一、GLM-cookbook
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!
二、Python SDK 案例
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,、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)
三、HTTP API 案例
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
四、GLM-4 Langchain 案例
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)
五、Function Call 案例
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
最后分享
AI大模型作为人工智能领域的重要技术突破,正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口,掌握AI大模型的知识和技能将变得越来越重要。
学习AI大模型是一个系统的过程,需要从基础开始,逐步深入到更高级的技术。
这里给大家精心整理了一份全面的AI大模型学习资源,包括:AI大模型全套学习路线图(从入门到实战)、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等,资料免费分享!
1. 成长路线图&学习规划
要学习一门新的技术,作为新手一定要先学习成长路线图,方向不对,努力白费。
这里,我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。
2. 大模型经典PDF书籍
书籍和学习文档资料是学习大模型过程中必不可少的,我们精选了一系列深入探讨大模型技术的书籍和学习文档,它们由领域内的顶尖专家撰写,内容全面、深入、详尽,为你学习大模型提供坚实的理论基础。(书籍含电子版PDF)
3. 大模型视频教程
对于很多自学或者没有基础的同学来说,书籍这些纯文字类的学习教材会觉得比较晦涩难以理解,因此,我们提供了丰富的大模型视频教程,以动态、形象的方式展示技术概念,帮助你更快、更轻松地掌握核心知识。
4. 大模型项目实战
学以致用 ,当你的理论知识积累到一定程度,就需要通过项目实战,在实际操作中检验和巩固你所学到的知识,同时为你找工作和职业发展打下坚实的基础。
5. 大模型面试题
面试,不仅是技术的较量,更需要充分的准备。在你已经掌握了大模型技术之后,就需要开始准备面试,我们将提供精心整理的大模型面试题库,涵盖当前面试中可能遇到的各种技术问题,让你在面试中游刃有余。
全套的AI大模型学习资源已经整理打包,有需要的小伙伴可以微信扫描下方CSDN官方认证二维码,免费领取【保证100%免费
】
如有侵权,请联系删除。