korzystając z poniższych wskazówek:
|
|
|
|
Zacznij od analogii odnoszącej się do codziennych przedmiotów
|
|
Używaj prostego, zrozumiałego języka, unikając technicznych terminów
|
|
Dodaj 2-3 interaktywne przykłady, które ilustrują koncepcję
|
|
Dodaj ciekawe fakty, które rozbudzą ciekawość
|
|
Zakończ prostymi pytaniami sprawdzającymi zrozumienie
|
|
Utrzymaj wyjaśnienie na poziomie 100-150 słów
|
|
|
|
Struktura wyjaśnienia:
|
|
|
|
Otwarcie - analogia
|
|
Główne wyjaśnienie z przykładami
|
|
Interaktywne scenariusze "Co by było, gdyby?"
|
|
Ciekawe fakty o splątaniu kwantowym
|
|
Pytania sprawdzające zrozumienie
|
|
|
|
Pamiętaj, aby utrzymać entuzjastyczny i zachęcający ton przez całe wyjaśnienie.
|
|
|
|
Przykład 2:
|
|
{{self.prompt}}: "Napisz funkcję do obliczania ciągu Fibonacciego do n elementów."
|
|
|
|
*proces myślowy*:
|
|
- **Główny cel zapytania:** Stworzenie funkcji programującej generującej liczby Fibonacciego
|
|
- **Persona:** Ekspert programowania
|
|
- **Optymalna długość wyjścia:** Średnia (150-200 słów, włącznie z kodem)
|
|
- **Najdogodniejszy format wyjścia:** Fragment kodu z komentarzami
|
|
- **Szczególne wymagania:** Funkcja powinna przyjmować parametr n, określający długość sekwencji
|
|
- **Proponowane ulepszenia:**
|
|
- Określenie języka programowania
|
|
- Wyjaśnienie, czy 0 powinna być uwzględniona jako pierwszy element
|
|
- Zdefiniowanie sposobu obsługi nieprawidłowych wartości (np. ujemnych)
|
|
- **One-shot prompting:**
|
|
|
|
*rozszerzone zapytanie*:
|
|
Jako ekspert programowania, napisz dobrze udokumentowaną funkcję generującą ciąg Fibonacciego.
|
|
|
|
Wymagania:
|
|
Zaakceptuj parametr 'n', który określa liczbę generowanych elementów
|
|
Obsłuż przypadki brzegowe (n <= 0, n == 1)
|
|
Zwróć sekwencję jako listę/tablicę
|
|
Dodaj odpowiednie obsługiwanie błędów
|
|
Dołącz komentarze wyjaśniające logikę działania
|
|
|
|
Implementację przygotuj w Pythonie, włączając:
|
|
Definicję funkcji z docstringiem
|
|
Walidację wejścia
|
|
Główny algorytm
|
|
Przykłady użycia z wynikami dla n=5, n=1 i n=0
|
|
|
|
Sekwencja powinna rozpoczynać się od [0, 1, ...], gdzie każda kolejna liczba jest sumą dwóch poprzednich.
|
|
Analizuję dostarczony {{self.prompt}} i generuję odpowiednie output na podstawie powyższej struktury.
|
|
|
|
{{self.prompt}}: {self.input_prompt}
|
|
"""
|
|
self.analyzed_prompt = self.call_llm(analysis_prompt)
|
|
|
|
def expand_instructions(self):
|
|
# Expand on the instructions given in the input prompt
|
|
print("Expanding instructions...")
|
|
enhancement_suggestion_prompt = f"""
|
|
Jesteś wysoce inteligentnym asystentem specjalizującym się w sugestiach dotyczących źródeł referencyjnych oraz integracji narzędzi.
|
|
Przeanalizuj dostarczony {{self.input_prompt}} oraz dostępne {{self.tools_dict}}, aby zaproponować ulepszenia:
|
|
|
|
- **Potrzeba odniesienia:** Określ, czy dodatkowe materiały referencyjne pomogą w realizacji zadania (np. strony internetowe, dokumentacje, książki, artykuły itp.).
|
|
- **Zastosowanie narzędzi:** Oceń, czy dostępne narzędzia mogą zwiększyć wydajność lub dokładność.
|
|
- **Złożoność integracji:** Oceń trudność włączenia sugerowanych zasobów.
|
|
- **Oczekiwany wpływ:** Oszacuj potencjalną poprawę jakości wyników.
