欧美福利视频网站,成人久久久久久,欧美卡一卡二卡新区aaa

當(dāng)然我們今天的主角是他的開放平臺^[2]：

注冊之后登錄進(jìn)入控制臺就可以看到模型、文檔、賬單等模塊：

查看?API Key?可以看到默認(rèn)的 API Key，直接拷貝使用，或者創(chuàng)建新的 API Key：

API 使用

從控制臺的首頁點擊 API 文檔，進(jìn)入 API 的使用指南^[3]：

快速安裝：pip install zhipuai

然后寫一個例子測試下：

import zhipuai



zhipuai.api_key = "xxx" # 你的 api key



def invoke_prompt(prompt):

    response = zhipuai.model_api.invoke(

        model="chatglm_turbo",

        prompt=[

            {"role": "user", "content": prompt},

        ],

        top_p=0.7,

        temperature=0.9,

    )



    if response['code'] == 200:

        return response['data']['choices'][0]['content']

    return 'LLM not worked'



if __name__ == '__main__':

   response = invoke_prompt('簡單介紹下人工智能是什么')

   print(response)

回答如下：

人工智能（Artificial Intelligence，簡稱AI）是一門研究、開發(fā)模擬、延伸和擴(kuò)展人類智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的新興技術(shù)科學(xué)。人工智能領(lǐng)域的研究涵蓋了多個方面，如機(jī)器人、語言識別、圖像識別、自然語言處理和專家系統(tǒng)等。其目標(biāo)是使計算機(jī)能夠模擬和實現(xiàn)人類智能的功能，從而在某些領(lǐng)域達(dá)到甚至超過人類的智能水平。\n\n人工智能專業(yè)是一門多學(xué)科交叉的新興學(xué)科，旨在培養(yǎng)掌握人工智能基礎(chǔ)理論、基本方法和應(yīng)用技術(shù)的人才。專業(yè)課程包括人工智能概論、認(rèn)知科學(xué)、機(jī)器學(xué)習(xí)、模式識別、深度學(xué)習(xí)、知識工程、數(shù)據(jù)挖掘、物聯(lián)網(wǎng)等系列課程。\n\n人工智能的發(fā)展包括多個階段，如啟蒙、繁榮、低谷等。從20世紀(jì)50年代開始，人工智能逐漸成為一門獨立的學(xué)科。隨著計算機(jī)技術(shù)、網(wǎng)絡(luò)技術(shù)和大數(shù)據(jù)技術(shù)的快速發(fā)展，人工智能進(jìn)入了一個新的黃金時期。在我國，人工智能專業(yè)的發(fā)展也得到了政府和企業(yè)的大力支持，被視為未來科技創(chuàng)新的重要驅(qū)動力。”

智譜 AI 的提示參數(shù)

上面代碼我們注意到，prompt 參數(shù)是一個數(shù)組，其設(shè)計是天然針對對話、以及少樣本提示的。

比如：

prompt = [

    {"role": "user", "content": '提問1'},

    {"role": "assistant", "content": '回答1'},

    {"role": "user", "content": '提問2'},

    {"role": "assistant", "content": '回答2'},

    {"role": "user", "content": prompt},

]

AI 會跟去前面的對話歷史，對最后的 prompt 進(jìn)行回答。

少樣本提示少樣本提示 雖然是提示工程中最簡單的一個技術(shù)，但這種方法其實有很大的威力，在一個優(yōu)秀的 LLM 之上進(jìn)行少樣本提示甚至可以在很多場景下代替模型微調(diào)，達(dá)到意想不到的效果。

好了，現(xiàn)在基本調(diào)用是可以了。我們再來實現(xiàn)一個 AI 的常用場景，知識庫檢索。

Llama Index

我們這次實現(xiàn)知識庫，已然使用?LlamaIndex^[4]， LlamaIndex 是一個簡單靈活且強(qiáng)大的數(shù)據(jù)框架，用于將自定義數(shù)據(jù)源連接到大型語言模型。感興趣的朋友可以去查看 LlmaIndex 文檔^[5]?或者去我 LlamaIndex 的合集去了解更多信息。

安裝

先用 Pip 簡單安裝一下 Llama Index：

pip?install?llama-index

然后我們導(dǎo)入下測試是否安裝成功：

import llama_index

print(llama_index.__version__)

