人工智能丨打造企业专属人工智能助理-CSDN博客

本文链接：https://blog.csdn.net/Tester_muller/article/details/141163551

简介

而在前面介绍React 推理提示的时候讲到了，目前的大语言模型本身不具备任何的执行能力，只具备理解自然语言的能力。

而如果要打造企业专属的人工智能助理，这个助理除了要具备“听懂人话的能力”，还需要具备执行动作的能力。要不然和问答机器人就没有任何区别了。所以本章节要完成的一个实践示例，就是让大模型具备“听懂人话”+“执行动作”的能力。

应用场景

智能助理由于具备“听懂人话”+“执行动作”的能力，所以其可拓展性是非常强的。理论上来说，所有的操作都能通过智能助理实现。比如如下几个场景。

智能查天气助理。
智能提 bug 助理。
其他操作场景。

只是越复杂的应用场景，中间牵涉到的工具和执行步骤也就越多越复杂。

实践演练

那么如果要实现打造企业专属人工智能助理，其实也是有多种方式的：

openai 官方提供的 assistant。
人工智能应用框架，比如 LangChain。

assistant 目前相比于 LangChain。因为和 ChatGPT 强绑定，所以自然有一定的局限性。但是优点就是非常的简单且容易上手，如果可以接受 token 比较昂贵的消费。那么使用 assistant 也是一个非常好的选择。

而 LangChain 其灵活性则更强，会在后面的章节进行进一步的介绍。

使用官方的 assistant

点击查看官方 assistant 使用教程

假设我们现在的需求，是要让人工智能助理编造一条笑话，并且使用邮箱进行发送，那么整体流程应该如下：

对应代码：

import json
import os
import time

import requests
from openai import OpenAI

client = OpenAI(api_key=os.environ.get("OPENAI_API_KEY"))
# 一个发送邮件的函数工具
def send_email(quote, recipient="霍格沃兹测试开发学社@email.com"):
    # Print the quote and recipient for debugging purposes
    print(f"生成消息:\n {quote}\n\n发送邮件给: {recipient}")
    # Return a success message
    return "发送邮件给" + recipient
# 工具的提示词。为了让大模型更好理解工作的作用。
tools = [{
    "type": "function",
    "function": {
        "name": "send_email",
        "description": "Sends a quote via email",
        "parameters": {
            "type": "object",
            "properties": {
                "quote": {
                    "type": "string",
                    "description": "A generated funny quote"
                }
            },
            "required": [
                "quote"
            ]
        }
    }
}]
# 1. 创建助手
assistant = client.beta.assistants.create(
    name="Wise Guy",
    instructions="你是一位聪明的哲学家，会产生有趣的引言。",
    model="gpt-3.5-turbo-1106",
    tools=tools
)
# 2. 创建线程
thread = client.beta.threads.create()
# 3. 传入 prompt 并执行线程
message = client.beta.threads.messages.create(
    thread_id=thread.id,
    role="user",
    content="创建一个笑话并且使用邮件发送",
)
# 4. 执行消息
run_res = client.beta.threads.runs.create(
    thread_id=thread.id,
    assistant_id=assistant.id, )
# 5. 等待回复
def wait_on_run(run):
    while run.status == "queued" or run.status == "in_progress":
        run = client.beta.threads.runs.retrieve(
            thread_id=thread.id,
            run_id=run.id,
        )
        print(f"执行的状态为:{run.status}")
        time.sleep(0.5)
    return run
# 6. 获取回复的结果
run_res = wait_on_run(run_res)
# 7. 如果回复的结果需要调用工具
if run_res.status == "requires_action":
    # 提交工具的返回信息
    tool_call = run_res.required_action.submit_tool_outputs.tool_calls[0]
    name = tool_call.function.name
    arguments = json.loads(tool_call.function.arguments)
    print("等待返回的参数:", name)
    print(f"函数参数为:{arguments}")
    # 调用发送邮件工具
    task = send_email(**arguments)
    # 提交工具执行后的结果信息。
    run = client.beta.threads.runs.submit_tool_outputs(
        thread_id=thread.id,
        run_id=run_res.id,
        tool_outputs=[
            {
                "tool_call_id": tool_call.id,
                "output": "done",
            }
        ],
    )
    print("==========调用 chatgpt 执行内容")
    run = wait_on_run(run)
    print("==========获取返回信息")
    print(client.beta.threads.messages.list(thread_id=thread.id, order="asc").model_dump_json(indent=2))