如何用comate快速生成一个剩菜好帮手

Mind-Explorer

已于 2024-08-24 13:06:51 修改

阅读量840

点赞数 18

文章标签： python

于 2024-08-24 12:48:18 首次发布

本文链接：https://blog.csdn.net/lifanqq/article/details/141497089

版权

想法

上班后不想吃饭店的饭菜，时长想自己做一些饭菜，买完菜后却经常放到冰箱中，剩下的菜有无法一下子处理，单纯扔掉有些可惜，但是基于冰箱中的剩菜如何能做出一顿像样的饭菜一致困扰着我，查市面上的程序有时候会多出几种菜来，这时候又懒得下去买，为此基于想做一个剩菜能生成菜谱的程序

设计思路

该程序需要一个网页显示，用户输入剩下的饭菜，然后生成菜谱，并附上必要的步骤。用户点击清除后，可以重新输入，生成新的菜谱，直到满意为止。

服务端调用星火大模型的免费api，使用的为Spark Lite，下面称为LLM，提供了自定义的prompt。

实际的代码中需要注册星火大模型获取真实的api_password

架构

架构图

在这里插入图片描述

为了快速生成原型，本程序使用python，并且基于文心快码（Baidu Comate）来快速生成代码框架，完成该程序大约只用了2个小时。

函数设计

基于上述的架构，我们需要生成如下几个程序：

服务端：可以接受http请求
请求解析函数，分解出给LLM需要参数
prompt配置：后期可以自定义多条
LLM请求生成函数
LLM客户端：星火大模型的官网提供有python示例
LLM响应解析函数
用户响应组装函数
前端页面
前端页面的一些简单调试

详细步骤：

在pycharm中安装好文心快码（Baidu Comate）
新建一个项目
然后唤起comate对话框

接下来开始写python函数，代码整体放到了：https://inscode.csdn.net/@lifanqq/Python
打开服务端后，浏览器打开：

127.0.0.1:6001/cook

在对话框中输入：

写一个http客户端，发送post请求给服务端，服务端的地址可以指定。请求的body先中只有{type:"user", "msg":"xxx"} ,发送完成后打印成功，并解析响应

获得一个http客户端：

import requests
import json


def send_post_request(server_url, msg_content="xxx"):
    # 构造请求体
    data = {"type": "user", "msg": msg_content}
    headers = {'Content-Type': 'application/json'}

    try:
        # 发送POST请求
        response = requests.post(server_url, headers=headers, data=json.dumps(data))

        # 检查响应状态码
        if response.status_code == 200:
            print("请求发送成功！")

            # 解析响应内容
            response_data = response.json()
            print("服务器响应：", response_data)
            print(response_data["result"])
        else:
            print(f"请求失败，状态码：{response.status_code}")
    except Exception as e:
        print(f"发送请求时出错：{e}")


# 示例：发送POST请求到指定的服务端地址
server_address = "http://127.0.0.1:6001/api/endpoint"  # 请替换为实际的服务端地址
send_post_request(server_address, "西红柿，鸡蛋")
# send_post_request(server_address)

写服务端：

以下是一个使用Python编写的简单HTTP客户端，用于发送POST请求到指定的服务端地址。这个客户端会发送一个包含{type: "user", "msg": "xxx"}的请求体，并在发送完成后打印成功信息，同时解析服务器的响应。
写一个服务端，接受客户端的请求，并回复处理函数的结果，处理逻辑可以空出来

得到服务端代码：

from flask import Flask, request, jsonify, render_template

import core

app = Flask(__name__)

@app.route('/api/endpoint', methods=['POST'])
def handle_request():
    try:
        # 解析请求体中的数据
        data = request.json
        # 加日志表面收到的信息
        print("收到请求，数据为：", data)
        type_ = data.get('type')
        msg = data.get('msg')

        # 在这里添加你的处理逻辑
        resp = core.send_chat_request(msg)
        # 例如，你可以根据type_和msg的值来进行不同的处理
        result = resp

        #加一行日志，表面发送成功的信息，以及发送的结果
        print("发送成功，结果为：", result)


        # 假设处理函数返回了一个字符串作为结果
        return jsonify({"result": result}), 200

    except Exception as e:
        # 如果在处理过程中出现异常，返回错误信息
        return jsonify({"error": str(e)}), 500


if __name__ == '__main__':
    app.run(debug=True)

下面开始写core的核心逻辑，主要是调用LLM，也就是星火模型的api
从官网找到的例子，下面的your_api_passwd需要自己注册星火模型后，从页面获取，并将下面例子中的替换


