周一,公司空降一名逼里巴巴的技术总监老王,我很不服气,就给他出了道难题,限时 30 分钟把最新大模型 GLM-4-AllTools 对接进技术派的派聪明 AI 助手里。
结果没想到,他还真的完成了,完成的还挺优雅,让我佩服的五体投地。于是我就根据老王的代码写了一篇大模型MaaS开放平台的接入体验,一起来欣赏下😄,据说把下面这两条项目经历润到简历上,投出去的简历一投一个准。
-
派聪明 AI 助手通过 WebSocket 实现前后端的及时通信,并且通过异步流的方式实现消息一点一点输出的效果;
-
应用策略模式来支持多家 AI 大模型的灵活对接,目前已经成功集成了智谱 AI AllTools API、讯飞星火 4.0 API 和 GPT 4 API。
好,我们先来看一下效果。
直接问一道比较复杂的问题:“帮我查询2018年至2024年,每年五一假期全国旅游出行数据,并绘制成柱状图展示数据趋势。”
讲真,这道题是有难度的,结果令我没想到的是,不到 20 毫秒,派聪明 AI 助手就给出了答案。
点开链接瞅一眼,这柱状图生成的可以啊,2020 年是最低谷,然后逐步回暖,果然是符合历史背景的。
作为一名严谨的程序员,我稍微查了一下,数据较为可靠(😄)。
牛啊,我只能说。
于是我到这个MaaS开放平台瞅了一眼,果然有新发现。
Alltools API 能够让我们在应用程序中构架高度专业化的 AI 助手,目前主要的功能有:智能编码助手、安全代码沙盒、实时联网搜索、绘图设计工具、函数调用能力等,未来还会有网页浏览工具、知识库增强检索等。
看到这,是不是大家就忍不住了,纷纷要问,老王是怎么实现的啊?如果大家也想接入 Alltools API 实现一个智能 AI 助手,那就跟着二哥的教程来吧,五步就能搞定。
第一步,登录智谱AI大模型MaaS开放平台,新用户注册能 500 万的 GLM-4 tokens,适用最新的 glm-4-0520 和 glm-4-alltools 模型推理。
https://bigmodel.cn/
第二步,获取 API keys,每家大模型都需要哦。
第三步,拉取技术派在 GitHub 上的最新源码,智谱 AI 的对接主要在 paicoding-core 这个 module 下。
https://github.com/itwanger/paicoding
注意,Maas 平台已经帮我们对智谱 AI 大模型做了高度封装,Maven 项目可以直接在 pom.xml 文件中引入以下依赖就可以调用 API 接口了。
在技术派中,老王还通过设计模式对各个大模型进行了灵活配置,大家可以在 getRecommendAiSource 这个方法中添加其他大模型进来。
第四步,在 application.yaml 中配置智谱 AI 的 API keys,模型为glm-4-alltools。
第五步,启动 main 主类在浏览器里中打开 http://127.0.0.1/chat
就可以访问智谱 AI 了。
我这里多讲几句 AllTools API 对接的核心代码,在 ZhipuIntegration 这个类下面。
实现起来其实不难,首先是发起请求,主要封装在 ChatCompletionRequest 这个类中,然后是拿到响应信息后流式返回给客户端,主要是处理 ModelApiResponse 这个类。
目前 AllTools 仅支持流式 SSE 输出,也就是大家看到的消息一点一点在对话框中显示的效果,后台打印的信息其实是这样的,也是一点一点的从智谱 AI 那里得到响应。
用流程图来展示,其实是下面这样的,智谱 AI 会先联网查询,然后将数据汇总,并且根据数据绘制柱状图,生成图片后返回返回响应结果。
AllTools API 也是智谱 AI 最新推出的面向开发者的 API 服务,集成了调用工具的能力,并且能够自主使用多种工具组合和多轮对话来提供大模型服务。
新模型的推理能力也非常的强,支持的上下文环境也更长了,相比 ChatGLM3-6B 提升了 40%。
关键对接起来也非常的方便,仅需要四步就完成了。技术派的前后端通信采用的是 WebSocket 这种形式,能够比较实时地将智谱 AI 的数据返回给用户,自我感觉实现还是非常优雅的。
好,回到技术的本质,让智谱 AI 用 Python 画一个爱心:
挺聪明的的样子哈😄,最后,再让智谱 AI 来一道逻辑推理题:学校食堂运来19吨煤,已经烧了16吨,平均每天烧0.4吨,剩下的煤每天烧0.3吨,还要几天烧完?给出求解步骤。
你别说,推理的还挺不错,我掐指一算,答案没错呢。
另外,我需要提一句的是,智谱 AI 也非常注重开源的力量,ChatGLM-6B 于 2023年3月14日开源,目前在GitHub上收获了 40k+ star。
最新的 GLM-4-9B-Chat 模型也有 3.8k 的 star 了,新版本的开源模型也将依赖的 transformers 版本升级到 4.42.4。
大家不仅可以在本地尝试对接 AllTools API,也用 GLM-4-9B-Chat 来搭建属于自己的小模型哦。
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。
😝有需要的小伙伴,可以V扫描下方二维码免费领取🆓
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
】
😝有需要的小伙伴,可以Vx扫描下方二维码免费领取🆓