实战篇：逐步揭秘大模型应用开发——第二章 API调用指南

最新推荐文章于 2024-08-07 12:45:00 发布

xziyuan

最新推荐文章于 2024-08-07 12:45:00 发布

阅读量1.4k

点赞数 10

文章标签： java

本文链接：https://blog.csdn.net/xziyuan/article/details/140257965

版权

导航概览

如何调用大语言模型的API？

百闻不如一见，百见不如一试，这一章主要学习如何调用现有大模型的API。

1、调用参数

调用大语言模型的API，相当于调用已经写好的函数，我们只需要结合我们的实际需求进行包装一下（也就是学会用哪些参数去调用就行）。

model
，即调用的模型，一般取值包括“gpt-3.5-turbo”（ChatGPT-3.5）、“gpt-3.5-16k-0613”（ChatGPT-3.5 16K 版本）、“gpt-4”（ChatGPT-4）。注意，不同模型的成本是不一样的。

message
，即我们的 prompt。ChatCompletion 的 message 需要传入一个列表，列表中包括多个不同角色的 prompt。我们可以选择的角色一般包括 system：即前文中提到的 system prompt；user：用户输入的 prompt；assitance：助手，一般是模型历史回复，作为给模型参考的示例。

temperature
，温度。即前文中提到的 Temperature 系数。

max_tokens
，最大 token 数，即模型输出的最大 token 数。OpenAI 计算 token 数是合并计算 Prompt 和 Completion 的总 token 数，要求总 token 数不能超过模型上限（如默认模型 token 上限为 4096）。因此，如果输入的 prompt 较长，需要设置较小的 max_token 值，否则会报错超出限制长度。

2、API申请

DataWhale大语言学习网站有具体的
API申请教程
大家跟着操作即可。

3、实践

3.1 仓库代码拉取

代码仓库为：
llm-universe
，按照流程创建虚拟环境 conda + python3.8。

3.2、百度文心


import requests
import json
import time
# import os
# # 如果你需要通过代理端口访问，你需要如下配置
# os.environ['HTTPS_PROXY'] = 'http://127.0.0.1:1080'
# os.environ["HTTP_PROXY"] = 'http://127.0.0.1:1080'


def get_access_token():
    api_key = "*****"
    secret_key = "*****"
    url = f"https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id={api_key}&client_secret={secret_key}"
    
    # 设置 POST 访问
    payload = json.dumps("")
    headers = {
        'Content-Type': 'application/json',
        'Accept': 'application/json'
    }
    # 通过 POST 访问获取账户对应的 access_token
    response = requests.request("POST", url, headers=headers, data=payload)

    print(response.json())

    return response.json().get("access_token")

# 一个封装 Wenxin 接口的函数，参数为 Prompt，返回对应结果
def get_completion_weixin(prompt, temperature = 0.1, access_token = ""):
    '''
    prompt: 对应的提示词
    temperature：温度系数
    access_token：已获取到的秘钥
    '''
    url = f"https://aip.baidubce.com/rpc/2.0/ai_custom/v1/wenxinworkshop/chat/eb-instant?access_token={access_token}"
    # 配置 POST 参数
    payload = json.dumps({
        "messages": [
            {
                "role": "user",# user prompt
                "content": "{}".format(prompt)# 输入的 prompt
            }
        ],
        "temperature" : temperature
    })
    headers = {
        'Content-Type': 'application/json'
    }
    time.sleep(3)
    # 发起请求
    response = requests.request("POST", url, headers=headers, data=payload)
    # 返回的是一个 Json 字符串
    js = json.loads(response.text)
    print(js)
    return js["result"]


if __name__ == "__main__":
    access_token = get_access_token()
    prompt = f"Given the sentence, assign a sentiment label from ['positive', 'negative', 'neutral'].   Sentence: Ok, first assesment of the #kindle2 ...it fucking rocks!!!   Return label only without any other text."
    ans = get_completion_weixin(prompt=prompt, access_token=access_token)
    print(ans)

3.3、OpenAI

注意在
.env
文件里设置自己的openai key。

import os
import openai
from dotenv import load_dotenv, find_dotenv

# 读取本地/项目的环境变量。

# find_dotenv()寻找并定位.env文件的路径
# load_dotenv()读取该.env文件，并将其中的环境变量加载到当前的运行环境中  
# 如果你设置的是全局的环境变量，这行代码则没有任何作用。
_ = load_dotenv(find_dotenv())

# 如果你需要通过代理端口访问，你需要如下配置
os.environ['HTTPS_PROXY'] = 'http://127.0.0.1:1080'
os.environ["HTTP_PROXY"] = 'http://127.0.0.1:1080'

