欢迎来到我们关于openai和microsoftsentinel的系列！大型语言模型或llm，例如openai的gpt3系列，正在通过文本摘要、类人对话、代码解析和调试以及许多其他示例等创新用例接管公众的想象力。我们已经看到chatgpt编写剧本和诗歌、创作音乐、撰写论文，甚至将计算机代码从一种语言翻译成另一种语言。
在我们开始之前，让我们先了解一些先决条件：
我们将从一个基本的事件触发剧本开始（Sentinel>Automation>Create>Playbookwithincidenttrigger）。
选择订阅和资源组，添加剧本名称，然后移至“连接”选项卡。您应该会看到带有一个或两个身份验证选项的MicrosoftSentinel-我在此示例中使用的是托管身份-但如果您还没有任何连接，您也可以在逻辑应用程序设计器中添加Sentinel连接.
查看并创建剧本，几秒钟后，资源将成功部署并将我们带到逻辑应用程序设计器画布：
让我们添加我们的OpenAI连接器。单击“新建步骤”并在搜索框中键入“OpenAI”。您会在顶部窗格中看到连接器，并在其下方看到两个操作：“创建图像”和“GPT3完成您的提示”：
确保在添加OpenAIAPI密钥时完全按照说明进行操作-它需要单词“Bearer”，后跟一个空格，然后是密钥本身：
我们快完成了！保存逻辑应用并转到MicrosoftSentinel事件以对其进行测试运行。我的实例中有来自MicrosoftSentinelTrainingLab的测试数据，因此我将针对恶意收件箱规则警报触发的事件运行此剧本。
单击该项目可查看有关逻辑应用运行的详细信息。我们可以展开任何操作块以查看详细的输入和输出参数：
我们的GPT3操作只用了两秒钟就成功完成了。让我们单击操作块将其展开并查看其输入和输出的完整详细信息：
让我们仔细看看“输出”部分中的“选择”字段。这是GPT3返回其完成的文本以及完成状态和任何错误代码的地方。我已将Choices输出的全文复制到VisualStudioCode中：
这些是什么意思，我们如何调整它们以获得最佳结果？为了帮助我们了解每个参数对结果的影响，让我们转到OpenAIAPIPlayground。我们可以在逻辑应用程序运行的输入字段中粘贴准确的提示，但在单击“提交”之前，我们要确保参数匹配。下面是一个快速表格，用于比较AzureLogicAppOpenAI连接器和OpenAIPlayground之间的参数名称：
让我们使用以下OpenAIAPIPlayground设置来匹配我们的逻辑应用程序操作：
这是我们从GPT3引擎得到的结果。
看起来响应在句子中间被截断了，所以我们应该增加最大长度参数。否则，此响应看起来还不错。我们正在使用最高可能的温度值——如果我们降低温度以获得更确定的响应，会发生什么？以温度为零为例：
在temperature=0时，无论我们重新生成此提示多少次，我们都会得到几乎完全相同的结果。当我们要求GPT3定义技术术语时，这很有效；作为MITREATT&CK战术的“防御规避”的含义应该没有太大差异。我们可以通过添加频率惩罚来提高响应的可读性，以降低模型重复使用相同词的倾向（“技术如”）。让我们将频率惩罚增加到最大值2：
到目前为止，我们只使用了最新的达芬奇模型来快速完成任务。如果我们下降到OpenAI更快、更便宜的模型之一，例如Curie、Babbage或Ada，会发生什么？让我们将模型更改为“text-ada-001”并比较结果：
嗯……不完全是。让我们试试巴贝奇：
Babbage似乎也没有返回我们正在寻找的结果。也许居里会过得更好？
回到我们的逻辑应用程序，让我们将我们从Playground发现的设置传输到OpenAI操作块：