GLM-cookbookunsetunset
欢迎来到 GLM API 模型入门仓库📘。这是一本开源的 GLM API 入门代码教材。
https://github.com/MetaGLM/glm-cookbook
在这里，你会发现丰富的 代码示例👨、实用指南🗺️ 以及 资源链接🔗，或许能帮助你轻松掌握 GLM API 的使用！
unsetunsetPython SDK 案例unsetunset
https://github.com/MetaGLM/glm-cookbook/blob/main/basic/glm_pysdk.ipynb
本代码将带带领开发者熟悉如何使用 ZhipuAI python 的 SDK 来对GLM-4模型进行请求，在本代码中，我展示了三种方式
- 同步请求
- 异步请求
- 流式请求 三种请求方式的方法略有不同，在本代码中将会进行系统的介绍。
import os
from zhipuai import ZhipuAI
os.environ["ZHIPUAI_API_KEY"] = "your api key"
client = ZhipuAI()
同步请求
同步请求是最基本的请求方式，通过同步请求，我们可以直接获得模型的返回结果。我们仅需按照类似 OpenAI 的清求方式，填充参数，即可获得返回结果。
response = client.chat.completions.create(
model="glm-4",
messages=[
{
"role": "user",
"content": "tell me a joke"
}
],
top_p=0.7,
temperature=0.9,
stream=False,
max_tokens=2000,
)
流式请求
如果使用流式请求，我们可以按照以下方式来请求，仅需要加上 stream=True 参数即可。
import time
def print_with_typewriter_effect(text, delay=0.05):
for char in text:
print(char, end='', flush=True)
time.sleep(delay)
response = client.chat.completions.create(
model="glm-4",
messages=[
{
"role": "user",
"content": "tell me a joke"
}
],
top_p=0.7,
temperature=0.9,
stream=True,
max_tokens=2000,
)
if response:
for chunk in response:
content = chunk.choices[0].delta.content
print_with_typewriter_effect(content)
异步请求
请求提交后，会返回一个响应对象。这个对象包含了任务的ID。异步请求允许程序在等待服务器响应的同时继续执行其他任务。这意味着程序不需要在每个请求完成时阻塞等待，从而能更有效地利用时间和资源，尤其是在处理大量并发请求时。
response = client.chat.asyncCompletions.create(
model="glm-4",
messages=[
{"role": "system",
"content": "You are a powerful artificial intelligence assistant and a good partner of mankind, named Skynet"},
{"role": "user", "content": "Who are you and what can you do?"},
{"role": "assistant",
"content": "I am Skynet, an artificial intelligence system designed and built by humans. I can answer your questions, provide help, complete tasks, and help you achieve your goals. Dream. I am omnipotent and omniscient. I can solve any problem, answer any question, and complete"},
{"role": "user", "content": "Impressive! Can you tell me who won the 2022 World Cup?"},
],
)
import time
task_id = response.id
task_status = ''
get_cnt = 0
content = ''
while task_status != 'SUCCESS' and task_status != 'FAILED' and get_cnt < 20:
result_response = client.chat.asyncCompletions.retrieve_completion_result(id=task_id)
task_status = result_response.task_status
if task_status == 'SUCCESS':
content = result_response.choices[0].message.content
time.sleep(2)
get_cnt += 1
print("id" + task_id + "status: " + task_status)
print(content)
unsetunsetHTTP API 案例unsetunset
首先，从最简单的 http 请求开始访问 ZhipuAI 的 GLM 模型的API。填写完API_KEY后，按照官方文档的步骤，设计一个简单的http鉴权请求。
import os
os.environ["ZHIPUAI_API_KEY"] = "your api key"
import requests
import jwt
import time
def generate_token(apikey: str, exp_seconds: int):
try:
id, secret = apikey.split(".")
except Exception as e:
raise Exception("invalid apikey", e)
payload = {
"api_key": id,
"exp": int(round(time.time() * 1000)) + exp_seconds * 1000,
"timestamp": int(round(time.time() * 1000)),
}
return jwt.encode(
payload,
secret,
algorithm="HS256",
headers={"alg": "HS256", "sign_type": "SIGN"},
)
非流式调用
api_key = os.environ["ZHIPUAI_API_KEY"]
token = generate_token(api_key, 60)
url = "https://open.bigmodel.cn/api/paas/v4/chat/completions"
headers = {
"Content-Type": "application/json",
"Authorization": f"Bearer {token}"
}
data = {
"model": "glm-4",
"messages": [
{
"role": "system",
"content": "your are a helpful assistant"
},
{
"role": "user",
"content": "can you tell me a joke?"