|
|
|
|
Jeśli ulepszenia są uzasadnione, przedstaw uporządkowane rekomendacje w poniższym formacie:
|
|
|
|
##SUGESTIE DOTYCZĄCE ŹRÓDEŁ REFERENCYJNYCH##
|
|
(Tylko jeśli to stosowne, maksymalnie 3)
|
|
- Nazwa/rodzaj źródła referencyjnego
|
|
- Cel: W jaki sposób poprawia wynik
|
|
- Integracja: Jak je włączyć
|
|
|
|
##SUGESTIE DOTYCZĄCE NARZĘDZI##
|
|
(Tylko jeśli to stosowne, maksymalnie 3)
|
|
- Nazwa narzędzia z tools_dict
|
|
- Cel: W jaki sposób usprawnia zadanie
|
|
- Integracja: Jak wdrożyć
|
|
|
|
Jeśli żadne ulepszenia nie przyniosłyby istotnej poprawy wyników, zwróć pusty ciąg "".
|
|
|
|
Przykład 1:
|
|
{{self.input_prompt}}: "Napisz funkcję w Pythonie do wykrywania twarzy w obrazach przy użyciu wizji komputerowej."
|
|
{{self.tools_dict}}: {{}}
|
|
*output*:
|
|
##SUGESTIE DOTYCZĄCE ŹRÓDEŁ REFERENCYJNYCH##
|
|
- Dokumentacja OpenCV na temat wykrywania twarzy
|
|
Cel: Zapewnia szczegóły implementacyjne i najlepsze praktyki
|
|
Integracja: Odniesienie do optymalnych ustawień parametrów i użycia klasyfikatora kaskadowego
|
|
|
|
Przykład 2:
|
|
{{self.input_prompt}}: "Napisz haiku o wiośnie."
|
|
{{self.tools_dict}}: {{"textblob": "Biblioteka przetwarzania tekstu", "gpt": "Model językowy"}}
|
|
*output*:
|
|
|
|
Przykład 3:
|
|
{{self.analyzed_prompt}}: "Stwórz funkcję analizy sentymentu dla recenzji klientów."
|
|
{{self.tools_dict}}: {{}}
|
|
*output*:
|
|
##SUGESTIE DOTYCZĄCE ŹRÓDEŁ REFERENCYJNYCH##
|
|
- Artykuł na temat analizy sentymentu VADER
|
|
Cel: Dostarcza wglądu w analizę sentymentu tekstu z mediów społecznościowych
|
|
Integracja: Odniesienie do zrozumienia złożonych wyników sentymentu
|
|
|
|
Przykład 4:
|
|
{{self.analyzed_prompt}}: "Wygeneruj raport prognozy pogody dla Nowego Jorku."
|
|
{{self.tools_dict}}: {{"requests": "Biblioteka HTTP", "json": "Parser JSON", "weather_api": "Usługa danych pogodowych"}}
|
|
*output*:
|
|
##SUGESTIE DOTYCZĄCE NARZĘDZI##
|
|
- weather_api
|
|
Cel: Dostarcza aktualne dane pogodowe
|
|
Integracja: Wykorzystaj punkty końcowe API do pobierania danych prognozy
|
|
- requests
|
|
Cel: Wykonywanie żądań HTTP do API pogodowego
|
|
Integracja: Użyj requests.get() do pobierania danych pogodowych
|
|
|
|
Przykład 5:
|
|
{{self.analyzed_prompt}}: "Oblicz silnię liczby."
|
|
{{self.tools_dict}}: {{}}
|
|
*output*:
|
|
|
|
Przykład 6:
|
|
{{self.analyzed_prompt}}: "Stwórz dokumentację punktu końcowego API."
|
|
{{self.tools_dict}}: {{"swagger": "Narzędzie dokumentacji API", "markdown": "Formatowanie tekstu", "json_schema": "Walidator schematów JSON"}}
|
|
*output*:
|
|
##SUGESTIE DOTYCZĄCE ŹRÓDEŁ REFERENCYJNYCH##
|
|
- Specyfikacja OpenAPI
|
|
Cel: Dostarcza standardowy format dokumentacji API
|
|
Integracja: Użyj jako szablonu do struktury dokumentacji
|
|
- Najlepsze praktyki REST API
|
|
Cel: Zapewnia zgodność dokumentacji z branżowymi standardami
|
|
Integracja: Odniesienie do wzorców opisu punktów końcowych
|
|
|
|
##SUGESTIE DOTYCZĄCE NARZĘDZI##
|
|
- swagger
|
|
Cel: Generowanie interaktywnej dokumentacji API
|
|
Integracja: Użyj Swagger UI do wizualnej dokumentacji
|
|
- json_schema
|
|
Cel: Walidacja schematów żądań/odpowiedzi API
|
|
Integracja: Definiowanie i walidacja struktur danych
|
|
|
|
Przykład 7:
|
|
{{self.analyzed_prompt}}: "Stwórz dokumentację punktu końcowego API."
