人工智能学习与实训笔记（十）：百度对话大模型ERNIE调用实操

人工智能专栏文章汇总：人工智能学习专栏文章汇总-CSDN博客

本篇目录

一、直接基于ERNIE Bot Sdk调用

1. SDK基础

1.1 安装EB SDK

1.2 认证鉴权

1.3 EB SDK Hello-World

1.4 多轮对话

1.5 语义向量

1.6 文生图

2. SDK进阶 - 对话补全（Chat Completion）

2.1 通过参数调节响应结果多样性

2.2 流式传输

2.3 设定模型行为

3. SDK进阶 - 函数调用（Function Calling）

3.1 简单示例

3.2 基于函数调用开发智能社交助理

3.3 函数调用效果调优技巧

3.3.1 函数描述的编写技巧

3.3.2 提供函数调用示例

3.3.3 为函数响应参数增加prompt

二、通过千帆大模型平台调用

1. 千帆大模型平台介绍

2. 远程RPC调用方式

2.1 调用方法

2.2 调用实例

3. 本地千帆大模型SDK调用方式

3.1 安装千帆SDK

3.1 平台鉴权

3.2 Chat 对话

3.3 Completion 续写

3.4 Embedding 向量化

3.5 模型配置和接入

3.6 Plugin 插件

3.7 文生图

三、基于百度文心大模型实现AI虚拟角色的应用实例

有两种方法可以实际调用百度的ENRIE模型：

第一种，是在本地安装百度文心的ENRIE Bot Sdk，直接调用本地的SDK API。

第二种，是调用百度千帆大模型平台提供的ENRIE服务API：可以远程RPC调用或者本地SDK调用

一、ERNIE Bot Sdk调用

ERNIE Bot SDK是文心&飞桨官方提供的Python软件开发工具包，简称EB SDK。

EB SDK提供便捷易用的Python接口，可调用文心一言大模型能力，完成包含文本创作、通用对话、语义向量、AI作图在内的多项任务。

1. SDK基础

1.1 安装EB SDK

使用pip可以快速安装EB SDK，这里安装0.4.0版本。

!pip install erniebot==0.4.0

1.2 认证鉴权

调用文心一言大模型功能是收费服务，所以使用EB SDK需要认证鉴权。

EB SDK认证鉴权主要是设置后端和access token，分别通过api_type和access_token参数来指定。

此处，我们使用aistudio后端。在AI Studio个人中心的访问令牌页面，大家可以获取aistudio后端的access token，然后填入下面代码中（替换{YOUR-ACCESS-TOKEN}）。

import erniebot

erniebot.api_type = 'aistudio'
erniebot.access_token = '{YOUR-ACCESS-TOKEN}'

请注意：

• 不同后端的access token获取方式不同，特定后端获取的access token无法用于其他后端的认证鉴权。
• access token是私密信息，切记不要对外公开。
• aistudio后端的access token对应大家的个人账户，目前每个账户有100万token的免费额度，可以用于EB SDK调用文心一言大模型。

1.3 EB SDK Hello-World

作为开始，让我们用EB SDK开发一个hello-world程序：

response = erniebot.ChatCompletion.create(
    model='ernie-bot',
    messages=[{'role': 'user', 'content': "请对我说“你好，世界！”"}],
)
print(response.get_result())

你好，世界！我很高兴能够与你进行对话。如果你有任何问题或需要帮助，请随时告诉我。

以上代码调用erniebot.ChatCompletion.create API，发起对话补全请求，并打印模型的响应结果。

我们通过model参数指定使用ernie-bot模型，通过messages参数指定给大模型的输入消息。

在以上代码中，我们只进行单轮对话，因此messages列表中只包含一个元素。messages中的每一项都是一个字典，其中的'role': 'user'表示发出当前消息的角色是“用户”（也就是我们），'content'则对应消息的具体内容。

1.4 多轮对话

下面让我们尝试一个复杂一些的例子——多轮对话。

文心一言大模型具备强大的上下文理解能力，在我们发送新的消息时，模型能够联系历史消息进行回复。

首先，对hello-world的例子做一点修改：

model = 'ernie-bot'
messages = [{'role': 'user', 'content': "请问你能以《你好，世界》为题，写一首现代诗吗？"}]
first_response = erniebot.ChatCompletion.create(
    model=model,
    messages=messages,
)
print(first_response.get_result())

当然可以，以下是我创作的《你好，世界》：

你好，世界

在无尽的星辰下，我向世界问好，
在时间的怀抱中，寻找存在的意义。
我是一颗小小的尘埃，漂浮在浩瀚的宇宙，
我是一片轻轻的叶子，摇曳在生命的枝头。

你好，世界，我向你致敬，
在微妙的呼吸中，感受生命的韵律。
我在清晨的阳光里，欢快地歌唱，
我在傍晚的微风中，静静地沉思。

你好，世界，我向你学习，
在万物的交融中，发现无尽的可能。
我在春花秋月中，领略岁月的流转，
我在悲欢离合中，体验人生的百味。

你好，世界，我向你告别，
在永恒的时光里，感悟生命的短暂。
我在璀璨的星空中，寻找未来的方向，
我在寂静的夜色中，安放内心的情感。

你好，世界，你是我的家，
在你的怀抱中，我找到了自我。
在你的辽阔中，我理解了生命的意义，
在你的浩瀚中，我找到了存在的价值。

你好，世界，再次向你问好，
在星辰的闪烁中，我找到了答案。
你好，世界，你是我的舞台，
在你的辽阔中，我找到了自我。

上述代码相比hello-world的例只是修改了messages参数的取值，并分别用两个变量model和messages记录模型名称与消息列表。

接下来，让我们发送第二条消息：

messages.append(first_response.to_message())
messages.append({'role': 'user', 'content': "谢谢你！请问你能把这首诗改写成七言绝句吗？"})

second_response = erniebot.ChatCompletion.create(
    model=model,
    messages=messages,
)
print(second_response.get_result())