# 0.9.10

接下來讓 Llama Index 使用智譜AI 作為大模型。

支持的 LLM

我們到 LlamaIndex 的文檔「Available LLM integrations^[6]」看下它現(xiàn)在支持哪些大模型。

我們看到，雖然他支持了很多的商業(yè)模型和開源項目，但是并沒有「智譜 AI」以及國內(nèi)的一眾 AI 產(chǎn)品。

國產(chǎn)AI 崛起之路還真是任重而道遠(yuǎn)啊。

前面我們提到，Llama Index 是一個簡單靈活的數(shù)據(jù)框架，既然官方還沒有集成，我們就自己集成一下好了。

集成智譜AI

LlamaIndex 提供了一個叫做?CustomLLM?的抽象類來讓我們方便的集成自己的大模型產(chǎn)品：

class CustomLLM(LLM):

    """Simple abstract base class for custom LLMs.



    Subclasses must implement the __init__, complete,
        stream_complete, and metadata methods.
    """

從注釋就能看到，實現(xiàn)一個自己的 LLM 其實很簡單，只需要實現(xiàn) __init__, complete, stream_complete 以及 metadata 這幾個方法即可。

metadata 方法

什么是元數(shù)據(jù)元數(shù)據(jù)稍微正式的解釋是描述數(shù)據(jù)的數(shù)據(jù)。比較繞口，需要仔細(xì)體會。簡單說就是記錄的屬性、表的結(jié)構(gòu)、界面的布局、數(shù)據(jù)的特征、程序的參數(shù)。

上面四個方法中我們比較陌生的應(yīng)該是 metadata 了，metadata 翻譯一下就是元數(shù)據(jù)，而 LLM 的元數(shù)據(jù)是什么，比較通用的有如下一些：

? model_name: str = "chatglm_turbo"
? top_p = 0.7
? temperature = 0.9
? num_output: int = 256
? context_window: int = 3900

像「模型名稱」、「溫度」、「top p」這些參數(shù)\屬性大家想必已經(jīng)很了解了，我們簡單實現(xiàn)一下：

class ZhipuLLM(CustomLLM):

    model_name: str = "chatglm_turbo"

    top_p = 0.7

    temperature = 0.9



    @property

    def metadata(self) -> LLMMetadata:

        """Get LLM metadata."""

        return LLMMetadata(

            context_window=self.context_window,

            num_output=self.num_output,

            model_name=self.model_name,

        )

因為智譜AI 的API 也沒有太多的參數(shù)，我們把?top_p?和?temperature?取一個比較合理的值，直接放到調(diào)用程序里面，其實可以不需要設(shè)計 Metadata，實現(xiàn)一個空方法即可：

class ZhipuLLM(CustomLLM):

    @property

    def metadata(self) -> LLMMetadata:

        return LLMMetadata()

complete 方法

接下來就是實現(xiàn)?complete?方法，前面我們有一個?invoke_prompt?方法來實現(xiàn) 智譜AI 的調(diào)用，這里直接拿來用，也不去實例化或者過多設(shè)置參數(shù)，越簡單越好：

@llm_completion_callback()

def complete(self, prompt: str, **kwargs: Any) -> CompletionResponse:

    response = invoke_prompt(prompt)

    return CompletionResponse(text=response)

stream_complete流式返回官方也有例子，我這里就不實現(xiàn)了。

文本嵌入 Embedding

智譜 AI 也提供了文本嵌入接口，那我們當(dāng)然也是直接拿來用了，這樣子就徹底擺脫了了 OpenAI 和自己搭建模型了。

LlamaIndex 的嵌入式基于?BaseEmbedding?實現(xiàn)的，我們也寫一個智譜AI 的實現(xiàn)，來不及做過多解釋了，直接看代碼：

class ZhipuEmbedding(BaseEmbedding):

    _model: str = PrivateAttr()

    _instruction: str = PrivateAttr()



    def __init__(

            self,

            instructor_model_name: str = "text_embedding",

            instruction: str = "Represent a document for semantic search:",

            **kwargs: Any,

    ) -> None:

        self._model = 'text_embedding'

        self._instruction = instruction

        super().__init__(**kwargs)