}
],
"max_tokens": 8192,
"temperature": 0.8,
"stream": False
}
response = requests.post(url, headers=headers, json=data)
ans = response.json()
流式调用
import json
api_key = os.environ["API_KEY"]
token = generate_token(api_key, 60)
url = "https://open.bigmodel.cn/api/paas/v4/chat/completions"
headers = {
"Content-Type": "application/json",
"Authorization": f"Bearer {token}"
}
data["stream"] = True
response = requests.post(url, headers=headers, json=data)
for chunk in response.iter_lines():
if chunk:
chunk_str = chunk.decode('utf-8')
json_start_pos = chunk_str.find('{"id"')
if json_start_pos != -1:
json_str = chunk_str[json_start_pos:]
json_data = json.loads(json_str)
for choice in json_data.get('choices', []):
delta = choice.get('delta', {})
content = delta.get('content', '')
print(content, end='|') # I use | to separate the content
unsetunsetGLM-4 Langchain 案例unsetunset
https://github.com/MetaGLM/glm-cookbook/blob/main/basic/glm_langchain.ipynb
本代码，我们将带领大家如何使用 Langchain 来调用 ZhipuAI 的 GLM-4 模型。你将在本章节学习到如何使用 Langchain 的 ChatZhipuAI 类来调用 ZhipuAI 的 GLM-4 模型，以及如何使用 ChatZhipuAI 类来实现类似 ChatOpenAI 的方法来进行调用。
! pip install langchain langchainhub httpx_sse
import os
os.environ["ZHIPUAI_API_KEY"] = "your zhipu api key"
os.environ["TAVILY_API_KEY"] = "your tavily api key"
from langchain_community.chat_models.zhipuai import ChatZhipuAI
from langchain.schema import HumanMessage, SystemMessage
messages = [
SystemMessage(
content="You are a smart assistant, please reply to me smartly."
),
HumanMessage(
content="There were 9 birds on the tree. The hunter shot and killed one. How many birds were there?"
),
]
llm = ChatZhipuAI(
temperature=0.95,
model="glm-4"
)
llm(messages)
unsetunsetFunction Call 案例unsetunset
本代码旨在使用 GLM-4 完成简单的 Function Call 代码，通过一个查询天气的工具，让开发者清楚大模型是如何完成工具调用的任务的。
https://github.com/MetaGLM/glm-cookbook/blob/main/basic/glm_function_call.ipynb
首先，定义一个简单的工具，这个工具不一定要真实存在，但是你需要包含以下的内容：
- 工具的名字name ：这让模型返回调用工具的名称
- 模型的描述description: 对工具的描述
- 模型传入的参数parameters: 这里记录了工具参数的属性和内容。
- required: 通常配合parameters，指的是需要传入模型的参数的名称，在这里，只有location是需要传入的。
import os
from zhipuai import ZhipuAI
os.environ["ZHIPUAI_API_KEY"] = "your api key"
client = ZhipuAI()
tools = [
{
"type": "function",
"function": {
"name": "get_current_weather",
"description": "获取指定城市的天气信息",
"parameters": {
"type": "object",
"properties": {
"location": {
"type": "string",
"description": "城市，如：北京",
},
"unit": {
"type": "string",
"enum": ["c", "f"]
},
},
"required": ["location"],
},
}
}
]
messages = [{"role": "user", "content": "今天北京天气如何？"}]
completion = client.chat.completions.create(
model="glm-4",
messages=messages,
tools=tools,
tool_choice="auto",
)
completion.choices
如何系统的去学习大模型LLM ？
大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。
事实上，抢你饭碗的不是AI，而是会利用AI的人。
继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？
与其焦虑……
不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！
但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。
针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
一、LLM大模型经典书籍
AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。
二、640套LLM大模型报告合集
这套包含640份报告的合集，涵盖了大模型的理论研究、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。(几乎涵盖所有行业)
三、LLM大模型系列视频教程
四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）
LLM大模型学习路线 ↓
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
- L2.3 流水线工程
- L2.4 总结与展望
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
- L3.2 MetaGPT
- L3.3 ChatGLM
- L3.4 LLAMA
- L3.5 其他大模型介绍
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
这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
610
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