# 获取环境变量 OPENAI_API_KEY
openai.api_key = os.environ['OPENAI_API_KEY']


# 一个封装 OpenAI 接口的函数，参数为 Prompt，返回对应结果
def get_completion(prompt, model="gpt-3.5-turbo", temperature = 0):
    '''
    prompt: 对应的提示词
    model: 调用的模型，默认为 gpt-3.5-turbo(ChatGPT) / text-davinci-003 ，有内测资格的用户可以选择 gpt-4
    '''
    messages = [{"role": "user", "content": prompt}]
    response = openai.ChatCompletion.create(
        model=model,
        messages=messages,
        temperature=temperature, # 模型输出的温度系数，控制输出的随机程度
    )
    # 调用 OpenAI 的 ChatCompletion 接口
    print(response.choices[0].message["content"])
    
    return response.choices[0].message["content"]


if __name__ == "__main__":
    get_completion(prompt="你好")

3.3、讯飞星火

先拷贝一些文件，以便好调用。

3.3.1、直接调用

import SparkApi
#以下密钥信息从控制台获取
appid = "****"     #填写控制台中获取的 APPID 信息
api_secret = "****"   #填写控制台中获取的 APISecret 信息
api_key = "****"    #填写控制台中获取的 APIKey 信息

#用于配置大模型版本，默认“general/generalv2”
domain = "general"   # v1.5版本
# domain = "generalv2"    # v2.0版本

#云端环境的服务地址
Spark_url = "ws://spark-api.xf-yun.com/v1.1/chat"  # v1.5环境的地址
# Spark_url = "ws://spark-api.xf-yun.com/v2.1/chat"  # v2.0环境的地址

def getText(role, content, text = []):
    # role 是指定角色，content 是 prompt 内容
    jsoncon = {}
    jsoncon["role"] = role
    jsoncon["content"] = content
    text.append(jsoncon)
    return text

if __name__ == "__main__":
    prompt = f"Given the sentence, assign a sentiment label from ['positive', 'negative', 'neutral'].   Sentence: Ok, first assesment of the #kindle2 ...it fucking rocks!!!   Return label only without any other text."

    question = getText("user", prompt)
    print(question)
    response = SparkApi.main(appid,api_key,api_secret,Spark_url,domain,question)
    print(response)

3.3.2、本地端口服务调用

命令行1
先运行：
uvicorn spark_api:app

# cmd-> uvicorn spark_api:app
import requests
def get_completion_spark(prompt, temperature = 0.1, max_tokens = 4096):

    api_url = "http://127.0.0.1:8000/spark"
    headers = {"Content-Type": "application/json"}
    data = {
        "prompt" : prompt,
        "temperature" : temperature,
        "max_tokens" : max_tokens
    }

    response = requests.post(api_url, headers=headers, json=data)
    print("response:", response)
    print()
    print()
    return response.text

if __name__ == "__main__":
    ans = get_completion_spark("你好")
    print(ans)

3.4、智谱

先拷贝一些文件，以便好调用。

3.4.1、问答调用

import zhipuai
from zhipuai_llm import ZhipuAILLM

zhipuai.api_key = "******" #填写控制台中获取的 APIKey 信息
model = "chatglm_std" #用于配置大模型版本

def getText(role, content, text = []):
    # role 是指定角色，content 是 prompt 内容
    jsoncon = {}
    jsoncon["role"] = role
    jsoncon["content"] = content
    text.append(jsoncon)
    return text


if __name__ == "__main__":
    # question = getText("user", "你好")
    # print(question)
    # # 请求模型
    # response = zhipuai.model_api.invoke(
    #     model=model,
    #     prompt=question
    # )
    # print(response)

    zhipuai_model = ZhipuAILLM(model="chatglm_std", temperature=0, zhipuai_api_key=zhipuai.api_key)
    response = zhipuai_model.generate(['你好'])
    print(response)

3.4.2、智谱Embedding


import zhipuai
zhipuai.api_key = "*****" #填写控制台中获取的 APIKey 信息

model = "text_embedding" #选择调用生成 embedding 的模型

if __name__ == "__main__":
    text = "要生成 embedding 的输入文本，字符串形式。每个输入不得超过模型的最大输入tokens数量512"
    response = zhipuai.model_api.invoke(
        model=model,
        prompt=text
    )
    print("response: ", response)
    print(response['code'])
    print(f"生成的 embedding 长度为: {len(response['data']['embedding'])}")
    print(f"用户输入的 tokens 数量为: {response['data']['usage']['prompt_tokens']}")
    print(f"用户输入的文本长度为: {len(text)}")
    print(f"本次 token 和字数的换算比例为: {response['data']['usage']['prompt_tokens']/len(text)}, 和理论值 1:1.8 = {1/1.8} 接近")
    print(f"模型输出的 tokens 数量为: {response['data']['usage']['completion_tokens']}")
    print(f"总 tokens 数量为: {response['data']['usage']['total_tokens']}")

4、次数限制

没有
马内
之前，针对OpenAI，ChatGpt的调用次数限制，目前要求每分钟不能调用超过3次，每天要求调用不能超过200次。但是又要完成多轮预测任务，可以参考
代码和数据格式
，从而能完成多轮预测，这个代码主要解决了请求重试问题。