    @classmethod

    def class_name(cls) -> str:

        return "zhipu_embeddings"



    async def _aget_query_embedding(self, query: str) -> List[float]:

        return self._get_query_embedding(query)



    async def _aget_text_embedding(self, text: str) -> List[float]:

        return self._get_text_embedding(text)



    def _get_query_embedding(self, query: str) -> List[float]:

        embeddings = invoke_embedding(query)

        return embeddings



    def _get_text_embedding(self, text: str) -> List[float]:

        embeddings = invoke_embedding(text)

        return embeddings



    def _get_text_embeddings(self, texts: List[str]) -> List[List[float]]:

        return [self._get_text_embedding(text) for text in texts]

LlamaIndex 結(jié)合智譜 AI

現(xiàn)在讓我們把前面的成果合在一起，寫一個簡單的程序看看，能不能行得通：

首先我們再目錄下放置一個文本文件，當(dāng)前 PDF、Excel、Docx 都行，我這里還是用之前亞運會獎牌設(shè)計的文案：

然后直接運行程序：

# define our LLM

llm = ZhipuLLM()

embed_model = ZhipuEmbedding()



service_context = ServiceContext.from_defaults(

    llm=llm, embed_model=embed_model

)



# Load the your data

documents = SimpleDirectoryReader(doc_path).load_data()

index = VectorStoreIndex.from_documents(documents, service_context=service_context)



# Query and print response

query_engine = index.as_query_engine()

response = query_engine.query("杭州亞運會獎牌的工藝和設(shè)計理念?，請用中文回答。")

print(response)

來看下回答：

杭州亞運會獎牌的工藝和設(shè)計理念如下：



1. 工藝：獎牌采用了一系列復(fù)雜的工藝，包括壓印成型、

   數(shù)銑外形及槽坑、修整刷拋、鍍金鍍銀、表面防護(hù)等。

   綬帶采用織錦提花工藝、環(huán)保印花技術(shù)，雙面手工縫合。

   此外，獎牌正面采用了江南傳統(tǒng)工藝——打鏨雕，

   將四種書法（真、草、隸、篆）的杭州與亞奧理事會

   的英文縮寫有機(jī)結(jié)合。



2. 設(shè)計理念：獎牌設(shè)計融合了杭州三大世界文化遺產(chǎn)

   ——西湖、大運河、良渚古城遺址，

   展現(xiàn)了杭州山水景觀和江南文化。

   獎牌正面勾勒出“三面云山一面城”的杭城畫卷，

   背面形似方形印章，寓意運動員在杭州亞運會上

   留下美好印記。整體設(shè)計別具一格，

   具有高度辨識度，體現(xiàn)了美美與共、和而不同的含義。



此外，獎牌設(shè)計還展現(xiàn)了杭州生態(tài)文明之都的氣質(zhì)，

湖光山色，綠水青山，鑄就了金山銀山，

也體現(xiàn)了勇攀高峰的體育精神。

獎牌直徑70毫米，厚度6毫米，

正面圓形漸變色，背面采用杭州江南絲繡技藝呈現(xiàn)的篆刻圖案。

整體獎牌設(shè)計充滿東方意蘊之美，

將深厚底蘊的南宋文化與杭州地域特色相結(jié)合，

表達(dá)獨特的美學(xué)理念。

回答均來源于文案，但是進(jìn)行了重新組織，我只想說中文表達(dá)如此流暢！遠(yuǎn)勝我自己。

結(jié)語

Llama Index 里使用大模型的地方主要是上面兩處。這兩個點對接之后，余下的各種玩法也均和使用 OpenAI 無異。更多的場景以及可落地的 AI 玩法，后面再和大家分享。

引用鏈接

[1]?智譜 AI:?https://www.zhipuai.cn/
[2]?開放平臺:?https://open.bigmodel.cn/
[3]?API 的使用指南:?https://open.bigmodel.cn/dev/api
[4]?LlamaIndex:?https://www.llamaindex.ai/
[5]?LlmaIndex 文檔:?https://docs.llamaindex.ai/en/stable/
[6]?Available LLM integrations:?https://docs.llamaindex.ai/en/stable/module_guides/models/llms/modules.html