【AIAppMarket项目】第四阶段-市场平台的智能化

最新推荐文章于 2024-08-07 11:15:21 发布

海豚掀奶泡

最新推荐文章于 2024-08-07 11:15:21 发布

阅读量887

点赞数 17

分类专栏： AIAppMarket项目文章标签： java spring spring boot mybatis 人工智能

本文链接：https://blog.csdn.net/XhThT/article/details/140360848

版权

AIAppMarket项目专栏收录该内容

6 篇文章 0 订阅

订阅专栏

本阶段任务

借助智谱AI，为市场平台提供智能化生成App的功能。

接入 Al 模块
Al 生成题目
Al 智能评分

接入 AI 模块

根据智谱 AI 接口文档使用 SDK 的方式接入（这种方式比较简便，不用自己构造 HTTP 请求和响应对象）。

在添加依赖后，使用 @SpringBootTest 注解进行了单元测试，验证正确接入 AI 模块：

@SpringBootTest
public class ZhiPuAiTest {

    @Resource
    private ClientV4 clientV4;

    @Test
    public void test(){
        // 初始化客户端
//        ClientV4 client = new ClientV4.Builder(KeyConstant.KEY).build();
        // 构建请求
        List<ChatMessage> messages = new ArrayList<>();
        ChatMessage chatMessage = new ChatMessage(ChatMessageRole.USER.value(), "作为一名营销专家，请为智谱开放平台创作一个吸引人的slogan");
        messages.add(chatMessage);
//        String requestId = String.format(requestIdTemplate, System.currentTimeMillis());

        ChatCompletionRequest chatCompletionRequest = ChatCompletionRequest.builder()
                .model(Constants.ModelChatGLM4)
                .stream(Boolean.FALSE)
                .invokeMethod(Constants.invokeMethod)
                .messages(messages)
//                .requestId(requestId)
                .build();
        ModelApiResponse invokeModelApiResp = clientV4.invokeModelApi(chatCompletionRequest);
        System.out.println("model output:" + invokeModelApiResp.getData().getChoices().get(0));

    }
}

测试正确之后，封装模块：

1）在 application.yml 中定义配置：

ai:
  api-key: 自己的API密钥

2）定义 AI 配置类：

@Configuration
@ConfigurationProperties(prefix = "ai")
@Data
public class AiConfig {
    /**
     * api key，需要从开放平台获取
     */
    private String apiKey;

    @Bean
    public ClientV4 getClientV4(){
        return new ClientV4.Builder(apiKey).build();
    }
}

3）在 AiManager 类中定义各类请求方法

AI 生成题目

可以使用 Al 根据已经填写的应用信息，自动生成题目，然后再由人工进行编辑确认，提高创建题目的效率。
Al 生成内容精准的核心要点在于编写 Prompt。总体而言，首先明确我们能提供或者需要输入给Al的参数，然后构建 Prompt 并输入给 AI，让 AI 生成题目并处理成我们需要的格式。
1）调试定义 Prompt：智谱AI-Prompt 工程文档
遵循 Prompt 工程指南中的技巧，编写出系统 Prompt 和用户 Prompt 。
系统Prompt如下：

你是一位严谨的出题专家，我会给你如下信息:
应用名称，
[[[应用描述]]]，
应用类别，
要生成的题目数，
每个题目的选项数
请你根据上述信息，按照以下步骤来出题:
xxxxxxxxxxxxxxxxx
xxxxxxxxxxx

用户Prompt按照顺序提供信息即可，示例Prompt如下：

测评类应用:
MBTI性格测试，
[[[MBTI性格测试]]]，
测评类，
10，
2

注意：得到的结果可能会包含额外的开头和结尾字符串。可以通过字符串查找，找到开头和结尾的[ ]，进行截取，最后，将JSON字符串转换为题目对象，返回给前端即可。

2）定义 AI 生成题目请求类，和系统/用户消息模板，并在QuestionController中定义 AI 题目生成接口。

3）前端开发：
使用 acro design 中提供的抽屉组件，并在题目页面中引入

并引入 const submitting 来向用户提示题目正在生成中

AI 评分

原本我们设计的题目评分策略需要让应用创建者自己创建评分结果，并且给题目选项设置得分和对应的属性，比较麻烦：
在这里插入图片描述
因此可以使用 Al根据应用信息题目和用户的答案进行分析，直接返回评分结果。
基本开发步骤同 AI 生成题目类似。
这种评分策略更适用于测评类应用，提高创建应用效率的同时，给结果更多的可能性，所以下面我们主要实现测评类应用的Al评分策略，暂时不关注得分类应用的Al评分结果，后续也可以在前端做一些控制，如果是得分类应用，不支持选择AI评分策略等。

扩展知识

Spring AI 用于在 Spring 应用程序中集成人工智能（AI）和机器学习（ML）功能。Spring AI 旨在简化 AI/ML 模型的开发、部署和管理，使开发人员能够更加高效地构建智能应用程序。
简单来说就是适配了市面上主流的Al模型，提供统一接口便于我们的开发。
注意：整个Spring Al是基于jdk 17构建的。
此外，Spring AI也整合了智谱AI：github地址