自然语言开发AI应用,利用云雀大模型打造自己的专属AI机器人

news2024/9/20 14:43:11

如今，大模型层出不穷，这为自然语言处理、计算机视觉、语音识别和其他领域的人工智能任务带来了重大的突破和进展。大模型通常指那些参数量庞大、层数深、拥有巨大的计算能力和数据训练集的模型。

但不能不承认的是，普通人使用大模型还是有一定门槛的，首先大模型通常需要大量的计算资源才能进行训练和推理。这包括高性能的图形处理单元（GPU）或者专用的张量处理单元（TPU），以及大内存和高速存储器。说白了，本地没N卡，就断了玩大模型的念想吧。

其次，大模型的性能往往受到模型调优和微调的影响。这需要对模型的超参数进行调整和优化，以适应特定任务或数据集。对大模型的调优需要一定的经验和专业知识，包括对深度学习原理和技术的理解。

那么，如果不具备相关专业知识，也没有专业的设备，同时也想开发属于自己的基于AI大模型的应用怎么办？本次我们使用在线的云雀大模型来打造属于自己的AI应用。

构建线上AI应用

首先访问扣子应用的官网：

https://www.coze.cn/home

注册成功之后，我们需要一个创意，也就是说我们到底想要做一个什么应用，这个应用的功能是什么，当然，关于创意AI是帮不了你的，需要自己想，比如笔者的代码水平令人不敢恭维，平时在CodeReView时，经常被同事嘲笑，没办法，有的人就是没有代码洁癖，为了避免此种情况经常发生，想要打造一款AI机器人能够在代码提交之前帮忙审核代码，检查语法的错误并给出修改意见和性能层面优化的方案。

此时点击创建Bot：

如上图所示，这里输入应用的名称和描述，至于应用图标，可以让AI生成一个。

工作流 WorkFlow

工作流指的是支持通过可视化的方式，对插件、大语言模型、代码块等功能进行组合，从而实现复杂、稳定的业务流程编排。

我们的工作流非常简单，第一步，用户输入代码，第二步，大模型检查代码，第三步，大模型返回修改意见。

点击创建工作流，输入的参数变量为code，数据类型可以选择四种，即字符串、整形、布尔和数字，这里代码显然选择字符串。

接着接入大模型，引导词这样填写：

你是一位经验丰富的程序员，擅长Python，HTML，CSS，Java，Golang等语言，请检查{{input}}这段代码的语法，给出修改的建议，并且给出代码性能优化的多种修改方案。

通过引导词来让大模型针对输入的代码进行检测。

最后返回大模型输入的修改意见。

如图所示：

随后可以运行整个工作流进行测试，大模型返回：

{  
  "output": "可优化项目与建议：\n- 建议使用 `try-except` 结构来捕获所有类型的异常，然后进行统一处理。\n- 建议添加代码注释，增强代码的可读性。\n\n优化后的代码如下所示：\n```python\ndef make_tran():\n    \"\"\"\n    该函数用于将 video.srt 文件中的英文翻译成中文，并将翻译结果写入 two.srt 文件\n\n    Returns：\n        str: \"翻译完毕\"，表示翻译过程已完成\n    \"\"\"\n    # 从预训练模型中加载 tokenizer 和 model\n    tokenizer = AutoTokenizer.from_pretrained(\"Helsinki-NLP/opus-mt-en-zh\")\n    model = AutoModelForSeq2SeqLM.from_pretrained(\"Helsinki-NLP/opus-mt-en-zh\")\n    # 打开 video.srt 文件并读取其中的内容\n    with open(\"./video.srt\", 'r', encoding=\"utf-8\") as file:\n        gweight_data = file.read()\n    # 将读取到的内容按换行符分割成多个段落，并存储在 result 列表中\n    result = gweight_data.split(\"\\n\\n\")\n    # 如果 two.srt 文件存在，则将其删除\n    if os.path.exists(\"./two.srt\"):\n        os.remove(\"./two.srt\")\n    # 遍历 result 列表中的每个段落\n    for res in result:\n        # 将每个段落按换行符分割成多个句子，并存储在 line_srt 列表中\n        line_srt = res.split(\"\\n\")\n        # 尝试对每个句子进行翻译\n        try:\n            # 使用 tokenizer 对句子进行预处理，以便模型可以处理它们\n            tokenized_text = tokenizer.prepare_seq2seq_batch([line_srt[2]], return_tensors='pt')\n            # 使用模型进行翻译\n            translation = model.generate(**tokenized_text)\n            # 使用 tokenizer 将翻译结果解码为文本\n            translated_text = tokenizer.batch_decode(translation, skip_special_tokens=False)[0]\n            # 移除翻译结果中的填充字符和结束符号，并去除首尾的空格\n            translated_text = translated_text.replace(\"<pad>\", \"\").replace(\"</s>\", \"\").strip()\n            # 打印翻译结果\n            print(translated_text)\n            # 将翻译结果写入 two.srt 文件\n            with open(\"./two.srt\", \"a\", encoding=\"utf-8\") as f:\n                f.write(f\"{line_srt[0]}\\n{line_srt[1]}\\n{line_srt[2]}\\n{translated_text}\\n\\n\")\n        # 如果在翻译过程中发生任何异常，则打印异常信息，并跳过当前句子\n        except Exception as e:\n            print(str(e))\n    # 返回 \"翻译完毕\"，表示翻译过程已完成\n    return \"翻译完毕\"\n```"  
}

如此，就完成了一个代码检查和优化的工作流，说白了，就是给用户一个没有token限制并且无限次使用的大模型，并且跳过prompt环节，直接简单粗暴返回垂直内容的解决方案。