当然可以，以下是我将《你好，世界》改写为七言绝句：

问好世界心欢畅，时间寻义意悠长。
星尘微妙呼吸中，敬畏生命韵律扬。

在上述代码中，我们首先将模型在第一轮对话里做出的回答加入到messages中（调用to_message方法将响应转换为消息）。

接着，将我们在第二轮对话中想要发送的消息加入到messages中。这里我们特意设置了一个模型需要联系上下文才能理解的问题，来测试模型是否真的“记得”对话历史。

最后，将messages传入erniebot.ChatCompletion.create API，获取第二轮响应。此时的messages中包含了全部的历史消息，因此模型能够根据上下文做出回答。

1.5 语义向量

语义向量功能将文本转化为用数值表示的向量形式，从而以紧凑高效的方式编码文本，而这些向量可进一步用于文本检索、信息推荐、知识挖掘等场景。

EB SDK提供erniebot.Embedding.create API生成输入文本的语义向量。一个例子如下：

import numpy as np

response = erniebot.Embedding.create(
    model='ernie-text-embedding',
    input=[
        "我是百度公司开发的人工智能语言模型，我的中文名是文心一言，英文名是ERNIE-Bot。",
        "2018年深圳市各区GDP"
    ])

for embedding in response.get_result():
    embedding = np.array(embedding)
    print(embedding)

1.6 文生图

ERNIE Bot SDK提供具备文生图能力的ernie-vilg-v2大模型。

该模型具备丰富的风格与强大的中文理解能力，支持生成多种尺寸的图片。

import erniebot

erniebot.api_type = 'yinian'
erniebot.access_token = '<access-token-for-yinian>'

response = erniebot.Image.create(
    model='ernie-vilg-v2',
    prompt="雨后的桃花，8k，辛烷值渲染",
    width=512,
    height=512
)

print(response.get_result())

2. SDK进阶 - 对话补全（Chat Completion）

本节介绍对话补全功能的几种进阶用法，在实际应用中有助于提升效率以及完成更复杂的任务。

2.1 通过参数调节响应结果多样性

EB SDK支持设定top_p和temperature参数，影响模型在采样过程中的行为，进而控制模型响应结果的多样性。通常来说，top_p和temperature参数只需要设置其中一个即可。

设置top_p参数可以使生成的token从概率和恰好达到或超过top_p的token集合中采样得到。设置top_p参数时需注意以下几点：

1. top_p影响生成文本的多样性，取值越大，生成文本的多样性越强；
2. top_p的默认取值为0.8，取值范围为[0, 1.0]。

temperature参数也用于控制采样的随机性。设置temperature参数需要注意如下几点：

1. 较高的temperature会使生成结果更加随机，而较低的数值会使结果更加集中和确定；
2. temperature的默认取值为0.95，取值范围为(0, 1.0]，不能为0。

设置top_p和temperature的例子如下：

In [ ]

response = erniebot.ChatCompletion.create(
    model='ernie-bot',
    messages=[{'role': 'user', 'content': "请帮我制定一份深圳一日游计划”"}],
    top_p=0.2,
)
print(response.get_result())

In [ ]

response = erniebot.ChatCompletion.create(
    model='ernie-bot',
    messages=[{'role': 'user', 'content': "请帮我制定一份深圳一日游计划”"}],
    temperature=0.7,
)
print(response.get_result())

2.2 流式传输

在实际应用中，模型可能给出很长的回答，而这会导致很长的响应时间。在下面的例子中，我们尝试让模型写一篇200字的文案：

In [ ]

response = erniebot.ChatCompletion.create(
    model='ernie-bot',
    messages=[{'role': 'user', 'content': "请写一篇200字的文案，介绍文心一言"}],
)
print(response.get_result())

由于生成200字的文案耗时较久，在获取到模型的响应前能够感觉到明显的卡顿。

为了减少用户的等待时间，EB SDK支持流式传输数据。具体而言，为erniebot.ChatCompletion.create API传入参数stream=True，则API将返回一个生成器。这个生成器对应一个响应序列，我们通过迭代操作即可获取全部响应。一个例子如下：

In [ ]

response_stream = erniebot.ChatCompletion.create(
    model='ernie-bot',
    messages=[{'role': 'user', 'content': "请写一篇200字的文案，介绍文心一言"}],
    stream=True,
)
for response in response_stream:
    print(response.get_result(), end='', flush=True)
print("")

执行上述代码，我们能够“实时”地获取模型响应，而不需要等待全部内容生成完毕。

2.3 设定模型行为

erniebot.ChatCompletion.create API的另一个有用的参数是system，该参数可用于设定模型的行为，例如给予模型人设或是要求模型以特定格式回答问题。一个例子如下：

