网页聊天机器人，星火大模型

真的啥也不会呀

已于 2024-07-29 09:38:45 修改

阅读量829

点赞数 25

文章标签： flask html css javascript

于 2024-07-29 09:18:31 首次发布

本文链接：https://blog.csdn.net/m0_74245417/article/details/140761200

版权

可做毕设的网站+星火大模型

下载文档

找到星火文档并下载，我用的是“Python 带上下文调用示例”

星火认知大模型Web API文档 | 讯飞开放平台文档中心 (xfyun.cn)https://www.xfyun.cn/doc/spark/Web.html#_2-function-call%E8%AF%B4%E6%98%8E

SparkPythondemo.py代码，记得修改appid、api_secret、api_key

# coding: utf-8
import SparkApi

#以下密钥信息从控制台获取   https://console.xfyun.cn/services/bm35
appid = "自己的appid "  #填写控制台中获取的 APPID 信息
api_secret = "自己的api_secret "  #填写控制台中获取的 APISecret 信息
api_key = "自己的api_key "  #填写控制台中获取的 APIKey 信息

domain = "generalv3.5"  # Max版本
#domain = "generalv3"       # Pro版本
#domain = "general"         # Lite版本

Spark_url = "wss://spark-api.xf-yun.com/v3.5/chat"  # Max服务地址
#Spark_url = "wss://spark-api.xf-yun.com/v3.1/chat"  # Pro服务地址
#Spark_url = "wss://spark-api.xf-yun.com/v1.1/chat"  # Lite服务地址

#初始上下文内容，当前可传system、user、assistant 等角色
text = [
    # {"role": "system", "content": "你现在扮演李白，你豪情万丈，狂放不羁；接下来请用李白的口吻和用户对话。"} , # 设置对话背景或者模型角色
    # {"role": "user", "content": "你是谁"},  # 用户的历史问题
    # {"role": "assistant", "content": "....."} , # AI的历史回答结果
    # # ....... 省略的历史对话
    # {"role": "user", "content": "你会做什么"}  # 最新的一条问题，如无需上下文，可只传最新一条问题
]


def getText(role, content):
    jsoncon = {}
    jsoncon["role"] = role
    jsoncon["content"] = content
    text.append(jsoncon)
    return text


def getlength(text):
    length = 0
    for content in text:
        temp = content["content"]
        leng = len(temp)
        length += leng
    return length


def checklen(text):
    while (getlength(text) > 8000):
        del text[0]
    return text


# 调用函数
def spark_api(question):
    """
    "param question:
    :return:
    """
    question = checklen(getText("user", question))
    SparkApi.answer = ""
    SparkApi.main(appid, api_key, api_secret, Spark_url, domain, question)
    text.clear()
    print(SparkApi.answer)
    return SparkApi.answer


if __name__ == '__main__':

    while (1):
        Input = input("\n" + "我:")
        question = checklen(getText("user", Input))
        SparkApi.answer = ""
        print("星火:", end="")
        SparkApi.main(appid, api_key, api_secret, Spark_url, domain, question)
        # print(SparkApi.answer)
        getText("assistant", SparkApi.answer)
        print("================")
        print(question)

验证使用

打开SparkPythondemo.py文件，把appid、api_secret、api_key填写完整

此时可以验证，大模型是可用的

下面是重点

增加调用函数

在SparkPythondemo.py文件增加一个调用函数

代码如下

# 调用函数
def spark_api(question):
    """
    "param question:
    :return:
    """
    question = checklen(getText("user", question))
    SparkApi.answer = ""
    SparkApi.main(appid, api_key, api_secret, Spark_url, domain, question)
    text.clear()
    print(SparkApi.answer)
    return SparkApi.answer

创建路由

创建gpt.py文件并构建路由，如图所示

代码如下，可以不用复制，后面又完整代

bp = Blueprint('gpt', __name__, url_prefix='/gpt')

@bp.route('/', methods=['GET', 'POST'])
def gpt_index():

解构路由

并将路由解构到app.py中，如下图

http请求

找到文档中的“HTTP调用文档”，不想找可以直接粘，如下图

贴复制代码如下

import requests

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": "你是谁"
            }
        ],
        "tools": [
        {
            "type": "function",
            "function": {
                "name": "get_current_weather",
                "description": "返回实时天气",
                "parameters": {
                    "type": "object",
                    "properties": {
                        "location": {
                            "type": "string",
                            "description": "河北省承德市双桥区",
                        },
                        "format": {
                            "type": "string",
                            "enum": ["celsius", "fahrenheit"],
                            "description": "使用本地区常用的温度单位计量",
                        },
                    },
                    "required": ["location", "format"],
                }
            }
        }
    ]
    }
header = {
    "Authorization": "Bearer key123456:secret123456" # 注意此处替换自己的key和secret
}
response = requests.post(url, headers=header, json=data)
print(response.text)

点击复制，并粘贴到刚才写好的gpt.py文件中,画红部分为需要增加上的，注意：html文件是引用大模型输出结果的文件