Task6打卡 大模型学习总结

大模型开发主要分为以下8个流程：

1.确定目标

2.设计功能

3.搭建整体架构

4.搭建数据库

5.Prompt Engineering

6.验证迭代

7.前后端搭建

8.体验优化

总结与分析：

在实际操作过程中，我并没有完全掌握所有的流程。

在11月的学习中，我跟随教程完成了多个API的申请，最后完成了智谱aiAPI的调用。

我创建了一个基于zhipuai的对话系统，这个系统包括角色和对话内容，按照json格式输出字符串。

以下是相关的代码：

import zhipuai

# 填写 APIKey 信息
zhipuai.api_key = "您的APIKey"

model = "chatglm_std"  # 选择模型

def get_response(text):
    """
    使用智谱清言 API 获取响应。
    text: 用户输入的文本。
    返回: 智谱清言的回复。
    """
    # 构造请求
    prompt = [{"role": "user", "content": text}]
    
    # 发送请求并获取响应
    response = zhipuai.model_api.invoke(model=model, prompt=prompt)

    # 解析响应
    if response.get("success") and response["code"] == 200:
        return response["data"]["choices"][0]["content"]
    else:
        return "抱歉，无法获取回答。"

# 主循环
while True:
    # 用户输入
    user_input = input("你说: ")
    
    # 如果用户输入 '退出'，则结束对话
    if user_input.lower() == "退出":
        print("对话结束。")
        break
    
    # 获取并打印回答
    answer = get_response(user_input)
    print("小智说:", answer)

但是经过调试之后发现这段代码创建的“小智”不具备记忆功能，在修改代码之后可以实现有记忆功能的对话，可以根据上下文内容进行回答。

以下是修改之后的代码：

import zhipuai

# 填写 APIKey 信息
zhipuai.api_key = "您的APIKey"

model = "chatglm_std"  # 选择模型

def get_response(history):
    """
    使用智谱清言 API 获取响应。
    history: 对话历史列表。
    返回: 智谱清言的回复以及更新的历史。
    """
    # 发送请求并获取响应
    response = zhipuai.model_api.invoke(model=model, prompt=history)

    # 解析响应
    if response.get("success") and response["code"] == 200:
        reply = response["data"]["choices"][0]["content"]
        history.append({"role": "assistant", "content": reply})  # 更新历史
        return reply, history
    else:
        return "抱歉，无法获取回答。", history

# 对话历史
history = []

# 主循环
while True:
    # 用户输入
    user_input = input("你说: ")
    
    # 如果用户输入 '退出'，则结束对话
    if user_input.lower() == "退出":
        print("对话结束。")
        break
    
    # 更新历史并获取回答
    history.append({"role": "user", "content": user_input})
    answer, history = get_response(history)
    print("小智说:", answer)

写在最后：

感谢Datawhale提供的相关学习链接：动手学大模型应用开发