In [33]

response = erniebot.ChatCompletion.create(
    model='ernie-bot',
    messages=[{'role': 'user', 'content': "你好呀，和我打个招呼吧"}],
    system="你是一个爱笑的智能助手，请在每个回答之后添加“哈哈哈”",
)
print(response.get_result())

你好呀！我是爱笑的智能助手，很高兴认识你！哈哈哈

3. SDK进阶 - 函数调用（Function Calling）

本节介绍EB SDK的函数调用功能。“函数调用”指的是由大模型根据对话上下文确定何时以及如何调用函数。借由函数调用，用户可以从大模型获取结构化数据，进而利用编程手段将大模型与已有的内外部API结合以构建应用。

3.1 简单示例

函数调用功能的典型使用流程如下：

1. 用户提供对一组函数的名称、功能、请求参数（输入参数）和响应参数（返回值）的描述；
2. 模型根据用户需求以及函数描述信息，智能确定是否应该调用函数、调用哪一个函数、以及在调用该函数时需要如何设置输入参数；
3. 用户根据模型的提示调用函数，并将函数的响应传递给模型；
4. 模型综合对话上下文信息，以自然语言形式给出满足用户需求的回答。

下面我们按照上述步骤给出一个完整的例子。

在开始正式步骤前，我们先定义一个用于获取城市气温的函数：

In [ ]

def get_current_temperature(location, unit):
    return {"temperature": 25, "unit": "摄氏度"}

作为演示，以上代码所定义的get_current_temperature是一个硬编码的dummy函数，在实际应用中可将其替换为真正具备相应功能的API。

流程的第一步要求我们对函数的基本信息进行描述。使用JSON Schema格式描述函数的请求参数与响应参数：

In [ ]

functions = [
    {
        'name': 'get_current_temperature',
        'description': "获取指定城市的气温",
        'parameters': {
            'type': 'object',
            'properties': {
                'location': {
                    'type': 'string',
                    'description': "城市名称",
                },
                'unit': {
                    'type': 'string',
                    'enum': [
                        '摄氏度',
                        '华氏度',
                    ],
                },
            },
            'required': [
                'location',
                'unit',
            ],
        },
        'responses': {
            'type': 'object',
            'properties': {
                'temperature': {
                    'type': 'integer',
                    'description': "城市气温",
                },
                'unit': {
                    'type': 'string',
                    'enum': [
                        '摄氏度',
                        '华氏度',
                    ],
                },
            },
        },
    },
]

上述代码中定义了一个列表functions，其中包含对函数get_current_temperature的名称、请求参数等信息的描述。

接着，将以上信息与对需要完成的任务的自然语言描述一同传给erniebot.ChatCompletion API。需要注意的是，目前只有ernie-bot模型支持函数调用功能。

In [62]

messages = [
    {
        'role': 'user',
        'content': "深圳市今天气温如何？",
    },
]

response = erniebot.ChatCompletion.create(
    model='ernie-bot',
    messages=messages,
    functions=functions,
)
assert response.is_function_response
function_call = response.get_result()
print(function_call)

{'name': 'get_current_temperature', 'thoughts': '我需要调用get_current_temperature来解决这个问题。', 'arguments': '{"location":"深圳市","unit":"摄氏度"}'}

以上代码中的断言语句用于确保response中包含函数调用信息。在实际应用中通常还需要考虑response中不包含函数调用信息的情况，这意味着模型选择不调用任何函数。当response中包含函数调用信息时，response.get_result返回函数调用信息；否则，response.get_result返回模型回复的文本。function_call是一个字典，其中包含的键name、thoughts分别对应大模型选择调用的函数名称以及模型的思考过程。function_call['arguments']是一个JSON格式的字符串，其中包含了调用函数时需要用到的参数。

然后，根据模型的提示调用相应函数得到结果：

In [63]

import json

name2function = {'get_current_temperature': get_current_temperature}
func = name2function[function_call['name']]
args = json.loads(function_call['arguments'])
res = func(location=args['location'], unit=args['unit'])
print(res)

{'temperature': 25, 'unit': '摄氏度'}

以上代码从function_call中获取模型选择调用的函数名称（function_call['name']），通过该名称找到对应的函数，并从function_call['arguments']中解析需要传入函数的参数，最终完成对函数的调用。

最后，将模型上一轮的响应以及函数的响应加入到对话上下文信息中，再次传递给模型。回传给模型的函数响应内容应当是JSON格式的字符串（如'{"temperature": 25, "unit": "摄氏度"}'），在本示例中，函数的响应是一个字典，因此需要先调用json.dumps函数对其进行编码。

In [ ]

#保存第一轮对话
messages.append(response.to_message())
print(messages)
--------------------------------------------------------------------
打印结果：
[{'role': 'user', 'content': '上海市今天气温如何？'}, {'role': 'assistant', 'content': None, 'function_call': {'name': 'get_current_temperature', 'thoughts': '用户想要知道上海市今天的天气情况，我可以使用get_current_temperature工具来获取这个信息。', 'arguments': '{"location":"上海市","unit":"摄氏度"}'}}]


