前言
近段时间大家听到的最多的新闻热点无非就是生成式AI了。确实它的出现对社带来了巨大的改变。
对于普通人来说,他的出现带来了更大的便利。现在市面上几乎所有的应用程序都穿上了”生成式AI的盔甲“,这对于用户来说是体验更加便利的表现。 对于开发者来说,在这个巨大的风口浪尖上,许多开发者都转型为独立开发者,自己当起了老板,而他手下的员工则是这些AI。
今天实验的目的
今天实验的目的是为了证明原生的生成式AI算力精度的不确定性,及设置生成逻辑风格的单一性,从而证明AI+agent(智能体)的必要发展趋势。
- 举个例子,当我们很饿的时候,我们脑海中总是想要得到一碗米饭,但是当我们真正的得了一碗米饭的时候,我们就产生另外的想法”西红柿蛋炒饭,会不会香“,那么生成式AI也式一样道理。 现在的LLM大语言模型已经开始有专门定制化的发展趋势了,比如百度的文心大模型4.0版本,他在现有的生成式AI大语言模型的基础上又继续深挖,从而能够让文心大模型能够更好深入到人类社会上现有的各个职业领域,与专业的人士,用专业的问题来进行专业交流。
实验开始
第一步(Python调用langchain接入文心llm)
代码语言:javascript
pip install openai langchain langchain-wenxin
llm.py:
代码语言:javascript
from langchain_wenxin import Wenxin
WENXIN_APP_Key = ""
WENXIN_APP_SECRET = ""
llm = Wenxin(
temperature=0.9,
model="ernie-bot-turbo",
baidu_api_key = WENXIN_APP_Key,
baidu_secret_key = WENXIN_APP_SECRET,
verbose=True,
)
response = llm("请给我讲一个笑话")
print(response)
文心输出:
代码语言:javascript
当然可以,这是一个关于两只小猪的笑话:
有一天,两只小猪一起去郊游。一只小猪带了一个超级大的野餐篮子,里面装满了各种美食,而另一只小猪只带了一片三明治。
当他们到达目的地时,那只带美食的小猪开始抱怨:“你看,我带了这么多好吃的,你只带了一片三明治,我简直快饿死了。”
另一只小猪笑了笑,回答说:“别担心,我有办法让你吃饱。”说着,他打开三明治,从中取出一块,然后递给那只带美食的小猪。
带美食的小猪看着手中的三明治,突然笑了起来:“你这是在做什么?我只带了一片三明治,现在你要我怎么吃?”
另一只小猪回答说:“这就是我要你吃的啊!”
希望这个笑话能让你开心!
第二步(Python调用langchain接入文心chat)
chat.py:
代码语言:javascript
from langchain.schema import (
AIMessage,
HumanMessage,
)
from langchain_wenxin import ChatWenxin
WENXIN_APP_Key = ""
WENXIN_APP_SECRET = ""
chat_model = ChatWenxin(
temperature=0.9,
model="ernie-bot-turbo",
baidu_api_key = WENXIN_APP_Key,
baidu_secret_key = WENXIN_APP_SECRET,
verbose=True,
)
response = chat_model(
[
HumanMessage(content="请给我讲一个笑话")
]
)
print(response)
文心输出:
代码语言:javascript
content='当然可以,这是一个有趣的笑话:\n\n有一天,一只鸟飞到一栋房子前,它看到门上写着“请勿乱扔垃圾”。
于是它决定不扔垃圾,但是它又很饿,于是它想出了一个聪明的办法。它从嘴里吐出一些食物,然后把这些食物扔到房子里。
房子的主人看到后非常惊讶,问他:“你是怎么做到的?
”鸟回答说:“很简单,我是用鸟嘴吐出来的。
”房子的主人笑了笑,说:“你真聪明,下次你可以再试试。
”\n\n希望你喜欢这个笑话!'
