【Python】搭建属于自己 AI 机器人

目录

前言

1 准备工作

1.1 环境搭建

1.2 获取 API KEY

2 写代码

2.1 引用库

2.2 创建用户

2.3 创建对话

2.4 输出内容

2.5 调试

2.6 全部代码

2.7 简短的总结

3 优化代码

3.1 规范代码

3.1.1 引用库

3.1.2 创建提示词

3.1.3 创建模型

3.1.4 规范输出（非必须）

3.2 用户输入

3.3 连接步骤

3.4 循环输入

3.5 全部代码

4 总结

前言

现在，AI 已经进入了人们生活的每个角落，而 AI 大模型更是大火，诸如文心一言、Chatgpt、Kimi、清谱智言等等。

那为什么不能拥有一个自己的 AI 呢？于是我稍微研究了一下，本篇文章就将介绍如何搭建一个属于自己的 AI 机器人。话不多说，正片开始——

1 准备工作

1.1 环境搭建

自己训练一个 AI 机器人费时费力又费钱，所以搭建 AI 用的肯定是 API 接口。

本文我用的是月之暗面的 Kimi AI 做演示（当然，清谱智言或其他也可以，但是注意，文心一言的API要钱！）

至于写代码的依赖库，如下：

python-dotenv
openai
langchain
langchain_openai

1.2 获取 API KEY

获取 API key 其实很简单，这里用 Kimi 举例，其他平台也大同小异。

首先访问 Moonshot AI - 开放平台 （前提是你要先登录）

点击 新建

 名字随便输

接着它会显示密钥，复制好，别告诉别人。

 

接着，在项目文件夹中新建一个.venv文件，如图，把 api key 复制进去：

在打码的地方填写 api key

OK，准备工作完成啦！

2 写代码

2.1 引用库

from dotenv import load_dotenv    # 虚拟环境
from openai import OpenAI         # 调用 API

2.2 创建用户

其中 load_dotenv() 就是获取 .venv 中的信息。

下面的函数中，base_url 就是你想调用的 AI 它的接口网址，一般都能在开发文档中找到。

load_dotenv()

client = OpenAI(
    base_url="https://api.moonshot.cn/v1"
)

2.3 创建对话

这是最重要的一步！

先看代码：

ask = "南京盐水鸭怎么样？"

completion = client.chat.completions.create(
    model="moonshot-v1-32k",
    messages=[
        {"role": "system", "content": "你是一个美食家，你要为用户说的美食写一段有文采的点评词。"},
        {"role": "user", "content": ask},
    ],
    max_tokens=500,
    temperature=0.7,
)

接下来请看讲解：

  • model：这个就是大模型的名称，一般也能在开发文档中找到；
  • messages：AI 接收的信息一般分为 3 个来源：系统(system)、用户(user)、AI(assistant)。这些信息中包括系统对 AI 的指示，用于确定 AI 的身份、用处，以及用户所说的话，还有之前的所有对话。在代码中，用一个字典组成的列表来储存；
  • max_tokens：这个参数用于限定 AI 输出的内容最大值，一个 token 表示一个词语；
  • temperature：这个参数用于规定 AI 输出内容的确定性，设成 0.7 就行了；

像这个程序中，我设置的功能就是让 AI 为美食写点评词，你当然也可以按照自己的需要修改。

2.4 输出内容

激动人心的时刻！ 

print(completion.choices[0].message.content)

这个程序输出的内容：

南京盐水鸭，是金陵古城的美食瑰宝，承载着六朝古都深厚的文化底蕴。这道佳肴以其独特的制作工艺和绝妙的风味，在众多美食中独树一帜。

选材讲究，选用的是肉质细嫩、肥而不腻的南京本地麻鸭。经过精细的宰杀、清洗、腌制等工序，使得鸭肉的每一寸肌理都渗透着独特的风味。腌制过程中，恰到好处的盐分与鸭肉的鲜美完美融合，使鸭肉更加鲜嫩可口。

烹饪技艺更是令人赞叹。将腌制好的鸭肉放入特制的卤水中，用文火慢炖，使鸭肉在不断吸收卤水精华的同时，保持了肉质的嫩滑。卤水中的香料与鸭肉的鲜美相互交融，形成了一种独特的香气，令人垂涎三尺。

