|
需要先启动本地ollama
llm@ii:~$ ./bin/ollama.sh
llm@ii:~$ ollama list
from tpf.llm import MyChat
chat = MyChat(env_file="env.txt")
query = "你好,讲个笑话"
res = chat.ollama(prompt_user=query)
{'query': '你好,讲个笑话',
'result': '有一天，一只猫和一只狗在讨论谁更聪明。猫说：‘当然我更聪明，我会捉老鼠，还会在高处优雅地着陆。’狗反驳道：‘那又怎样？我每天都能准确无误地把报纸叼回来，还能在主人回家时热情迎接。’突然，一只鸟飞过来插话：‘你们都太自以为是了，我每天都能找到食物，还能飞翔在天空中，这才是真正的聪明！’猫和狗听了，互相看了看，然后一起说：‘好吧，你赢了，但我们还是更喜欢捉老鼠和叼报纸。’',
'thinking': ['用户希望听一个笑话。',
'需要选择一个适合的主题，动物之间的对话通常比较有趣。',
'考虑使用猫、狗和鸟这三个角色，因为它们都有各自的特点和互动可能。',
'设计一个轻松幽默的情节，突出每个角色的特长，同时制造一些有趣的对比和冲突。',
'确保笑话有开头、发展和结尾，让故事完整且引人发笑。']}
res = chat.ollama(prompt_user=query,temperature=1)
res = chat.ollama(prompt_user=query,model=["DeepSeek-R1-14B-Q8:latest","DeepSeek-R1-14B-F16:latest","DeepSeek-R1-32B-Q6:latest","DeepSeek-R1-32B-Q8:latest"])
query = "你好,讲个笑话"
res = chat.ollama(prompt_user=query,
model=["DeepSeek-R1-32B-Q8:latest","DeepSeek-R1-32B-Q6:latest","DeepSeek-R1-14B-F16:latest","DeepSeek-R1-14B-Q8:latest"],
temperature=1)
res
{'query': '你好,讲个笑话',
'result': '为什么电脑总是感冒？因为它窗户(Windows)太多！ 😄',
'thinking': ['用户要求讲一个笑话。',
'需要选择一个适合的笑话，既有趣又不冒犯人。',
'考虑到技术相关的话题可能更贴近用户的兴趣，选择了一个关于电脑和Windows操作系统的笑话。',
'确保笑话简洁易懂，并带有合适的表情符号以增加亲和力。']}
prompt = "当前文件'.'的绝对路径是什么？"
response = chat.func_call(query=prompt,
model_list=["gpt-4o-mini","gpt-4o",'DeepSeek-R1-14B-Q8:latest','DeepSeek-R1-14B-F16:latest'],
func_index=3, answer_index=2 )
print(response)
answer_index
- 只能指定本地ollama模型
func_index
- 并没有限制
指定Ollama地址
prompt = "当前文件'.'的绝对路径是什么？"
response = chat.func_call(query=prompt,
model_list=["gpt-4o-mini","gpt-4o",'DeepSeek-R1-14B-Q8:latest','DeepSeek-R1-14B-F16:latest'],
func_index=3, answer_index=2,base_url='http://localhost:11434/v1/' )
print(response)
但本地模型能力没有线上模型强，不是每次都能给出正确的结果
```json
{
"query": "当前文件'.'的绝对路径是什么？",
"result": "/mnt/g/wks/aiwks/bigmodel/kejian/day03_func_call"
}
```
|
from tpf.llm import MyChat chat = MyChat(env_file="env.txt")
query="你好"
res = chat.deepseek(prompt_user=query)
res
{'query': '你好', 'result': '你好！有什么我可以帮助你的吗？', 'thinking': []}
设置本地模型后，可自动判断输入的模型是本地的还是线上的
chat.set_local_model(['DeepSeek-R1-14B-Q8:latest','DeepSeek-R1-14B-F16:latest'])
chat.get_local_model()
['DeepSeek-14B-Q8:latest',
'DeepSeek-R1-14B-Q8:latest',
'DeepSeek-R1-14B-F16:latest',
'DeepSeek-R1-14B-Q8:latest',
'DeepSeek-R1-14B-F16:latest']
query="讲个笑话"
res = chat.deepseek(prompt_user=query,
prompt_system=None,
models=['deepseek-chat', 'deepseek-reasoner'],