第三步(现有平台调用OpenAI api接入ChatGPT4.0)
第四步(小程序(JavaScript)调用文心原生大语言模型)
代码语言:javascript
getAccessToken() {
let that = this
wx.request({
url: 'https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id='+api_key+'&client_secret='+secret_key,
method: 'POST',
'headers': {
'Content-Type': 'application/json',
'Accept': 'application/json'},
success: (res) => {
// console.log(res.data.access_token);
that.setData({
access_token:res.data.access_token
})
that.instructModel()
},
fail: (err) => {
reject(err);
}
});
},
instructModel(){
let that = this
const access_token = that.data.access_token
const url_chat = "https://aip.baidubce.com/rpc/2.0/ai_custom/v1/wenxinworkshop/chat/completions?access_token=" + access_token
const payload = {
"messages": [
{
"role": "user",
"content": "给我讲个笑话"
}
]
};
wx.request({
url: url_chat,
method: "POST",
data: payload,
header: {
'Content-Type': 'application/json'
},
success: function (res) {
console.log(res.data.result);
},
});
},
文心输出:
代码语言:javascript
小明告诉妈妈:“今天有人表扬我了。”
妈妈兴奋地问:“怎么表扬的?”
小明说:“那人碰了我一下,说:‘小朋友,你胖乎乎的,真可爱!’”
结论
以上生成的内容大家觉得搞笑度如何,那如果是让专门的人士,比如说相声的人跟他们比较呢?大家可能认为就一个笑话,用得着这么较真吗? 那如果问的问题不是笑话这么简单,而是医学上关乎生命安全领域的解决方案呢? 所以,现在的人们大多数还是将生成式AI解决方案作为极小部分的参考比例,这一现象的根本原因式在于,原生生成式AI的不精准性。 那么想要解决这一类问题,就要在原生LLM大语言模型的基础上再次深耕。这一现象也是最近爆火的一类话题”生成式AI+agent(智能体)“,这也代表了生成式AI+agent(智能体)的必要发展趋势!
如何系统的去学习大模型LLM ?
作为一名热心肠的互联网老兵,我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。
但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的 AI大模型资料
包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
所有资料 ⚡️ ,朋友们如果有需要全套 《LLM大模型入门+进阶学习资源包》,扫码获取~
一、全套AGI大模型学习路线
AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!
二、640套AI大模型报告合集
这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
四、AI大模型商业化落地方案
阶段1:AI大模型时代的基础理解
- 目标:了解AI大模型的基本概念、发展历程和核心原理。
- 内容:
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践 - L1.5 GPT应用案例
阶段2:AI大模型API应用开发工程
- 目标:掌握AI大模型API的使用和开发,以及相关的编程技能。
- 内容:
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例 - L2.2 Prompt框架
- L2.2.1 什么是Prompt
- L2.2.2 Prompt框架应用现状
- L2.2.3 基于GPTAS的Prompt框架
- L2.2.4 Prompt框架与Thought
- L2.2.5 Prompt框架与提示词 - L2.3 流水线工程
- L2.3.1 流水线工程的概念
- L2.3.2 流水线工程的优点
- L2.3.3 流水线工程的应用 - L2.4 总结与展望
- L2.1 API接口
阶段3:AI大模型应用架构实践
- 目标:深入理解AI大模型的应用架构,并能够进行私有化部署。
- 内容:
- L3.1 Agent模型框架
- L3.1.1 Agent模型框架的设计理念
- L3.1.2 Agent模型框架的核心组件
- L3.1.3 Agent模型框架的实现细节 - L3.2 MetaGPT
- L3.2.1 MetaGPT的基本概念
- L3.2.2 MetaGPT的工作原理
- L3.2.3 MetaGPT的应用场景 - L3.3 ChatGLM
- L3.3.1 ChatGLM的特点
- L3.3.2 ChatGLM的开发环境
- L3.3.3 ChatGLM的使用示例 - L3.4 LLAMA
- L3.4.1 LLAMA的特点
- L3.4.2 LLAMA的开发环境
- L3.4.3 LLAMA的使用示例 - L3.5 其他大模型介绍
- L3.1 Agent模型框架
阶段4:AI大模型私有化部署
- 目标:掌握多种AI大模型的私有化部署,包括多模态和特定领域模型。
- 内容:
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
学习计划:
- 阶段1:1-2个月,建立AI大模型的基础知识体系。
- 阶段2:2-3个月,专注于API应用开发能力的提升。
- 阶段3:3-4个月,深入实践AI大模型的应用架构和私有化部署。
- 阶段4:4-5个月,专注于高级模型的应用和部署。
这份完整版的所有 ⚡️ 大模型 LLM 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
全套 《LLM大模型入门+进阶学习资源包》↓↓↓ 获取~