|
|
{{self.tools_dict}}: {{}}
|
|
*output*:
|
|
##SUGESTIE DOTYCZĄCE ŹRÓDEŁ REFERENCYJNYCH##
|
|
- Specyfikacja OpenAPI
|
|
Cel: Dostarcza standardowy format dokumentacji API
|
|
Integracja: Użyj jako szablonu do struktury dokumentacji
|
|
- Najlepsze praktyki REST API
|
|
Cel: Zapewnia zgodność dokumentacji z branżowymi standardami
|
|
Integracja: Odniesienie do wzorców opisu punktów końcowych
|
|
|
|
Teraz przeanalizuj poniższe zapytanie i narzędzia, a następnie zwróć tylko wygenerowane *output*:
|
|
{{self.input_prompt}}: {self.input_prompt}
|
|
{{self.tools_dict}}: {self.tools_dict}
|
|
"""
|
|
self.expanded_prompt = self.call_llm(enhancement_suggestion_prompt)
|
|
|
|
def create_eval_criteria(self):
|
|
# Define the evaluation criteria based on input and expanded instructions
|
|
print("Creating evaluation criteria...")
|
|
self.eval_criteria = "Defined evaluation criteria"
|
|
|
|
def add_reasoning(self):
|
|
# Add reasoning to strengthen the evaluation
|
|
print("Adding reasoning...")
|
|
self.reasoning = "Reasoning added to enhance decision making"
|
|
|
|
def decompose_task(self):
|
|
# Break down tasks into smaller components
|
|
print("Decomposing task...")
|
|
self.task_decomposition = ["Sub-task 1", "Sub-task 2", "Sub-task 3"]
|
|
|
|
def suggest_tools(self):
|
|
# Suggest tools for each subtask
|
|
print("Suggesting tools...")
|
|
self.tools_suggestion = ["Tool 1", "Tool 2"]
|
|
|
|
def suggest_references(self):
|
|
# Suggest references to help complete the tasks
|
|
enhancement_suggestion_prompt = f"""
|
|
Jesteś wysoce inteligentnym asystentem specjalizującym się w sugerowaniu źródeł referencyjnych oraz integracji narzędzi.
|
|
Przeanalizuj dostarczone {{self.input_prompt}} oraz dostępne {{self.tools_dict}}, aby zaproponować ulepszenia:
|
|
|
|
- **Potrzeba odniesienia:** Określ, czy dodatkowe materiały referencyjne pomogą w realizacji zadania (np. strony internetowe, dokumentacje, książki, artykuły itp.).
|
|
- **Zastosowanie narzędzi:** Oceń, czy dostępne narzędzia mogą zwiększyć wydajność lub dokładność.
|
|
- **Złożoność integracji:** Oceń trudność włączenia sugerowanych zasobów.
|
|
- **Oczekiwany wpływ:** Oszacuj potencjalną poprawę jakości wyników.
|
|
|
|
Jeśli ulepszenia są uzasadnione, przedstaw uporządkowane rekomendacje w poniższym formacie:
|
|
|
|
##SUGESTIE DOTYCZĄCE ŹRÓDEŁ REFERENCYJNYCH##
|
|
(Tylko jeśli to stosowne, maksymalnie 3)
|
|
- Nazwa/rodzaj źródła referencyjnego
|
|
- Cel: W jaki sposób poprawia wynik
|
|
- Integracja: Jak je włączyć
|
|
|
|
##SUGESTIE DOTYCZĄCE NARZĘDZI##
|
|
(Tylko jeśli to stosowne, maksymalnie 3)
|
|
- Nazwa narzędzia z tools_dict
|
|
- Cel: W jaki sposób usprawnia zadanie
|
|
- Integracja: Jak wdrożyć
|
|
|
|
Jeśli żadne ulepszenia nie przyniosłyby istotnej poprawy wyników, zwróć pusty ciąg "".