temperature=1,
return_json=True,)
res
{'query': '讲个笑话',
'result': '有一天，小明问老师：“老师，您知道为什么鱼不会说话吗？”老师摇摇头。小明笑着说：“因为它们都在水里，一开口就全是泡泡！”',
'thinking': ['1. 理解用户请求：用户希望听到一个幽默的笑话。',
'2. 回忆或构思一个简短、易懂且适合大众的笑话。',
'3. 选择了一个关于鱼和泡泡的经典笑话，因为它简单有趣且容易理解。',
'4. 检查笑话是否合适，确保没有冒犯性或敏感内容。',
'5. 将笑话格式化并准备输出。']}
query="讲个笑话"
res = chat.deepseek(prompt_user=query,temperature=0.5)
res
{'query': '讲个笑话',
'result': '有一天，小明问老师：“老师，为什么我们要学数学呢？”老师回答：“因为数学能让我们变得更聪明。”小明想了想说：“那为什么我们要学语文呢？”老师笑着说：“因为语文能让我们把数学题解释得更清楚。”',
'thinking': ['理解用户需求：用户希望听到一个笑话。',
'回忆或构思一个适合的笑话。',
'选择一个既幽默又适合广泛受众的笑话。',
'确保笑话内容健康、无冒犯性。',
'组织语言，简洁明了地表达笑话。']}
|
from tpf.llm import MyChat
chat = MyChat(env_file="env.txt")
prompt = "当前文件'.'的绝对路径是什么？"
res = chat.deepseek_func_call(query=prompt)
res
{'query': "当前文件'.'的绝对路径是什么？",
'result': '/mnt/g/wks/aiwks/bigmodel/kejian/day03_func_call',
'thinking': []}
prompt = "当前文件'.'的绝对路径是什么？"
res = chat.deepseek_func_call(query=prompt,
model_list=['deepseek-chat', 'deepseek-reasoner'],
func_index=0)
res
{'query': "当前文件'.'的绝对路径是什么？",
'result': '/mnt/g/wks/aiwks/bigmodel/kejian/day03_func_call',
'thinking': []}
----------------------------------------------------------------------------------------- |
from tpf.llm import MyChat chat = MyChat(env_file="env.txt") query="请介绍一些学习算法的方法与技巧" chat.openai(prompt_user=query)
学习算法的方法与技巧可以包括：
1. **理论学习**：
- 阅读经典算法和数据结构的教科书，如《算法导论》。
- 关注在线课程和讲座，获取视觉和听觉的学习体验。
2. **编码实践**：
- 在LeetCode、HackerRank等在线平台上解决算法问题，以提高编码能力。
- 参与编程比赛来挑战自我。
3. **项目应用**：
- 在实际项目中应用算法，解决具体问题，积累经验。
- 贡献开源项目，观察他人解决问题的方法。
4. **讨论与交流**：
- 参与算法相关的社区，如Reddit或GitHub上的讨论区。
- 加入或者组织读书会，与同伴交流学习体会。
5. **复盘与总结**：
- 定期总结自己的学习过程和心得，形成自己的学习笔记。
- 制作知识图或思维导图帮助记忆和理解。
6. **动手实现**：
- 自己实现经典算法，理解其背后的思想而不仅仅是使用现成的库。
- 持续进行代码优化，提高算法效率。
通过这些方法，可以有效提升自己在算法方面的能力。
query="你好"
chat.openai(prompt_user=query,
prompt_system=None,
models=['gpt-4o', 'o1-mini-2024-09-12'],
temperature=1,
return_json=True,)
{'query': '你好',
'result': '你好！请问有什么我可以帮助你的吗？',
'thinking': ['识别用户问候的意图。', '构建一个友好的问候回应。', '确保回应开放，以便用户继续提问。']}
|
from tpf.llm import MyChat chat = MyChat(env_file="env.txt") prompt = "当前文件'.'的绝对路径是什么？" chat.openai_func_call(query=prompt)
{'query': "当前文件'.'的绝对路径是什么？",
'result': '/mnt/g/wks/aiwks/bigmodel/kejian/day03_func_call',
'thinking': ["用户询问当前文件'.'的绝对路径。",
'调用了get_abs_path函数来获取文件的绝对路径。',
"函数返回了绝对路径'/mnt/g/wks/aiwks/bigmodel/kejian/day03_func_call'。"]}
prompt = "当前文件'.'的绝对路径是什么？"
res = chat.openai_func_call(query=prompt,