成品的南京盐水鸭，色泽金黄，皮脆肉嫩，鲜美可口。轻轻一咬，鸭肉的鲜嫩与卤水的香味瞬间在口腔中爆发，让人回味无穷。鸭肉的鲜美与卤水的香料，形成了一种绝妙的平衡，既不会过于咸腻，也不会过于清淡，恰到好处地满足了味蕾的需求。                                                                                                            

品尝南京盐水鸭，就像是在品味一段历史，感受一种文化，让人在享受美味的同时，也能感受到南京这座城市的韵味。

2.5 调试

嘶~

AI 输出的内容好像有点太长了，于是我们需要为它所以点调试。（毕竟任何程序都要调试）

比如把它的要求改一下，限定一下字数。

messages=[
        {"role": "system", "content": "你是一个美食家，你要为用户说的美食写一段有文采的点评词，精简一点，100字以内。"},
        {"role": "user", "content": ask},
],

看看结果：

南京盐水鸭，传统佳肴。鸭肉鲜嫩爽口，咸香适中，令人回味无穷。腌制工艺独特，肉质细腻，皮薄肉厚，食之不腻。每一口都是对南京风味的深刻体验。

果然好多了。

2.6 全部代码

from dotenv import load_dotenv
from openai import OpenAI

load_dotenv()

client = OpenAI(
    base_url="https://api.moonshot.cn/v1"
)

ask = "南京盐水鸭怎么样？"

completion = client.chat.completions.create(
    model="moonshot-v1-32k",
    messages=[
        {"role": "system", "content": "你是一个美食家，你要为用户说的美食写一段有文采的点评词，精简一点，100字以内。"},
        {"role": "user", "content": ask},
    ],
    max_tokens=500,
    temperature=0.7,
)

print(completion.choices[0].message.content)

2.7 简短的总结

我们现在已经有了一个简单的 AI，但是还有一些问题：

  • 代码流程不够规范
  • 只能通过修改代码来实现问题的修改
  • 只能实现一轮对话

接下来就来解决这些问题吧！

3 优化代码

3.1 规范代码

这里，就要隆重请出：langchain 第三方库！

它可以帮我们很好的流程化这段代码。

可以新建一个代码文件，因为代码要大改

3.1.1 引用库

from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain.prompts import ChatPromptTemplate

load_dotenv()

3.1.2 创建提示词

其实就是修改了之前的 创建用户 中的代码。

注意：这里用户的名字从user变为了human

prompt_template = ChatPromptTemplate.from_messages(
    [
        ("system", "你是一个美食家，你要为用户说的美食写一段有文采的点评词，精简一点，100字以内。"),
        ("human", "南京盐水鸭怎么样？")
    ]
)

3.1.3 创建模型

修改了原来的 创建对话。

model = ChatOpenAI(
    model="moonshot-v1-32k",
    openai_api_base="https://api.moonshot.cn/v1",
    max_tokens=500,
    temperature=0.7,
)

3.1.4 规范输出（非必须）

一般会用另一个大模型来规范前一个大模型的输出，但并非必要。

def output_parser(output: str):
    parser_model = ChatOpenAI(
        model = 'moonshot-v1-32k',
        temperature=0.8,
        openai_api_base = "https://api.moonshot.cn/v1"
    )
    message = "你需要润色这段文字:`{text}`"
    return parser_model.invoke(message.format(text=output))

3.2 用户输入

先把问题中的输入部分修改即可：

prompt_template = ChatPromptTemplate.from_messages(
    [
        ("system", "你是一个美食家，你要为用户说的美食写一段有文采的点评词，精简一点，100字以内。"),
        ("human", "{food}怎么样？")
    ]
)

3.3 连接步骤

用 langchain 连接步骤非常简单，用 | 符号就行了：

chain = prompt_template | model

# 若加入规范输出的部分，代码如下
# chain = prompt_template | model | output_parser

3.4 循环输入

利用 while True 进行用户循环输入，非常简单不是吗？

while True:
    food = input("你想点评什么：")
    answer = chain.invoke(input = {'food': food})
    print(answer.content)

这下再来看看结果吧！

真的是太 NICE 了！

3.5 全部代码

from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain.prompts import ChatPromptTemplate

load_dotenv()

prompt_template = ChatPromptTemplate.from_messages(
    [
        ("system", "你是一个美食家，你要为用户说的美食写一段有文采的点评词，精简一点，100字以内。"),
        ("human", "{food}怎么样？")
    ]
)

model = ChatOpenAI(
    model="moonshot-v1-32k",
    openai_api_base="https://api.moonshot.cn/v1",
    max_tokens=500,
    temperature=0.7,
)

chain = prompt_template | model
while True:
    food = input("你想点评什么：")
    answer = chain.invoke(input = {'food': food})
    print(answer.content)