        ],
        "stream": False
    }

header = {
    "Authorization": "Bearer your_api_passwd", # 注意此处把your_api_passwd替换自己的APIPassword
    "Content-Type": "application/json"
}
response = requests.post(url, headers=header, json=data)
print(response.text)     将这个封装为一个函数，入参是content，替换data中的content，返回值是response.txt

基于这里例子，封装为一个函数

def send_chat_request(content):
    content_with_prompt = get_prompt() + "[" + content + "]"
    url = "https://spark-api-open.xf-yun.com/v1/chat/completions"
    data = {
        "model": "generalv3.5",  # 指定请求的模型
        "messages": [
            {
                "role": "user",
                "content": content_with_prompt  # 使用函数参数替换content
            }
        ],
        "stream": False
    }

    header = {
        "Authorization": "Bearer your_api_password",  # 注意此处替换自己的APIPassword
        "Content-Type": "application/json"
    }

    response = requests.post(url, headers=header, json=data)
    content = parse_content(response.text)
    return content  # 返回响应的文本内容

大模型返回的结果内容较多，我们用comate写一个解析函数，只获取其中的某些必要字段，在comate输入

写一个函数解析下面json中的content字段：{ "code": 0, "message": "Success", "sid": "cha000b7045@dx1915dab7328b8f2532", "choices": [{ "message": { "role": "assistant", "content": "你好！有什么我可以帮忙的吗？" }, "index": 0 }], "usage": { "prompt_tokens": 1, "completion_tokens": 7, "total_tokens": 8 } }

得到函数：

def parse_content(json_data):
    # 解析JSON字符串为Python字典
    data = json.loads(json_data)

    # 检查'choices'键是否存在，并且其值是否是一个列表
    if 'choices' in data and isinstance(data['choices'], list):
        # 遍历choices列表中的每个元素
        for choice in data['choices']:
            # 检查当前元素是否包含'message'键，并且'message'是一个字典
            if 'message' in choice and isinstance(choice['message'], dict):
                # 检查'message'字典中是否包含'content'键
                if 'content' in choice['message']:
                    # 返回找到的第一个'content'字段的值
                    return choice['message']['content']
    # 如果没有找到'content'字段，则返回None
    return None

prompt管理器较为简单：

def get_prompt():
    prompt = "假设你是一个五星大厨，掌握了很多做饭做菜的技巧，尤其擅长家常菜，请你根据提供的蔬菜、主食，提供一道比较合适的家常菜，" \
             "蔬菜、主食会用[]符号包裹起来，要求只能使用提供的菜，要求提供做的菜的名字以及做菜步骤，可以用1.xx，2.xx，3.xx的格式来提供"
    return prompt

至此，服务端的函数基本已经完成。
服务的启动命令为：

python3  -m gunicorn -w 1 -b 0.0.0.0:6001  server:app

下面写前端页面：
前端不太了解，只能完全依靠comate了。这里的提示词没有记录太全，只能做大致的记录：

你需要生成一个前段页面，页面题目是：剩菜好帮手，需要包括一个对话框，用户可以输入文字，包括一个发送按钮，点击后可以发送请求个上面的服务端。

之后comate生成一个index.html，并提示出应该放置的位置。经过多次提示，又添加了清除答复的按钮，以及将答复框做成了自适应宽度，并调整了最大宽度等。

为了访问页面，服务端代码中需要插入下面的代码，这个comate也会提示

@app.route('/cook')
def index():
    return render_template('index.html')  # 这将从templates文件夹中提供index.html文件

效果：

在这里插入图片描述

感受

comate 能快速生成代码，大部分只要提示词准确，生成的代码不用修改或者少量修改就可以使用。在AI时代，阻碍人前进的不再是复杂的编程语言语法细节，而是人的创意想法，只要有idea，大模型、comate都可以快速低成本的完成实践

参考

Mind-Explorer

关注

18
点赞
踩
11

收藏

觉得还不错? 一键收藏
0
评论
如何用comate快速生成一个剩菜好帮手

上班后不想吃饭店的饭菜，时长想自己做一些饭菜，买完菜后却经常放到冰箱中，剩下的菜有无法一下子处理，单纯扔掉有些可惜，但是基于冰箱中的剩菜如何能做出一顿像样的饭菜一致困扰着我，查市面上的程序有时候会多出几种菜来，这时候又懒得下去买，为此基于想做一个剩菜能生成菜谱的程序。
复制链接

扫一扫