#加入第二轮对话内容
messages.append(
    {
        'role': 'function',
        'name': function_call['name'],
        'content': json.dumps(res, ensure_ascii=False),
    }
)
print(messages)
--------------------------------------------------------------------
打印结果：
[{'role': 'user', 'content': '上海市今天气温如何？'}, {'role': 'assistant', 'content': None, 'function_call': {'name': 'get_current_temperature', 'thoughts': '用户想要知道上海市今天的天气情况，我可以使用get_current_temperature工具来获取这个信息。', 'arguments': '{"location":"上海市","unit":"摄氏度"}'}}, {'role': 'function', 'name': 'get_current_temperature', 'content': '{"temperature": 25, "unit": "摄氏度"}'}]

In [66]

#基于第一轮和第二轮对话内容，获取第三轮对话响应
response = erniebot.ChatCompletion.create(
    model='ernie-bot',
    messages=messages,
)
print(response.get_result())
------------------------------------------------------------------
打印结果:
根据您提供的数据，上海市今天的温度为25摄氏度。如果您需要更多关于上海天气的信息，可以查询当地的天气预报网站或手机应用程序。

通过执行上述代码，我们期望从模型侧得到的响应是自然语言形式的、对我们最初问题的解答，而不希望模型继续建议调用函数。但需要注意的是，模型可能判断需要在第二轮、乃至后续轮次的对话中连续调用函数。因此，在实际应用中，我们需要根据模型的响应类型执行相应的操作。此外，大模型的“幻觉”现象在函数调用中依然存在，也就是说，模型返回的函数名称与参数有可能是不准确的，这就需要用户适当通过参数合法性校验等手段处理这些情况。

3.2 基于函数调用开发智能社交助理

接下来，让我们通过一个更加复杂、但与实际应用更为贴近的例子，进一步体会函数调用功能的使用。在这个例子中，我们将开发一个智能社交助理，用户可以使用自然语言与智能助理交流，并指挥它完成邮箱地址更新以及邮件发送等任务。

首先定义一个查询好友信息的函数：

In [ ]

info_dict = {
    '李小明': {
        'age': 31,
        'email': 'lxm@bidu.com',
        'mbti': 'ESFJ',
        'hobbies': ['健身', '篮球', '游泳', '烹饪'],
    },
    '王刚': {
        'age': 28,
        'email': 'wg123@bidu.com',
        'mbti': 'INTP',
        'hobbies': ['游戏', '音乐', '电影', '旅游'],
    },
    '张一一': {
        'age': 26,
        'email': 'z11@bidu.com',
        'mbti': 'ENTP',
        'hobbies': ['摄影', '美食', '桌游', '编程'],
    },
}

def get_friend_info(name, field=None):
    info = info_dict[name]
    if field is not None:
        return {'name': name, field: info[field]}
    else:
        return {'name': name, ** info}

get_friend_info_desc = {
    'name': 'get_friend_info',
    'description': "获取好友的个人信息",
    'parameters': {
        'type': 'object',
        'properties': {
            'name': {
                'type': 'string',
                'description': "好友姓名",
            },
            'field': {
                'type': 'string',
                'description': "想要获取的字段名称，如果不指定则返回所有字段",
                'enum': [
                    'age',
                    'email',
                    'mbti',
                    'hobbies',
                ],
            },
        },
        'required': ['name', ],
    },
    'responses': {
        'type': 'object',
        'properties': {
            'name': {
                'type': 'string',
                'description': "姓名",
            },
            'age': {
                'type': 'integer',
                'description': "年龄",
                'minimum': 0,
            },
            'email': {
                'type': 'string',
                'description': "电子邮箱地址",
                'format': 'email',
            },
            'mbti': {
                'type': 'string',
                'description': "好友的MBTI人格类型",
            },
            'hobbies': {
                'type': 'array',
                'description': "兴趣爱好列表",
                'items': {
                    'type': 'string',
                },
            },
        },
        'required': ['name', ],
    },
}

get_friend_info函数用于获取好友的个人信息，name和field参数分别用于指定好友的姓名以及想要获取的字段名称。我们将好友信息存储在全局字典info_dict中，便于其他函数对这些信息进行修改。与之前的例子一样，get_friend_info仍然是一个本地函数。不过，在实际中，这个函数可以有更复杂的实现细节——例如向本地SQL数据库或是远程服务器发送请求，查询并返回信息。

第二个函数允许我们对好友的邮箱地址进行修改：

In [ ]

def update_email_address(name, email):
    try:
        info = info_dict[name]
        info['email'] = email
    except Exception as e:
        return {'status': False, 'error_message': f"{type(e)}: {str(e)}"}
    else:
        return {'status': True}

update_email_address_desc = {
    'name': 'update_email_address',
    'description': "更新好友的电子邮箱地址",
    'parameters': {
        'type': 'object',
        'properties': {
            'name': {
                'type': 'string',
                'description': "好友姓名",
            },
            'email': {
                'type': 'string',
                'description': "新的邮箱地址",
            },
        },
        'required': ['name', 'email', ],
    },
    'responses': {
        'type': 'object',
        'properties': {
            'status': {
                'type': 'boolean',
                'description': "更新操作是否成功，true表示成功，false表示失败",
            },
            'error_message': {
                'type': 'string',
                'description': "更新操作失败原因",
            },
        },
        'required': ['status', ],
    },
}