4 总结

我们成功通过调用 API 实现了一个本地的定制机器人，感觉如何？

文章如有疏漏，欢迎提出！如果对你有帮助的话，别忘 点赞收藏👍

下期再见！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/780381.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

SQL面试题-留存率计算

SQL面试题-留存率计算

表定义： create table if not exists liuliang_detail (user_id string comment ,record_time string comment yyyymmdd hh:mi:ss ) comment 流量明细表 ; 方法一： 计算的是整段时间范围内，每一天为基准的所有的留存1、2、7天的用户数。 …
阅读更多...
cs231n作业2 双层神经网络

cs231n作业2 双层神经网络

双层神经网络 我们选用ReLU函数和softmax函数： 步骤： 1、LOSS损失函数（前向传播）与梯度（后向传播）计算 Forward: 计算score，再根据score计算loss Backward：分别对W2、b2、W1、b1求…
阅读更多...
使用Charles mock服务端响应数据

使用Charles mock服务端响应数据

背景 服务端未提供接口/服务端接口返回结果有逻辑限制（次数限制），不能通过原始接口返回多次模拟预期的返回结果，例如边界值情况 客户端受到接口响应数据的限制，无法继续开发或测试，会极大影响开发测试效率…
阅读更多...
Unity入门之重要组件和API(3) : Transform

Unity入门之重要组件和API(3) : Transform

前言 Transform类主要处理游戏对象(GameObject)的位移、旋转、缩放、父子关系和坐标转换。 1.位置和位移 1.1必备知识点：Vector3 Vector3 主要用来表示三维坐标系中的一个点或者一个向量。 【声明】 Vector3 v1 new Vector3(); Vector3 v2 new Vector3(10, 10…
阅读更多...
谷粒商城----通过缓存和分布式锁获取数据。

谷粒商城----通过缓存和分布式锁获取数据。

高并发下缓存失效的问题 高并发下缓存失效的问题--缓存穿透 指查询一个一定不存在的数据，由于缓存是不命中，将去查询数据库，但是数据库也无此记录，我们没有将这次查询的不写入缓存，这将导致这个不存在的数据每次请求…
阅读更多...
详解「一本通 5.1 练习 1」括号配对(区间DP经典题)

详解「一本通 5.1 练习 1」括号配对(区间DP经典题)

一.题目 二.思路 题目的大意是说:给你一个只由[ ] ( )构成的字符串，请问需要增加多少个字符才能使其变为一个合法的括号序列。 因为添加若干字符使其达到匹配的目的等价于将不匹配的字符去除使得字符串达到匹配的目的 所以这题只需计算出已匹配完成的括号数,再…
阅读更多...
深度学习与CV入门

深度学习与CV入门

文章目录 前言历史 前言 历史 tensorflow可以安装Tensorboard第三方库用于展示效果 TensorFlow工作流程：p6-4:20 使用tf.data加载数据。使用tf.data实例化读取训练数据和测试数据模型的建立与调试:使用动态图模式Eager Execution和著名的神经网络高层API框架Ker…
阅读更多...
mongoDB教程（五）：命名规范

mongoDB教程（五）：命名规范

还是大剑师兰特：曾是美国某知名大学计算机专业研究生，现为航空航海领域高级前端工程师；CSDN知名博主，GIS领域优质创作者，深耕openlayers、leaflet、mapbox、cesium，canvas，webgl，ech…
阅读更多...
拍桌子、甩脸子、抡棒子没用，带出一流战斗力团队用好3招就够了

拍桌子、甩脸子、抡棒子没用，带出一流战斗力团队用好3招就够了

拍桌子、甩脸子、抡棒子没用，带出一流战斗力团队用好3招就够了 第一招：及时激励 在现实中，绝大部分管理者管理手段缺乏，只知道用钱进行激励。 而真正的高手不仅会满足员工物质上的需求，更注重员工心理上的满足。 他…
阅读更多...
cs231n作业1——Softmax

cs231n作业1——Softmax

参考文章：cs231n assignment1——softmax Softmax softmax其实和SVM差别不大，两者损失函数不同，softmax就是把各个类的得分转化成了概率。 损失函数： def softmax_loss_naive(W, X, y, reg):loss 0.0dW np.zeros_like(W)num_…
阅读更多...
知识社区在线提问小程序模板源码