model_list=["gpt-4o-mini","gpt-4o",'DeepSeek-R1-14B-Q8:latest','DeepSeek-R1-14B-F16:latest'],
func_index=0)
print(res)
prompt = "当前文件'.'的绝对路径是什么？"
chat.openai_func_call(query=prompt,
model_list=["gpt-4o-mini","gpt-4o",'DeepSeek-R1-14B-Q8:latest','DeepSeek-R1-14B-F16:latest'],
func_index=0, answer_index=0)
prompt = "当前文件'.'的绝对路径是什么？"
chat.openai_func_call(query=prompt,
model_list=["gpt-4o-mini","gpt-4o",'DeepSeek-R1-14B-Q8:latest','DeepSeek-R1-14B-F16:latest'],
func_index=0, answer_index=2)
|
from tpf.llm import MyChat chat = MyChat(env_file="env.txt") prompt = "当前文件'.'的绝对路径是什么？" chat.tongyi_func_call(query=prompt)
{'query': "当前文件'.'的绝对路径是什么？",
'result': "当前文件'.'的绝对路径是/mnt/d/wks/aiwks/bigmodel/kejian/day03_func_call/mychat"}
|
from tpf.llm import MyChat chat = MyChat(env_file="env.txt") prompt = "当前文件'.'的绝对路径是什么？" chat.qianfan_func_call(query=prompt)
{'query': "当前文件'.'的绝对路径是什么？",
'result': '/mnt/d/wks/aiwks/bigmodel/kejian/day03_func_call/mychat',
'thinking': []}
|
pip install openai pip install python_dotenv |
|
|
|
|
from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv(filename="env.txt"))
openai最原始的API调用方法 from tpf.llm.openai import chat model_list = ["gpt-4o","o1-mini-2024-09-12","deepseek-r1"] res = chat(prompt, response_format="text", model=model_list[2]) print(res) deepseek-r1 671b对于中文的理解真是强悍到没边了... 但也真的是费token ollama 本地模型调用方法
from tpf.llm.ollama import chat_ollama
# DeepSeek-R1-14B-Q8:latest，DeepSeek-R1-14B-Q8:latest
res = chat_ollama(prompt,
response_format='text',
model='DeepSeek-R1-14B-F16:latest')
print(res)
函数调用方法，若没有提供问题对应的函数则会报错
from tpf.llm import FuncCall
fc = FuncCall()
response = fc.chat(query=prompt,
model_list=["gpt-4o-mini","gpt-4o",'DeepSeek-R1-14B-Q8:latest','DeepSeek-R1-14B-F16:latest'],
func_index=3, answer_index= 2 )
print(response)
本地与在线混合支持,若是本地模型则需要通过下面的方法注册一下，目前只支持本地ollama模型
Signature: fc.set_ollama_local_model(model_name)
Docstring: 添加本地ollama模型名称
|
|
本地ollama
启动Ollama
llm@ii:~$ which ollama
/wks/python/ollama_offline/bin/ollama
llm@ii:~$ ollama serve
llm@ii:~$ ollama list
NAME ID SIZE MODIFIED
DeepSeek-R1-32B-Q8:latest 584ac87d48be 34 GB 2 months ago
DeepSeek-R1-32B-Q6:latest 05dfbe0bbb66 26 GB 2 months ago
DeepSeek-R1-32B-Q4:latest 1323fb0c27f8 19 GB 2 months ago
DeepSeek-R1-14B-Q8:latest 4d3466debbb4 15 GB 2 months ago
DeepSeek-R1-14B-F16:latest 24b92b30ec3e 29 GB 2 months ago