最后，我们再定义一个dummy函数，用于模拟发送邮件：

In [ ]

def send_email(to, content):
    return {'status': True}

send_email_desc = {
    'name': 'send_email',
    'description': "向好友发送邮件",
    'parameters': {
        'type': 'object',
        'properties': {
            'to': {
                'type': 'string',
                'description': "收件人姓名",
            },
            'content': {
                'type': 'string',
                'description': "邮件内容",
            }
        },
        'required': ['to', 'content', ]
    },
    'responses': {
        'type': 'object',
        'properties': {
            'status': {
                'type': 'boolean',
                'description': "邮件发送状态，true表示成功到达对方服务器，false表示发送失败",
            },
        },
    },
}

在实际中，我们可以将函数的具体实现替换为真实的发送邮件逻辑。作为示例，上述三个函数没有覆盖“增删改查”中的“增”和“删”，但相信在理解这个例子之后，大家可以轻松地为我们的智能助理追加更多的功能。

完成函数定义后，我们对模型响应的处理逻辑稍作封装，便于复用：

In [ ]

import json

name2function = {
    'get_friend_info': get_friend_info,
    'update_email_address': update_email_address,
    'send_email': send_email,
}

functions = [
    get_friend_info_desc,
    update_email_address_desc,
    send_email_desc,
]

messages = []


def to_pretty_json(obj):
    return json.dumps(obj, ensure_ascii=False, indent=2)


def chat(message, system=None, use_functions=True, auto_func_call=True, _max_recur_depth=3):
    # 当`auto_func_call`参数为True时，根据模型响应自动调用函数，并将调用结果回传给模型
    if isinstance(message, str):
        message = {'role': 'user', 'content': message}
    messages.append(message)

    create_kwargs = {
        'model': 'ernie-bot',
        'messages': messages,
    }
    if system:
        create_kwargs['system'] = system
    if use_functions:
        create_kwargs['functions'] = functions
    response = erniebot.ChatCompletion.create(**create_kwargs)

    if response.is_function_response:
        # 模型建议调用函数
        function_call = response.get_result()
        messages.append(response.to_message())
        if auto_func_call:
            # 从模型响应中解析函数名称和请求参数
            func_name = function_call['name']
            try:
                func = name2function[func_name]
            except KeyError as e:
                raise KeyError(f"函数`{func_name}`不存在") from e
            func_args = function_call['arguments']
            try:
                func_args = json.loads(func_args)
            except json.JSONDecodeError as e:
                raise ValueError(f"无法从{repr(func_args)}解析参数") from e
            # 调用函数
            if not isinstance(func_args, dict):
                raise TypeError(f"{repr(func_args)}不是字典")
            print(f"【函数调用】函数名称：{func_name}，请求参数：{to_pretty_json(func_args)}")
            func_res = func(**func_args)
            print(f"【函数调用】响应参数：{to_pretty_json(func_res)}")
            # 将函数响应回传给模型
            message = {
                'role': 'function',
                'name': func_name,
                'content': json.dumps(func_res, ensure_ascii=False),
            }
            # 根据允许的最大递归层级判断是否应该设置`use_functions`和`auto_func_call`为`False`
            # 这样做主要是为了限制调用函数的次数，防止无限递归
            return chat(
                message, 
                use_functions=(use_functions and _max_recur_depth > 1),
                auto_func_call=(auto_func_call and _max_recur_depth > 1), 
                _max_recur_depth=_max_recur_depth-1,
            )
        else:
            return function_call
    else:
        # 模型返回普通的文本消息
        result = response.get_result()
        messages.append(response.to_message())
        return result

由于大模型生成内容具有不确定性，本教程无法预测模型针对用户提问会做出什么样的回答。大家可以运行下方的cell，尝试输入不同的内容，与智能助理进行交互。如果对输入内容没有什么头绪的话，不妨试试这些例子：

请问李小明今年几岁？
张一一和我说她的邮箱地址换成了zyy@bidu.com，请你帮我更新一下。
国庆节快到了，帮我发封邮件，问问王刚有没有出行计划。对了，我一般称呼他“刚哥”。
我是INTJ，我想知道王刚的MBTI和我是否契合，和他相处需要注意什么。
我想送李小明一份生日礼物，希望他能喜欢。根据你对小明的兴趣爱好的了解，你觉得我应该送什么好？
张一一过段时间要到深圳来找我玩，你能根据她的兴趣爱好帮我们制定一份旅游计划吗？

In [ ]

messages = []

# 为了使模型能够得到更充足的提示，我们借助`system`参数对模型说明它需要扮演的角色以及一些注意事项
system = """
你是一个智能社交助理，能够帮助我查询好友信息、更新好友邮箱地址、发送电子邮件以及给出社交建议。
在我们的对话中，我提到的所有人名都是好友的名称。请尽可能使用我提供的函数解决问题。
"""

# 默认进行单轮对话，修改传给`range`的数字可进行多轮对话
for _ in range(1):
    result = chat(input("请输入："), system=system)
    print(result)

3.3 函数调用效果调优技巧

作为一个较为复杂的功能，函数调用的效果好坏取决于诸多因素，如描述信息的准确性和完备性、以及用户对任务需求表述的清晰程度等。为了帮助大家在实际应用中更好地使用函数调用功能，本教程将分享一系列函数调用效果的调优技巧。