5、其他ChatGPT网站

Poe
提供国外各个大语言模型的聊天窗口。

5.1、爬虫方式请求Poe并获取结果

5.1.1、安装插件

Chrome 浏览器，安装EditThisCookies插件

5.1.2、导出Cookies

将粘贴板上的cookies粘贴到cookies.txt文件中。每一项只保留这些字段（“domain”、“expirationDate”、“httpOnly”、“name”、“path”、“secure”、“session”、“value”、“id”）以及对应值，其余字段删除。

5.1.3、下载chromedriver

chrome://settings/help 查看浏览器版本。

117/118/119版本通过点击进入到
Chrome for Testing availability
，

5.1.4、简易爬虫代码

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys
import os
import json
import time
import pandas as pd

os.environ['HTTPS_PROXY'] = 'http://127.0.0.1:1080'
os.environ["HTTP_PROXY"] = 'http://127.0.0.1:1080'

def query_sentiment():
    label_space = ["positive", "negative", "neutral"]
    cls_task = f"Given the sentence, assign a sentiment label from {label_space}."
    cls_output = "Return label only without any other text."

    df = pd.read_csv("test.csv")
    text = df['text'].to_list()
    prompts = [(cls_task + "   Sentence: " + ele +"   "+ cls_output) for ele in text]

    return df, prompts

def main():
    option = webdriver.ChromeOptions()
    option.add_experimental_option("detach", True)
    option.add_experimental_option('excludeSwitches', ['enable-automation'])
    option.add_experimental_option('useAutomationExtension', False)

    driver = webdriver.Chrome(executable_path="./chromedriver/chromedriver.exe", options=option)

    driver.execute_cdp_cmd('Page.addScriptToEvaluateOnNewDocument', {'source': 'Object.defineProperty(navigator, "webdriver", {get: () => undefined})'})
    
    # 访问链接地址
    # driver.get("https://poe.com/chat/************")
    driver.get("https://poe.com/chat/***************")
    
    # 添加cookies
    with open('cookies.txt','r') as cookief:
        cookieslist = json.load(cookief)
        print(cookieslist)
        for cookie in cookieslist:
            driver.add_cookie(cookie)
    # 刷新页面
    driver.refresh()

    # 页面下方的聊天窗口元素
    footer = driver.find_element(by=By.CLASS_NAME, value="ChatPageMainFooter_footer__HBGcX")
    # print(footer)
    button = footer.find_element(by=By.CLASS_NAME, value="ChatMessageInputContainer_sendButton__dBjTt")
    # print(button)
    input = footer.find_element(by=By.CLASS_NAME, value="GrowingTextArea_textArea__ZWQbP")
    # print(input)

    df, prompts = query_sentiment()
    predictions = []

    for prompt in prompts:

        time.sleep(6)

        # 页面上可能存在之前的聊天记录
        init_ZEXUz = len(driver.find_elements(by=By.CLASS_NAME, value="ChatMessagesView_messagePair__ZEXUz"))

        input.send_keys(prompt)
        button.click()
        time.sleep(12)

        curr_ZEXUz = driver.find_elements(by=By.CLASS_NAME, value="ChatMessagesView_messagePair__ZEXUz")

        if len(curr_ZEXUz) - init_ZEXUz == 1:

            xkgHx = curr_ZEXUz[-1].find_elements(by=By.CLASS_NAME, value="ChatMessage_chatMessage__xkgHx")

            if len(xkgHx) == 2:

                the_ans = xkgHx[-1].find_element(by=By.CLASS_NAME, value="Markdown_markdownContainer__Tz3HQ").text

                print(prompt + "\nAnswer: " + the_ans)
                print()
        
            else:
                exit
    
    df["prediction"] = predictions
    df["prompt"] = prompts

    output_path = "prediction.csv"
    df.to_csv(output_path, index=False)

if __name__ == '__main__':
    main()

6、总结

学习了国内外不同的大模型API的调用方式，同时基于Poe聊天界面开发一个小的爬虫问答应用，但是Poe的聊天界面也有轮次限制，基于爬虫的方式是高度定制的，针对每个聊天窗口是不太现实的，但是最起码可以自动化问答了，有助于利用大模型进行预测任务的完成。

xziyuan

关注

10
点赞
踩
32

收藏

觉得还不错? 一键收藏
0
评论
实战篇：逐步揭秘大模型应用开发——第二章 API调用指南

学习了国内外不同的大模型API的调用方式，同时基于Poe聊天界面开发一个小的爬虫问答应用，但是Poe的聊天界面也有轮次限制，基于爬虫的方式是高度定制的，针对每个聊天窗口是不太现实的，但是最起码可以自动化问答了，有助于利用大模型进行预测任务的完成。
复制链接

扫一扫