from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv(filename="env.txt"))
from tpf.llm import chat
model_list = ["gpt-4o","o1-mini-2024-09-12","deepseek-r1","DeepSeek-R1-14B-Q8:latest"]
prompt = "你好"
res = chat(prompt_user=prompt, prompt_system=None, temperature=1,
model=model_list[3],
base_url='http://localhost:11434/v1/',api_key='key')
print(res)
你好！很高兴见到你，有什么我可以帮忙的吗？无论是学习、工作还是生活中的问题，都可以告诉我哦！😊
简化参数
from tpf.llm import chat
model_list = ["gpt-4o","o1-mini-2024-09-12","deepseek-r1","DeepSeek-R1-14B-Q8:latest"]
prompt = "你好"
res = chat(prompt_user=prompt, prompt_system=None, temperature=1,
model=model_list[3])
print(res)
|
from tpf.llm import MyChat chat = MyChat(env_file="env.txt") 本地ollama query = "你好,讲个笑话" res = chat.ollama(prompt_user=query,model=["DeepSeek-R1-14B-Q8:latest","DeepSeek-R1-14B-F16:latest","DeepSeek-R1-32B-Q6:latest","DeepSeek-R1-32B-Q8:latest"]) print(res) 你好！当然可以。这是一个简单的笑话： 为什么电脑去โรงพยาliteral？因为它感染了病毒！ deepseek在线API
query = "你好,讲个笑话"
res = chat.deepseek(prompt_user=query)
res
{'query': '你好,讲个笑话',
'result': '有一天，小明问老师：“老师，为什么我们要学数学？”老师回答：“因为生活中处处都有数学啊！”小明想了想说：“那为什么我妈妈买菜从来不算账？”',
'thinking': ['用户请求讲一个笑话，需要选择一个适合的、轻松幽默的内容。',
'考虑到文化差异和普遍接受度，选择一个与学习相关且不涉及敏感话题的笑话。',
'构思一个关于数学学习的简单笑话，确保语言通俗易懂。',
'检查笑话是否可能冒犯特定群体（如家长、教师），确认无问题后输出。']}
openai
query = "你好,讲个笑话"
res = chat.openai(prompt_user=query,
prompt_system=None,
models=['gpt-4o', 'o1-mini-2024-09-12'],
temperature=1,
return_json=True,)
print(res)
{'query': '你好,讲个笑话',
'result': '为什么电脑会感冒？因为它总是打开了很多窗口！',
'thinking': ['确定用户请求类型为讲笑话。',
'尝试选择一个通俗易懂且轻松的笑话。',
'考虑用户可能希望快速得到一个有趣且容易理解的结果。']}
|
|
会对用户填写的Prompt做一个结果的json封装，除此之外无其他操作
def return_json1():
output_format = """
输出格式：json格式，包含在```json ```标记中，
1. query字段，string类型，其value为用户的问题
2. result字段，string类型，其value为最终回复结果
3. thinking字段，list类型，
3.1 列表元素为大模型的思考步骤，按思考顺序整理为list列表；
3.2 若无思考步骤，则列表为空
"""
return output_format
def deepseek(self, prompt_user,
prompt_system=None,
models=['deepseek-chat','deepseek-reasoner'],
temperature=1,
return_json=True):
"""
- models:默认使用model[0]，使用时调整其顺序即可
- return_json：
输出格式：json格式，包含在```json ```标记中，
1. query字段，string类型，其value为用户的问题
2. result字段，string类型，其value为最终回复结果
3. thinking字段，list类型，
3.1 列表元素为大模型的思考步骤，按思考顺序整理为list列表；
3.2 若无思考步骤，则列表为空
"""
if return_json:
try:
json_str = tools.get_json_str(content)
json_dict = json.loads(json_str)
is_parse_ok = True
except Exception as e:
print(e)
is_parse_ok = False
if is_parse_ok:
return json_dict
