使用ZHIPU AI构建智能聊天机器人：从安装到进阶应用全攻略

最新推荐文章于 2024-11-07 17:15:19 发布

cgsayuclv

最新推荐文章于 2024-11-07 17:15:19 发布

阅读量305

点赞数 3

文章标签：人工智能机器人 python

本文链接：https://blog.csdn.net/cgsayuclv/article/details/142726473

版权

# 使用ZHIPU AI构建智能聊天机器人：从安装到进阶应用全攻略

## 引言
随着人工智能的发展，聊天机器人已成为许多企业用户和个人开发者的核心工具。在本篇文章中，我们将深入探讨如何使用ZHIPU AI的GLM-4多语言大模型，通过LangChain实现智能对话和代码生成。

## 主要内容

### 安装指南
首先，确保在你的Python环境中安装了必要的包。运行以下命令：

```bash
# 安装所需的Python包
!pip install --upgrade httpx httpx-sse PyJWT

导入必要模块

安装完成后，导入需要的模块：

from langchain_community.chat_models import ChatZhipuAI
from langchain_core.messages import AIMessage, HumanMessage, SystemMessage

设置API密钥

登录ZHIPU AI获取API密钥，并在代码中进行设置：

import os

os.environ["ZHIPUAI_API_KEY"] = "your_api_key_here"  # 使用API代理服务提高访问稳定性

初始化ZHIPU AI聊天模型

以下是如何初始化聊天模型的示例：

chat = ChatZhipuAI(
    model="glm-4",
    temperature=0.5,
)

基本用法

通过系统消息和用户消息调用模型：

messages = [
    AIMessage(content="Hi."),
    SystemMessage(content="Your role is a poet."),
    HumanMessage(content="Write a short poem about AI in four lines."),
]

response = chat.invoke(messages)
print(response.content)  # 显示AI生成的诗

进阶功能

流式支持

对于持续交互，使用流式特性：

from langchain_core.callbacks.manager import CallbackManager
from langchain_core.callbacks.streaming_stdout import StreamingStdOutCallbackHandler

streaming_chat = ChatZhipuAI(
    model="glm-4",
    temperature=0.5,
    streaming=True,
    callback_manager=CallbackManager([StreamingStdOutCallbackHandler()]),
)

streaming_chat(messages)

异步调用

对于非阻塞调用，使用异步方法：

async_chat = ChatZhipuAI(
    model="glm-4",
    temperature=0.5,
)

response = await async_chat.agenerate([messages])
print(response)

使用函数调用

GLM-4模型还支持函数调用，以下是一个简单的LangChain json_chat_agent示例：

os.environ["TAVILY_API_KEY"] = "tavily_api_key"

from langchain import hub
from langchain.agents import AgentExecutor, create_json_chat_agent
from langchain_community.tools.tavily_search import TavilySearchResults

tools = [TavilySearchResults(max_results=1)]
prompt = hub.pull("hwchase17/react-chat-json")
llm = ChatZhipuAI(temperature=0.01, model="glm-4")

agent = create_json_chat_agent(llm, tools, prompt)
agent_executor = AgentExecutor(
    agent=agent, tools=tools, verbose=True, handle_parsing_errors=True
)

agent_executor.invoke({"input": "what is LangChain?"})