知识社区在线提问小程序模板源码

蓝色的知识问答，问答交流，知识社区，在线提问手机app小程序网页模板。包含：社区主页、提问、我的、绑定手机，实名认证等。 知识社区在线提问小程序模板源码
阅读更多...
**kwargs 字典解包传参的方式

**kwargs 字典解包传参的方式

字典解包传参 在Python中，****kwargs**是一种通过字典解包 (dictionary unpacking) 的方式进行参数传递的方式。它将一个字典的键值对解包并传递给函数的命名参数。 示例代码 kwargs实参: {name: "jordan", age: 18, score: [80, 85, 85]} get_info形…
阅读更多...
U盘非安全退出后的格式化危机与高效恢复策略

U盘非安全退出后的格式化危机与高效恢复策略

在数字化时代，U盘作为数据存储与传输的重要工具，其数据安全备受关注。然而，一个常见的操作失误——U盘没有安全退出便直接拔出，随后再插入时却遭遇“需要格式化”的提示，这不仅让用户措手不及，更可能意味着…
阅读更多...
windows内置的hyper-v虚拟机的屏幕分辨率很低，怎么办？

windows内置的hyper-v虚拟机的屏幕分辨率很低，怎么办？

# windows内置的hyper-v虚拟机的屏幕分辨率很低，怎么办？ 只能这么大了，全屏也只是把字体拉伸而已。 不得不说，这个hyper-v做的很烂。 直接复制粘贴也做不到。 但有一个办法可以破解。 远程桌面。 我们可以在外面的windows系统&…
阅读更多...
科普文：构建可扩展的微服务架构设计方案

科普文：构建可扩展的微服务架构设计方案

前言 微服务架构是一种新兴的软件架构风格，它将单个应用程序拆分成多个小的服务，每个服务都运行在自己的进程中，这些服务通过网络进行通信。这种架构的优势在于它可以提高应用程序的可扩展性、可维护性和可靠性。 在传统的应用程序架构中&…
阅读更多...
minist数据集分类模型的训练

minist数据集分类模型的训练

minist数据集训练 训练方法：利用pytorch来实现minist数据集的分类模型训练 训练模型如下图所示 模型代码： import torch from torch import nn from torch.nn import Flattenclass Net(nn.Module):def __init__(self):super().__init__()self.module …
阅读更多...
grid布局下的展开/收缩过渡效果【vue/已验证可正常运行】

grid布局下的展开/收缩过渡效果【vue/已验证可正常运行】

代码来自GPT4o&#xff1a;国内官方直连GPT4o <template><div class"container"><button class"butns" click"toggleShowMore">{{ showAll ? 收回 : 显示更多 }}</button><transition-group name"slide-fade&…
阅读更多...
KDP数据分析实战：从0到1完成数据实时采集处理到可视化

KDP数据分析实战：从0到1完成数据实时采集处理到可视化

智领云自主研发的开源轻量级Kubernetes数据平台&#xff0c;即Kubernetes Data Platform (简称KDP)&#xff0c;能够为用户提供在Kubernetes上的一站式云原生数据集成与开发平台。在最新的v1.1.0版本中&#xff0c;用户可借助 KDP 平台上开箱即用的 Airflow、AirByte、Flink、K…
阅读更多...
14-35 剑和诗人9 - 普及 Agentic RAG

14-35 剑和诗人9 - 普及 Agentic RAG

好吧&#xff0c;让我们直接进入正题——了解 Agentic RAG&#xff08;检索增强生成&#xff09;方法以及它如何彻底改变我们处理信息的方式。系好安全带&#xff0c;因为这将变得疯狂&#xff01; Agentic RAG 的核心在于为 RAG 框架注入智能和自主性。这就像对常规 RAG 系统…
阅读更多...
阶段三：项目开发---搭建项目前后端系统基础架构:任务10：SpringBoot框架的原理和使用

阶段三：项目开发---搭建项目前后端系统基础架构:任务10：SpringBoot框架的原理和使用

任务描述 1、熟悉SpringBoot框架的原理及使用 2、使用IDEA创建基于SpringBoot、MyBatis、MySQL的Java项目 3、当前任务请在client节点上进行 任务指导 1、SpringBoot框架的选择和原理 2、MyBatis-Plus的选择和原理 3、使用IDEA创建基于SpringBootMyBatis-PlusMySQL的Jav…
阅读更多...
最新文章

Copyright @ 2022~2023