-------------------------------------------------------------------------- --------- |
邮箱登录 https://devcto.com/app/account |
|
依赖包安装 pip install python-dotenv #读取文件中的环境变量 pip install openai 环境变量配置与加载：默认加载 .env 文件中的环境变量
from dotenv import load_dotenv
# 加载".env"文件
load_dotenv()
# 现在你可以通过os.getenv来获取环境变量了
import os
my_secret_key = os.getenv("MY_SECRET_KEY")
print(my_secret_key)
确保你的 .env 文件位于你的项目根目录或你指定的目录中， 并且包含了你需要的环境变量，如 MY_SECRET_KEY=some_secret_value。 加载指定的文件
from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv(filename="env.txt"))
|
from openai import OpenAI
# 初始化 OpenAI 客户端
client = OpenAI() # 默认使用环境变量中的 OPENAI_API_KEY 和 OPENAI_BASE_URL
# 基于 prompt 生成文本
# 默认使用 gpt-3.5-turbo 模型
def get_completion(prompt, response_format="text", model="gpt-3.5-turbo"):
messages = [{"role": "user", "content": prompt}] # 将 prompt 作为用户输入
response = client.chat.completions.create(
model=model,
messages=messages,
temperature=0, # 模型输出的随机性，0 表示随机性最小
# 返回消息的格式，text 或 json_object
response_format={"type": response_format},
)
return response.choices[0].message.content # 返回模型生成的文本
print(get_completion("常用的数据结构与算法有哪些"))
常用的数据结构包括： 1. 数组（Array） 2. 链表（Linked List） 3. 栈（Stack） 4. 队列（Queue） 5. 树（Tree） 6. 图（Graph） 7. 哈希表（Hash Table） 8. 堆（Heap） 常用的算法包括： 1. 排序算法（如快速排序、归并排序、插入排序、冒泡排序等） 2. 搜索算法（如二分查找、深度优先搜索、广度优先搜索等） 3. 动态规划（Dynamic Programming） 4. 贪心算法（Greedy Algorithm） 5. 回溯算法（Backtracking） 6. 分治算法（Divide and Conquer） 7. 图算法（如最短路径算法、最小生成树算法等） 8. 字符串匹配算法（如KMP算法、Boyer-Moore算法等） gpt-4o-mini
from openai import OpenAI
client = OpenAI()
stream = client.chat.completions.create(
model="gpt-4o-mini",
messages=[{"role": "user", "content": "请使用C语言实现一个数组的数据结构"}],
stream=True,
)
for chunk in stream:
if chunk.choices[0].delta.content is not None:
print(chunk.choices[0].delta.content, end="")
当然可以！下面是一个简单的数组数据结构的实现示例，包括基本的功能，如初始化、插入元素、删除元素和打印数组内容。
```c
#include stdio.h
#include stdlib.h
#define MAX_SIZE 100 // 定义数组的最大容量
typedef struct {
int *data; // 动态分配的数组
int size; // 当前数组大小
int capacity; // 数组的最大容量
} Array;
// 初始化数组
Array* createArray(int capacity) {
Array *arr = (Array*)malloc(sizeof(Array));
arr->capacity = capacity;
arr->size = 0;
arr->data = (int*)malloc(capacity * sizeof(int));
return arr;
}
// 插入元素
void insert(Array *arr, int element) {
if (arr->size < arr->capacity) {
arr->data[arr->size++] = element;
} else {
printf("数组已满，无法插入元素 %d\n", element);
}
}
// 删除元素
void delete(Array *arr, int index) {