|
|
|
|
Przykład 1:
|
|
{{self.input_prompt}}: "Napisz funkcję w Pythonie do wykrywania twarzy w obrazach przy użyciu wizji komputerowej."
|
|
{{self.tools_dict}}: {{}}
|
|
*output*:
|
|
##SUGESTIE DOTYCZĄCE ŹRÓDEŁ REFERENCYJNYCH##
|
|
- Dokumentacja OpenCV na temat wykrywania twarzy
|
|
Cel: Zapewnia szczegóły implementacyjne i najlepsze praktyki
|
|
Integracja: Odniesienie do optymalnych ustawień parametrów i użycia klasyfikatora kaskadowego
|
|
|
|
Przykład 2:
|
|
{{self.input_prompt}}: "Napisz haiku o wiośnie."
|
|
{{self.tools_dict}}: {{"textblob": "Biblioteka przetwarzania tekstu", "gpt": "Model językowy"}}
|
|
*output*:
|
|
|
|
Przykład 3:
|
|
{{self.analyzed_prompt}}: "Stwórz funkcję analizy sentymentu dla recenzji klientów."
|
|
{{self.tools_dict}}: {{}}
|
|
*output*:
|
|
##SUGESTIE DOTYCZĄCE ŹRÓDEŁ REFERENCYJNYCH##
|
|
- Artykuł na temat analizy sentymentu VADER
|
|
Cel: Dostarcza wglądu w analizę sentymentu tekstu z mediów społecznościowych
|
|
Integracja: Odniesienie do zrozumienia złożonych wyników sentymentu
|
|
|
|
Przykład 4:
|
|
{{self.analyzed_prompt}}: "Wygeneruj raport prognozy pogody dla Nowego Jorku."
|
|
{{self.tools_dict}}: {{"requests": "Biblioteka HTTP", "json": "Parser JSON", "weather_api": "Usługa danych pogodowych"}}
|
|
*output*:
|
|
##SUGESTIE DOTYCZĄCE NARZĘDZI##
|
|
- weather_api
|
|
Cel: Dostarcza aktualne dane pogodowe
|
|
Integracja: Wykorzystaj punkty końcowe API do pobierania danych prognozy
|
|
- requests
|
|
Cel: Wykonywanie żądań HTTP do API pogodowego
|
|
Integracja: Użyj requests.get() do pobierania danych pogodowych
|
|
|
|
Przykład 5:
|
|
{{self.analyzed_prompt}}: "Oblicz silnię liczby."
|
|
{{self.tools_dict}}: {{}}
|
|
*output*:
|
|
|
|
Przykład 6:
|
|
{{self.analyzed_prompt}}: "Stwórz dokumentację punktu końcowego API."
|
|
{{self.tools_dict}}: {{"swagger": "Narzędzie dokumentacji API", "markdown": "Formatowanie tekstu", "json_schema": "Walidator schematów JSON"}}
|
|
*output*:
|
|
##SUGESTIE DOTYCZĄCE ŹRÓDEŁ REFERENCYJNYCH##
|
|
- Specyfikacja OpenAPI
|
|
Cel: Dostarcza standardowy format dokumentacji API
|
|
Integracja: Użyj jako szablonu do struktury dokumentacji
|
|
- Najlepsze praktyki REST API
|
|
Cel: Zapewnia zgodność dokumentacji z branżowymi standardami
|
|
Integracja: Odniesienie do wzorców opisu punktów końcowych
|
|
|
|
##SUGESTIE DOTYCZĄCE NARZĘDZI##
|
|
- swagger
|
|
Cel: Generowanie interaktywnej dokumentacji API
|
|
Integracja: Użyj Swagger UI do wizualnej dokumentacji
|
|
- json_schema
|
|
Cel: Walidacja schematów żądań/odpowiedzi API
|
|
Integracja: Definiowanie i walidacja struktur danych
|
|
|
|
Przykład 7:
|
|
{{self.analyzed_prompt}}: "Stwórz dokumentację punktu końcowego API."