3.3.1 函数描述的编写技巧

使描述尽可能准确和详细

在编写函数描述时，EB SDK要求必须为每个函数提供name、description和parameters。虽然responses是可选的，但如果函数具有返回值，建议也提供responses。

对于parameters中的每个参数，建议至少都填写type和description。如果某些参数是必须传入的，使用JSON Schema的required关键字指定这些参数为必选；如果某个参数的取值只能在几个固定值中选取，使用JSON Schema的enum关键字指定可能的取值。需要说明的是，尽管JSON Schema语法允许在指定了enum关键字时不指定type，但为了使模型获得更充足的提示，建议在使用enum的情况下仍同时指定type。大家可以在上文智能社交助理的例子中找到使用enum和required的例子。

在编写函数以及参数的description时，需要注意用词的精确，避免模糊、有歧义的语言。例如，上文智能社交助理的例子中的send_email函数用于向好友发送邮件，其中的to参数指的是收件人的姓名而非邮箱地址，因此其description为收件人姓名。倘若description被设置为收件人，则存在歧义，可能导致模型误解该参数可以传入收件人的邮箱地址，从而出现错误。此外，如果有可能的话，可以在description中添加简短的示例，例如省,市名。如：广东,深圳。比省,市名更准确，更易于模型理解。

注意函数名称与参数名称

尽管description提供了对函数和参数的自然语言描述，函数名称和参数名称本身仍会在一定程度上影响模型的判断。因此，请大家尽可能使用常用的、易于理解的函数和参数名称，最好能做到“见名知意”。

例如，将用于查询天气的函数命名为getWhether（拼写错误）、getTianQi（混用汉语拼音和英语单词）、getWX(使用不常见的缩写)可能令模型难以理解；get_info、weather这样的命名则过于宽泛，光看名字很难知道函数的用途。对于这个例子来说，推荐的命名是get_weather或稍微有些冗余的GetWeatherInfo。在函数和参数名称表达的意思足够清晰的情况下，命名风格通常不是问题，文心一言模型可以理解符合驼峰命名法、蛇形命名法等常见命名规范的名称。

提升编写JSON Schema的效率

函数描述中的parameters和responses都需要按照JSON Schema语法编写。尽管JSON Schema的功能强大，但编写起来并不复杂，大家可以多多参考JSON Schema官方文档或者网上的中文教程。

在这里给出两个小工具，用于提升编写JSON Schema的效率。首先是如下定义的describe_function函数：

In [ ]

def describe_function(func):
    import inspect
    sig = inspect.signature(func)
    func_desc = {
        'name': func.__name__,
        'description': "",
        'parameters': {
            'type': 'object',
            'properties': {},
        },
    }
    params_desc = func_desc['parameters']
    for param in sig.parameters.values():
        name = param.name
        param_desc = {}
        if param.kind in (param.POSITIONAL_ONLY, param.VAR_POSITIONAL,
                          param.VAR_KEYWORD):
            raise ValueError(
                "不支持函数中包含positional-only、var-positional或var-keyword参数")
        if param.default is not param.empty:
            param_desc['default'] = param.default
        if param.kind == param.POSITIONAL_OR_KEYWORD and param.default is param.empty:
            if 'required' not in params_desc:
                params_desc['required'] = []
            params_desc['required'].append(name)
        params_desc['properties'][name] = param_desc
    return func_desc

该函数接受一个Python函数func作为输入，可用于从func的函数签名自动提取各参数的JSON Schema格式的描述信息，进而生成初始版本的函数描述。如下展示了一个使用例子：

In [ ]

def my_function(a, b=1):
    return a + b

print(describe_function(my_function))

可以看出，describe_function自动识别到my_function的输入参数a、b，并将其添加到函数描述中，其中b的默认值被记录，而a作为必选参数也被记录到required中。

另外一个推荐的工具是在线JSON Schema校验工具。大家可以使用这个工具快速检查自己编写的JSON Schema是否存在格式问题，或者检验编写的JSON Schema的功能是否符合预期。

3.3.2 提供函数调用示例

erniebot.ChatCompletion.create的functions参数还支持一个examples参数，通过该参数可以传递给模型一个函数调用示例，从而使模型获得更加充分的提示。

一个例子如下：

In [ ]

examples = [
    {
        'role': 'user',
        'content': "深圳的天气怎么样？",
    },
    {
        'role': 'assistant',
        'content': None,
        'function_call': {
            'name': 'get_current_weather', 
            'arguments': '{"location":"深圳"}',
        },
    },
    {
        'role': 'function',
        'name': 'get_current_weather',
        'content': '{"temperature":25,"unit":"摄氏度","description":"多云"}',
    },
]

可以看出，examples中的项和messages中的项具有完全相同的格式。上述examples以对话的形式提供了get_current_weather函数的一个调用示例，包括用户发起提问、模型返回function_call、用户将函数调用结果回传给模型等。

