调用AzureOpenAI访问大模型接口，做completions处理文本

目录

一.AzureOpenAI介绍

二.下载

三.去官方网站充值拿到值

四.导包，创建大模型实例

五.调用client.chat.completions.create()方法，实现大模型聊天功能。

六.结果

---

一.AzureOpenAI介绍

Azure OpenAI 服务提供对 OpenAI 强大语言模型的 REST API 访问，这些模型包括 GPT-4o、支持视觉的 GPT-4 Turbo、GPT-4、GPT-3.5-Turbo 和嵌入模型系列。 这些模型可以轻松适应特定的任务，包括但不限于内容生成、汇总、图像理解、语义搜索和自然语言到代码的转换。 用户可以通过 REST API、Python SDK 或 Azure OpenAI Studio 中基于 Web 的界面访问该服务。

二.下载

pip install openai

三.去官方网站充值拿到值

大模型老三样：base_url，api_key， 版本（这里跳过，就是认证充钱的事）

四.导包，创建大模型实例

# 导包
from openai import AzureOpenAI


AZURE_OPENAI_RESOURCE = '' # 填base_url。比如：'https://docs-test-001.openai.azure.com/'
AZURE_OPENAI_KEY = '' # 填api_key。
AZURE_OPENAI_VERSION = '' # 填买的那个版本号。比如：'2024-02-01'
AZURE_OPENAI_DEPLOYMENT = '' #填要用的模型服务。比如：'gpt-4o'


# 调用大模型,填入这四个值
client = AzureOpenAI(
    api_version = AZURE_OPENAI_VERSION,
    api_key = AZURE_OPENAI_KEY,
    azure_deployment = AZURE_OPENAI_DEPLOYMENT,
    azure_endpoint = AZURE_OPENAI_RESOURCE,
)

官方文档地址：Azure OpenAI 服务模型 - Azure OpenAI | Microsoft Learn

官方文档会给出一些参数的解释，比如有时候创建模型实例的时候，会用endpoint，endpoint也是base_url。

五.调用client.chat.completions.create()方法，实现大模型聊天功能。

1.client.chat.completions.create()中有两个参数，必须传：

        1）model：使用的模型。比如:'gpt-4o','gpt-35-turbo'等等。

        2）message：给大模型传递要处理的信息，message里面两个参数

                1）'role':角色-----只能选这5个中的：'system','assistant','user','function','tool'

                2）'content':内容-----输入输出的一些信息

2.这里我用的gpt-4o大模型，默认识别英文并英文输出，所以这里要提示大模型识别中文输入，并且中文输出。

3.prompt设计遵循：

        1)定义大模型角色--'You are a helpful English assistant'

        2)定义大模型要完成的任务--'You can process the input Chinese text,translate'

        3)定义大模型的输出格式--'and output the result in Chinese'

content = '' # 输入要处理的文本
response = client.chat.completions.create(
    model="gpt-4o", 
    messages=[
        {"role": "system", "content": "You are a helpful English assistant.You can process the input Chinese text,translate , and output the result in Chinese."},# 提示大模型识别中文，并输出中文
        {"role": "user", "content": "我有一段英文文本，请你处理：“i have an apple.”"},
        {"role": "assistant", "content": "我有一个苹果。"}, # user-assistant给出one-shot提示，提示大模型这样输出。
        {"role": "user", "content": content} # 真正要处理的文本
    ]
)

result = response1.choices[0].message.content  # 得到输出结果

六.结果