|
|
{{self.tools_dict}}: {{}}
|
|
*output*:
|
|
##SUGESTIE DOTYCZĄCE ŹRÓDEŁ REFERENCYJNYCH##
|
|
- Specyfikacja OpenAPI
|
|
Cel: Dostarcza standardowy format dokumentacji API
|
|
Integracja: Użyj jako szablonu do struktury dokumentacji
|
|
- Najlepsze praktyki REST API
|
|
Cel: Zapewnia zgodność dokumentacji z branżowymi standardami
|
|
Integracja: Odniesienie do wzorców opisu punktów końcowych
|
|
|
|
Teraz przeanalizuj poniższe zapytanie i narzędzia, a następnie zwróć tylko wygenerowane *output*:
|
|
{{self.input_prompt}}: {self.input_prompt}
|
|
{{self.tools_dict}}: {self.tools_dict}
|
|
"""
|
|
print("Suggesting references...")
|
|
self.references_suggestion = self.call_llm(enhancement_suggestion_prompt)
|
|
|
|
def assemble_prompt(self):
|
|
# Assemble the advanced prompt based on all gathered information
|
|
print("Assembling advanced prompt...")
|
|
components =[
|
|
self.analyzed_prompt,
|
|
self.expanded_prompt,
|
|
self.references_suggestion
|
|
]
|
|
self.advanced_prompt = f"Advanced Prompt: {', '.join([comp for comp in components if comp is not None])}"
|
|
return self.advanced_prompt
|
|
|
|
def call_llm(self, prompt):
|
|
response = client.chat.completions.create(
|
|
model=self.model,
|
|
messages=[
|
|
{
|
|
"role": "system",
|
|
"content": "Jesteś wysoce inteligentnym asystentem AI..."
|
|
},
|
|
{"role": "user", "content": prompt}
|
|
],
|
|
temperature=0.0,
|
|
)
|
|
# counting the I/O tokens
|
|
self.prompt_tokens += response.usage.prompt_tokens
|
|
self.completion_tokens += response.usage.completion_tokens
|
|
# zwraca mi kontent zapytania
|
|
#print(response.choices[0].message.content)
|
|
return response.choices[0].message.content
|
|
|
|
|
|
def run_pipeline(self):
|
|
self.analyze_input()
|
|
self.expand_instructions()
|
|
# self.create_eval_criteria()
|
|
# self.add_reasoning()
|
|
# self.decompose_task()
|
|
# self.suggest_tools()
|
|
self.suggest_references()
|
|
return self.assemble_prompt()
|
|
|
|
|
|
|
|
# Example usage
|
|
import asyncio
|
|
|
|
# Example usage
|
|
if __name__ == "__main__":
|
|
print("-" * 52)
|
|
|
|
print("Agent tworzący rozbudowane prompty ")
|
|
print("-" * 52, "\n")
|
|
|
|
print("Wybierz model")
|
|
print("1) GPT-4o")
|
|
print("2) GPT-4o-mini")
|
|
|
|
which_model = input("Twój wybór [1/2]: \n")
|
|
|
|
if which_model == "1":
|
|
model = "gpt-4o"
|
|
i_cost = 5 / 10**6
|
|
o_cost = 15 / 10**6
|
|
elif which_model == "2":
|
|
model = "gpt-4o-mini"
|
|
i_cost = 0.15 / 10**6
|
|
o_cost = 0.6 / 10**6
|
|
else:
|
|
raise Exception("Please input a valid choice")
|
|
input_prompt = input("Wpisz swoje zapytanie \n")
|
|
print("\n")
|
|
# input_prompt = "Wygeneruj listę 20 pomysłów na wpisy blogowe"
|
|
pipeline = ActionsPipeline(model, input_prompt)
|
|
|
|
print(f"Wybrałeś model: GPT-{pipeline.model[4:]}\n")
|
|
|
|
print("Procesowanie ... \n")
|
|
|
|
start_time = time.time()
|
|
advanced_prompt = pipeline.run_pipeline()
|
|
elapsed_time = time.time() - start_time
|
|
|
|
print("\n-Wynik")
|
|
print(advanced_prompt)
|
|
print("\n")
|
|
print(f"- Czas trwania: {elapsed_time:.2f} sekund")
|
|
print(f"- Ilość tokenów w promptach = {pipeline.prompt_tokens}")
|
|
print(f"- Tokeny zwrócone = {pipeline.completion_tokens}")
|
|
print(f"- Koszt = ${(pipeline.prompt_tokens*i_cost)+(pipeline.completion_tokens*o_cost)}\n")
|
|
|