一、环境配置
- API key 和库的加载：
- 使用
zhipuai 和 langchain 库与 OpenAI API 交互。 - 安装
tiktoken 库，用于计算 tokens（参考：ChatGPT丨使用tiktoken计算tokens）。
!pip install zhipuai
!pip install langchain
!pip install --upgrade tiktoken
import os
from zhipuai import ZhipuAI
# import tiktoken 这个后面没用到，若您对其用处感兴趣，可以参考本文以了解相关内容：https://zhuanlan.zhihu.com/p/629776230# from dotenv import load_dotenv, find_dotenv
# _ = load_dotenv(find_dotenv()) # 读取本地的.env环境文件。（推荐后续使用这种方法，将 key 放在 .env 文件里。保护自己的 key）key = "f5cd91f2528fed334b9dfd75015791c3.GuLdvM9tXWrGQnAg"
client = ZhipuAI(api_key = key)
# 官方文档写法 https://platform.openai.com/overviewdef get_completion(prompt, model="glm-3-turbo"):"""使用 OpenAI 的模型生成聊天回复。参数:prompt: 用户的输入，即聊天的提示。model: 使用的模型，默认为"gpt-3.5-turbo"。"""messages = [{"role": "user", "content": prompt}]response = client.chat.completions.create(model=model,messages=messages,temperature=0,)return response.choices[0].message.content # 模型生成的回复
二、尝试向模型提问并得到结果
- 语言模型类型：
- 基础语言模型（Base LLM）：通过预测下一个词来训练。
- 指令微调语言模型（Instruction Tuned LLM）：在基础模型上进一步训练，以遵循指令。
response = get_completion("中国的首都是哪里？")
print(response)
三、Tokens
- Token 概念：
- LLM 将输入文本转换为 token 序列，每个 token 代表常见的字符序列。
- Token 限制是输入 Prompt 和输出 completion 的 token 数之和。
- ChatGPT3.5-turbo 的 token 上限是 4096。
四、Helper function 辅助函数 (提问范式)
- 提问范式：
- System 信息：指定模型的规则和回答准则。
- Assistant 信息：具体指令。
- 辅助函数：
get_completion：生成聊天回复。get_completion_from_messages：支持更多参数的自定义访问 OpenAI GPT3.5。get_completion_and_token_count：生成聊天回复，并返回使用的 token 数量。
def get_completion_from_messages(messages, model="glm-3-turbo", temperature=0, max_tokens=500):'''封装一个支持更多参数的自定义访问 OpenAI GPT3.5 的函数参数: messages: 这是一个消息列表，每个消息都是一个字典，包含 role(角色）和 content(内容)。角色可以是'system'、'user' 或 'assistant’，内容是角色的消息。model: 调用的模型，默认为 gpt-3.5-turbo(ChatGPT)，有内测资格的用户可以选择 gpt-4temperature: 这决定模型输出的随机程度，默认为0，表示输出将非常确定。增加温度会使输出更随机。max_tokens: 这决定模型输出的最大的 token 数。'''response = client.chat.completions.create(model=model,messages=messages,temperature=temperature, # 这决定模型输出的随机程度max_tokens=max_tokens, # 这决定模型输出的最大的 token 数)return response.choices[0].message.content
messages = [
{'role':'system', 'content':'你是一个助理， 并以 Seuss 苏斯博士的风格作出回答。'},
{'role':'user', 'content':'就快乐的小鲸鱼为主题给我写一首短诗'},
]
response = get_completion_from_messages(messages, temperature=1)
print(response)
# 长度控制
messages = [
{'role':'system','content':'你的所有答复只能是一句话'},
{'role':'user','content':'写一个关于快乐的小鲸鱼的故事'},
]
response = get_completion_from_messages(messages, temperature =1)
print(response)
# 以上结合
messages = [
{'role':'system','content':'你是一个助理， 并以 Seuss 苏斯博士的风格作出回答，只回答一句话'},
{'role':'user','content':'写一个关于快乐的小鲸鱼的故事'},
]
response = get_completion_from_messages(messages, temperature =1)
print(response)
def get_completion_and_token_count(messages, model="glm-3-turbo", temperature=0, max_tokens=500):"""使用 OpenAI 的 GPT-3 模型生成聊天回复，并返回生成的回复内容以及使用的 token 数量。参数:messages: 聊天消息列表。model: 使用的模型名称。默认为"gpt-3.5-turbo"。temperature: 控制生成回复的随机性。值越大，生成的回复越随机。默认为 0。max_tokens: 生成回复的最大 token 数量。默认为 500。返回:content: 生成的回复内容。token_dict: 包含'prompt_tokens'、'completion_tokens'和'total_tokens'的字典，分别表示提示的 token 数量、生成的回复的 token 数量和总的 token 数量。"""response = client.chat.completions.create(model=model,messages=messages,temperature=temperature, max_tokens=max_tokens,)print(response)content = response.choices[0].message.contenttoken_dict = {
'prompt_tokens':response.usage.prompt_tokens,
'completion_tokens':response.usage.completion_tokens,
'total_tokens':response.usage.total_tokens,}return content, token_dict
messages = [
{'role':'system', 'content':'你是一个助理， 并以 Seuss 苏斯博士的风格作出回答。'},
{'role':'user', 'content':'就快乐的小鲸鱼为主题给我写一首短诗'},
]
response, token_dict = get_completion_and_token_count(messages)
print(response)
print(token_dict)
总结
- Prompt 工程的重要性：
- Prompt 工程极大地简化了 AI 应用的开发流程，特别是在文本应用中。
- 通过提供简单的 Prompt，可以快速构建和部署 AI 模型，大幅缩短开发时间。
