AIGC学习笔记（4）——AI大模型开发工程师

AI大模型开发工程师

003 GPT大模型API实战

1 Completion API和Chat Completion API

学习OpenAI API的意义

• OpenAI定义了大模型标准
• OpenAI API的功能最全

Completion API和Chat Completion API

• Chat模型核心功能是对话能力，Completion模型本质是文本补齐模型，核心功能为根据提示（Prompt）进行提示语句的补全（即继续进行后续文本创作）
• 从模型发展顺序上来看，Chat模型是Completion模型的升级版模型。
• Chat模型的核心优势：理解人类意图的能力。理解人类意图带来的更低的交互门槛，同样也会为开发者带来巨大的便利。据OpenAI官网数据，自gpt-3.5 API发布以来，约97%的开发者更偏向于使用Chat模型API进行开发。

代码实践

• 大模型交互方式1（最常用）

completion = client.chat.completions.create(model="gpt-4o-mini",messages=[{"role": "user", "content": "你好!请介绍一下你自己"}]
)
print(completion)
## 获取执行结果
completion.choices[0].message.content

• 大模型交互方式2（给用户实时展示内容的时候需要）

# 流式打印，创建一个名为stream的streaming请求，该请求将生成模型响应的流，而不是单个响应。
stream = client.chat.completions.create(# 指定要使用的模型名称（在这种情况下为"gpt-3.5-turbo"）。model="gpt-4o-mini",# 提供输入消息列表，每个消息都包含一个"role"# user: 用户# assistant: 助手（大模型）messages=[{"role": "user", "content": "你好!请介绍一下你自己"}],# 设置stream为True，使其生成一个响应流，而不是单个响应。stream=True,
)
# 通过在stream上迭代来处理每个响应块。
for chunk in stream:# 检查返回的块中是否有有效的内容（即，内容不为None）。if chunk.choices[0].delta.content is not None:# 如果有有效内容，那么打印出这个内容。使用end=""来确保接下来打印的内容会跟在当前内容的后面，而不是另起一行。print(chunk.choices[0].delta.content, end="")

• 大模型交互方式3（对于执行结果进行处理的时候方便）

## gpt-4-turbo-preview or gpt-3.5-turbo-0125模型支持
## 指定返回来的结果的格式：JSON
response = client.chat.completions.create(model="gpt-4o-mini",# response_format={ "type": "json_object" },messages=[{"role": "user", "content": "中国的首都是?"}]
)
print(response.choices[0].message.content)

2 Chat Completion API详细参数

• https://platform.openai.com/docs/api-reference/chat/create?lang=python

• model：必选参数，大模型的名称
• messages：必选参数，提示词；（里面可以指定角色）
• max_tokens：可选参数，代表返回结果的token数量；
• temperature：可选参数，取值范围为0-2，默认值为1。参数代表采样温度，数值越小，则模型会倾向于选择概率较高的词汇，生成的文本会更加保守；而当temperature值较高时，模型会更多地选择概率较低的词汇，生成的文本会更加多样；
• top_p：可选参数，取值范围为0-1，默认值为1，和temperature作用类似，用于控制输出文本的随机性，数值越趋近与1，输出文本随机性越强，越趋近于0文本随机性越弱；通常来说若要调节文本随机性，top_p和temperature两个参数选择一个进行调整即可；这里更推荐使用temperature参数进行文本随机性调整；
• n：可选参数，默认值为1，表示一个提示返回几个Completion；
• stream：可选参数，默认值为False，表示回复响应的方式，当为False时，模型会等待返回结果全部生成后一次性返回全部结果，而为True时，则会逐个字进行返回；
• logprobs：可选参数，默认为null，该参数用于指定模型返回前N个概率最高的token及其对数概率。例如，如果logprobs设为10，那么对于生成的每个token，API会返回模型预测的前10个token及其对数概率；
• stop：可选参数，默认为null，该参数接受一个或多个字符串，用于指定生成文本的停止信号。当模型生成的文本遇到这些字符串中的任何一个时，会立即停止生成。这可以用来控制模型的输出长度或格式；
• presence_penalty：可选参数，默认为0，取值范围为[-2, 2]，该参数用于调整模型生成新内容（例如新的概念或主题）的倾向性。较高的值会使模型更倾向于生成新内容，而较低的值则会使模型更倾向于坚持已有的内容，当返回结果篇幅较大并且存在前后主题重复时，可以提高该参数的取值；
• frequency_penalty：可选参数，默认为0，取值范围为[-2, 2]，该参数用于调整模型重复自身的倾向性。较高的值会使模型更倾向于避免重复，而较低的值则会使模型更可能重复自身；当返回结果篇幅较大并且存在前后语言重复时，可以提高该参数的取值；
• logit_bias：该参数接受一个字典，用于调整特定token的概率。字典的键是token的ID，值是应用于该token的对数概率的偏置；在GPT中我们可以使用tokenizer tool查看文本Token的标记。一般不建议修改；
• tools：可以调用的函数；
• tool_choice：调用函数的策略；
• 废弃的参数 functions：可以调用的函数；
• 废弃的参数 function_call：调用函数的策略。

messages可以包含多条信息

• messages可以包含多条信息，但模型只会对于最后一条用户信息进行回答

messages角色设定

• role：assistant消息和user消息是一一对应的，system：全局角色设置