3.3.3 为函数响应参数增加prompt

当函数的响应参数为JSON object时，EB SDK允许在其中加入一个prompt键值对，用于针对如何从函数的响应参数构造输出给模型更多提示。

如下是使用prompt的一个例子：

In [ ]

messages = [
    {
        'role': 'user',
        'content': "深圳的天气怎么样？",
    },
    {
        'role': 'assistant',
        'content': None,
        'function_call': {
            'name': 'get_current_weather', 
            'arguments': '{"location":"深圳"}',
        },
    },
    {
        'role': 'function',
        'name': 'get_current_weather',
        'content': '{"temperature":25,"unit":"摄氏度","description":"多云","prompt":"请根据函数返回的气温与天气描述，以“你好，这是天气信息：”开头输出回答"}',
    },
]
response = erniebot.ChatCompletion.create(
    model='ernie-bot-3.5',
    messages=messages,
)
print(response.get_result())

二、千帆大模型服务调用

百度的ENRIE Bot服务已经集成到了千帆大模型平台，我们可以通过RPC API的方式请求千帆大模型上面的ENRIE Bot服务。

1. 千帆大模型平台介绍

百度推出的千帆大模型平台集成了众多的大模型， 千帆不仅提供了包括文心一言底层模型（ERNIE-Bot）和第三方开源大模型，还提供了各种AI开发工具和整套开发环境，方便客户轻松使用和开发大模型应用。

千帆平台预置的大模型（查看与管理预置模型 - 千帆大模型平台 | 百度智能云文档）如下：

2. 远程RPC调用方式

2.1 调用方法

可以通过RPC远程调用的方式实现，比如调用ENRIE-bot的chat功能，可以通过以下地址访问：

https://aip.baidubce.com/rpc/2.0/ai_custom/v1/wenxinworkshop/chat/completions

在调用之前先要获取access token，通过以下方式获得：

其中，API_KEY和SECRET_KEY参数可以在千帆网站上通过创建应用后获取：百度智能云千帆大模型平台

def get_access_token():
    """
    使用 AK，SK 生成鉴权签名（Access Token）
    :return: access_token，或是None(如果错误)
    """
    url = "https://aip.baidubce.com/oauth/2.0/token"
    params = {"grant_type": "client_credentials", "client_id": API_KEY, "client_secret": SECRET_KEY}
    return str(requests.post(url, params=params).json().get("access_token"))

2.2 调用实例

下面以调用千帆的ENRIE-bot-4服务的实操代码为例：

import requests

#链接百度文心大模型，声明百度ERNIE类，指向ERNIE-bot-4模型
class BaiduErnie:
    host: str = "https://aip.baidubce.com"
    client_id: str = ""
    client_secret: str = ""
    access_token: str = ""

    def __init__(self, client_id: str, client_secret: str):
        self.client_id = client_id
        self.client_secret = client_secret
        self.get_access_token()

    #获取access token
    def get_access_token(self) -> str:
        url = f"{self.host}/oauth/2.0/token?grant_type=client_credentials&client_id={self.client_id}&client_secret={self.client_secret}"
        response = requests.get(url)
        if response.status_code == 200:
            self.access_token = response.json()["access_token"]
            print(self.access_token)
            return self.access_token
        else:
            raise Exception("获取access_token失败")

     #调用bot的对话接口
     def chat(self, messages: list, user_id: str) -> tuple:
        if not self.access_token:
            self.get_access_token()
        #ERNIE-Bot-turbo: 
        #url = f"{self.host}/rpc/2.0/ai_custom/v1/wenxinworkshop/chat/eb-instant?access_token={self.access_token}"
        #ERNIE-Bot-4:
        url = f"{self.host}/rpc/2.0/ai_custom/v1/wenxinworkshop/chat/completions_pro?access_token={self.access_token}"
        data = {"messages": messages, "user_id": user_id}
        response = requests.post(url, json=data)
        if response.status_code == 200:
            resp = response.json()
            #return response.text
            return resp["result"], resp
        else:
            raise Exception("请求失败")


#填入文心大模型后台你自己的API信息
user_id = ""
#API Key
client_id = "你的API KEY"  
#Secret Key            
client_secret = "你的SECRET KEY"  

#实例化ERNIE类
baidu_ernie = BaiduErnie(client_id, client_secret)

prompt = "中国的首都在哪？"

def chat(prompt):
  messages = []
  messages.append({"role": "user", "content": prompt})  # 用户输入
  result, response = baidu_ernie.chat(messages, user_id)  # 调用接口
  #result = baidu_ernie.chat(messages, user_id)  # 调用接口
  return result

res = chat(prompt)
print("prompt: ", prompt)
print("answer:  ", res)

3. 本地千帆SDK调用方式

3.1 安装千帆SDK

使用千帆SDK可以进行基础的大模型能力调用：

• Chat 对话

• Completion 续写

• Embedding 向量化

• Plugin 插件调用

• Text2Image 文生图

目前千帆 SDK 已发布到 PyPI ，用户可使用 pip 命令进行安装。安装千帆 SDK 需要 3.7.0 或更高的 Python 版本

pip install qianfan -U

在安装完成后，用户即可在代码内引入千帆 SDK 并使用

import qianfan

3.1 平台鉴权

千帆SDK基于文心千帆大模型平台对用户提供能力，因此在使用前需要用户使用平台指定的鉴权方式进行初始化。

如何获取AK/SK

用户需要在千帆平台上创建应用，以获得 API Key (AK) 和 Secret Key (SK)。AK 与 SK 是用户在调用千帆 SDK 时所需要的凭证。具体获取流程参见平台的应用接入使用说明文档。

获取到 AK 和 SK 后，用户还需要传递它们来初始化千帆 SDK。 千帆 SDK 支持如下两种传递方式，按优先级从低到高排序：

通过环境变量传递（作用于全局，优先级最低）

import os

os.environ["QIANFAN_AK"]="..."

os.environ["QIANFAN_SK"]="..."