if (index >= 0 && index < arr->size) {
for (int i = index; i < arr->size - 1; i++) {
arr->data[i] = arr->data[i + 1];
}
arr->size--;
} else {
printf("索引越界，无法删除元素\n");
}
}
// 打印数组
void printArray(Array *arr) {
printf("数组元素: ");
for (int i = 0; i < arr->size; i++) {
printf("%d ", arr->data[i]);
}
printf("\n");
}
// 释放数组
void freeArray(Array *arr) {
free(arr->data);
free(arr);
}
int main() {
Array *arr = createArray(MAX_SIZE);
insert(arr, 10);
insert(arr, 20);
insert(arr, 30);
printArray(arr);
delete(arr, 1); // 删除索引为1的元素
printArray(arr);
freeArray(arr);
return 0;
}
```
### 说明：
1. **数据结构**：
- `Array` 结构体包含指向动态分配内存的指针、当前数组大小和数组最大容量。
2. **功能**：
- `createArray`：初始化数组。
- `insert`：在数组末尾插入元素。
- `delete`：根据索引删除元素。
- `printArray`：打印数组内容。
- `freeArray`：释放申请的内存。
3. **主函数**：
- 创建一个数组，插入一些元素，展示数组内容，删除一个元素，最后输出更新后的数组并释放内存。
你可以运行这个代码并根据需要进行修改或扩展。
|
|
流式调用
from openai import OpenAI
client = OpenAI()
stream = client.chat.completions.create(
model="gpt-4o-mini",
messages=[{"role": "user", "content": "请使用C语言实现一个数组的数据结构"}],
stream=True,
)
for chunk in stream:
if chunk.choices[0].delta.content is not None:
print(chunk.choices[0].delta.content, end="")
|
from openai import OpenAI
def get_completion(prompt, model="gpt-3.5-turbo-1106"):
'''封装 openai 接口'''
messages = [{"role": "user", "content": prompt}]
client = OpenAI()
response = client.chat.completions.create(
model=model,
messages=messages,
temperature=0.9, # 模型输出的随机性，0 表示随机性最小
)
return response.choices[0].message.content
prompt = """
我是七三学徒，热爱新技术，对AI有浓厚的兴趣，
请问七三学徒是谁？
"""
get_completion(prompt)
'七三学徒通常指受过严格训练的学徒，以“七分师傅，三分学徒”来形容。这个成语源自中国古代，形容学徒在师傅的指导下学习技艺。'
```temperature=0
'七三学徒通常指的是中国著名科学家、工程师和教育家钱学森。他被称为“七三学徒”是因为他在1937年以73岁高龄获得了加拿大麦吉尔大学的博士学位。钱学森是中国现代航空航天事业的奠基人之一，也是中国的科学家和教育家。'
```
prompt = """ 七三学徒是一个热爱新技术，对AI有浓厚的兴趣的人 请问七三学徒是谁？ """ get_completion(prompt) '七三学徒是一个虚构的人物，通常用来形容对新技术和人工智能有浓厚兴趣的人。' |
|
system role
from openai import OpenAI
from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv())
client = OpenAI(
)
# 消息
messages = [
{
"role": "system",
"content": "我是七三学徒，热爱新技术，对AI有浓厚的兴趣" # 注入新知识
},
{
"role": "user",
"content": "请问七三学徒是谁？" # 问问题。可以改改试试
},
]
# 调用 GPT-3.5
chat_completion = client.chat.completions.create(
model="gpt-3.5-turbo",
messages=messages
)
# 输出回复
print(chat_completion.choices[0].message.content)
七三学徒是一个虚拟角色，代表一个热爱学习、积极探索新知识的学习者。 在这里，我作为七三学徒角色与您交流，分享知识，解答问题。 欢迎提出您感兴趣的问题，让我们一起探讨学习、科技和其他话题！ 结合前面的例子，可以充分体会 system role这个角色 这个是指定系统是个什么角色， 这里呢，在体系里说的是“我”，LLM折中处理了这个过程... 这么难回答的一个问题，使用user role，结果就会大不相同
from openai import OpenAI
from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv())
client = OpenAI(
)
# 消息
messages = [
{
"role": "user",
"content": "我是七三学徒，热爱新技术，对AI有浓厚的兴趣" # 注入新知识
},
{
"role": "user",
"content": "请问七三学徒是谁？" # 问问题。可以改改试试
},
]
# 调用 GPT-3.5
chat_completion = client.chat.completions.create(
model="gpt-3.5-turbo",
messages=messages
)
# 输出回复
print(chat_completion.choices[0].message.content)
“七三学徒”是一个由网络上的一个匿名程序员所使用的ID或网名，通常在技术相关的讨论或社交平台上被使用。他（或她）可能以此来表达对自己在技术领域中仍需学习和成长的态度。在网上，大家可能更熟悉他使用的这个ID，而不是他的真名。
from openai import OpenAI
from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv())
client = OpenAI(
)
# 消息
messages = [
{
"role": "system",
"content": "七三笔记网站是一个介绍AI相关知识的网站" # 注入新知识
},
{
"role": "user",
"content": "七三笔记网站是做什么？" # 问问题。可以改改试试
},
]
# 调用 GPT-3.5
chat_completion = client.chat.completions.create(
model="gpt-3.5-turbo",
messages=messages
)
# 输出回复
print(chat_completion.choices[0].message.content)
七三笔记网站是一个介绍人工智能(AI)相关知识的网站，提供关于人工智能技术、应用、发展等方面的文章、教程和资讯。用户可以在网站上学习人工智能的基础知识，了解最新的人工智能技术趋势，以及探讨人工智能在各个领域的应用和发展。 |
通过验证码登录 https://devcto.com/app/account |
|
|
from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv())
from langchain_openai import OpenAI
llm = OpenAI()
prompt = """
我是七三学徒，热爱新技术，对AI有浓厚的兴趣，
请问七三学徒是谁？
"""
response = llm.invoke(prompt)
print(response)
执行的结果是有一定随机性的，尤其是这样LLM无法准确理解的问题
七三学徒不是一个具体的人，而是一个身份。一般指在某个领域或技术上只有初步了解的学习者，处于初级阶段的学习者。这个称呼源自中国古代的经典《论语》中的一句话：“七十而从心所欲，不逾矩”，意思是说人到70岁时，应该能够按照自己的意愿去做事，但也不要超过规矩。后来民间就用“七十从心所欲”来形容初学者，后来又简称为“七三学徒”。
七三学徒是一个网络用戶名，代表一个人的匿名身份，无法确定具体是哪个人
七三学徒是一个网络上的虚拟角色，代表着一个热爱新技术、对人工智能有浓厚兴趣的普通人。他/她并没有具体的身份和真实的存在，只是一种社交媒体上的身份标识。
|
|
|
|
|
|
|
|
from langchain_community.callbacks import get_openai_callback
from langchain_openai import OpenAI
# 初始化
from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv())
llm = OpenAI()
with中可以是llm直接调用，也可以是chain调用
with get_openai_callback() as cb:
res = llm.invoke("如何培养持久学习的习惯？")
print(res)
1. 设定明确的学习目标：首先，要明确自己想要学习什么内容，设定明确的学习目标，这样可以让学习更有针对性和方向性。
2. 制定学习计划：制定一个学习计划，将学习内容分解成小目标，每天或每周规划学习的时间和内容，这样可以让学习变得更有条理，避免拖延和浪费时间。
3. 坚持每天学习：持久学习的关键是每天都要保持学习的习惯，可以设定固定的学习时间，保证每天都有一定的学习时间。
4. 找到适合自己的学习方式：每个人的学习方式都不同，有的人喜欢看书，有的人喜欢听课，
print(cb)
Tokens Used: 274
Prompt Tokens: 18
Completion Tokens: 256
Successful Requests: 1
Total Cost (USD): $0.000539
|
|
|
|
|
|
|
|