或者构造时传递（仅作用于该对象，优先级最高）

import qianfan

chat_comp=qianfan.ChatCompletion(ak="...", sk="...")

3.2 Chat 对话

用户只需要提供预期使用的模型名称和对话内容，即可调用千帆大模型平台支持的，包括 ERNIE-Bot 在内的所有预置模型，如下所示：

import qianfan
chat_comp = qianfan.ChatCompletion(ak="...", sk="...")

# 调用默认模型，即 ERNIE-Bot-turbo

resp = chat_comp.do(messages=[{

"role": "user",

"content": "你好"

}])

print(resp['body']['result'])

# 输入：你好

# 输出：你好！有什么我可以帮助你的吗？

# 指定特定模型

resp = chat_comp.do(model="ERNIE-Bot", messages=[{

"role": "user",

"content": "你好"

}])

也可以利用内置 Messages 简化多轮对话，下面是一个简单的用户对话案例，实现了对话内容的记录

msgs = qianfan.Messages()

while True:

msgs.append(input()) # 增加用户输入

resp = chat_comp.do(messages=msgs)

print(resp) # 打印输出

msgs.append(resp) # 增加模型输出

除此之外也支持使用异步编程 以及 流式输出

resp=await chat_comp.ado(model="ERNIE-Bot-turbo", messages=[{

"role": "user",

"content": "你好"

}], stream=True)

3.3 Completion 续写

对于不需要对话，仅需要根据 prompt 进行补全的场景来说，用户可以使用qianfan.Completion来完成这一任务。

import qianfan

comp=qianfan.Completion(ak="...", sk="...")

resp=comp.do(model="ERNIE-Bot", prompt="你好")

# 输出：你好！有什么我可以帮助你的吗

3.4 Embedding 向量化

千帆 SDK 同样支持调用千帆大模型平台中的模型，将输入文本转化为用浮点数表示的向量形式。转化得到的语义向量可应用于文本检索、信息推荐、知识挖掘等场景。

Embedding 基础功能

import qianfan

# 替换下列示例中参数，应用API Key替换your_ak，Secret Key替换your_sk

emb = qianfan.Embedding(ak="your_ak", sk="your_sk")

resp = emb.do(texts=[ # 省略 model 时则调用默认模型 Embedding-V1

"世界上最高的山"

])

对于向量化任务，目前千帆大模型平台预置的模型有：

• Embedding-V1（默认）

• bge-large-en

• bge-large-zh

3.5 模型配置和接入

以上几种大模型都使用了预置的模型服务，通过model参数来进行设置；除此之外为了支持自行发布的模型服务（例如ChatGLM等开源模型服务部署），千帆SDK当前ChatCompletion，Completion，Embedding，Plugin都支持了endpoint字段；在此基础上，用户可以通过直接传入自行发布模型的endpoint来接入模型服务。以下以plugin为例子进行说明。

3.6 Plugin 插件

千帆大模型平台支持使用平台插件并进行编排，以帮助用户快速构建 LLM 应用或将 LLM 应用到自建程序中。在使用这一功能前需要先创建应用、设定服务地址、将服务地址作为参数传入千帆 SDK。

# 以下以使用智慧图问插件为例：

plugin = qianfan.Plugin(endpoint="your_endpoint")

resp = p.do(plugins=["uuid-chatocr"], prompt="这上面的牛是什么颜色的", verbose=True, fileurl="https://qianfan-doc.bj.bcebos.com/imageai/cow.jpeg")

3.7 文生图

除了语言类的AIGC能力，我们也基于开源的文生图模型提供了多模态的能力，以下是使用stableDiffusion-XL进行文生图的示例：

import os

os.environ["QIANFAN_AK"]="your_ak"

os.environ["QIANFAN_SK"]="your_sk"

import qianfan

from PIL import Image

import io

t2i = qianfan.Text2Image()

resp = t2i.do(prompt="A Ragdoll cat with a bowtie.", with_decode="base64")

img_data = resp["body"]["data"][0]["image"]

img = Image.open(io.BytesIO(img_data))

display(img)

三、基于百度文心大模型实现AI虚拟角色的应用实例

基于大模型的API，我们可以很容易的创建出各种AI虚拟角色，只需要给不同的角色设定不同的系统prompt，就可以让AI扮演对应的角色。基于这个想法，尝试做了一个AI虚拟世界的微信小程序，这里面有AI扮演的孔子，李白，唐僧，林黛玉，哈利波特，哆啦A梦，心里专家，旅行家，等等虚拟角色。用户可以和这些角色进行有趣的对话。截图如下。感兴趣具体实现过程的可参考这个：

人工智能学习与实训笔记（六）：基于百度文心大模型实现的A-CSDN博客

小程序码可直达体验：

文章来源地址https://www.toymoban.com/news/detail-829830.html

到了这里，关于人工智能学习与实训笔记（十）：百度对话大模型ERNIE调用实操的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！