大模型应用开发实战基础

1. 背景

大模型如日中天，各行各业都受它影响，但是作为程序员，除了让它翻译代码不知道用它干什么，就像是拿着锤子的木匠，找不到钉子在哪。一边听着别人说2024是AI元年，一边又不知所措，很多时候对着ChatGPT的输入框不知道干什么。作为程序员，应该是接触AI的一线战士，但是很无力的感觉要被AI淘汰了一样。有人说懂 AI、懂编程、懂业务的超级个体，会是 AGI 时代最重要的人，本文我们从程序员视角去认识AI，去看看我们怎么去深入理解和应用AI，如何成为一个AI全栈工程师。

2. 大模型的知识体系

大模型可以分成下面几个方向：

1. 交付：向量数据库，GPU等偏运维方向
2. 产品：主要是负责用户体验和商业逻辑
3. Fine-tuning：微调为主，但是要懂机器学习，Transformer，大模型训练，微调原理等
4. 开发框架和工具栈：主要是基于Langchain等进行Agent框架开发，比如开发一个类似百度千帆平台，豆包AI平台等
5. RAG：Embedding，从关键词搜索转换为向量思索，为大模型基座提供外界知识库
6. API：用微调提升prompt的稳定性
7. AI编程：帮助开发者使用AI提效，甚至开发AI程序员
8. prompt：思维链，prompt调优，prompt攻防等

3.AI能干什么？

我们可以让大模型帮我们做很多事情，而且很多事情在输入框中用聊天的方式就可以解决：

1. 按格式输出
2. 分类
3. 聚类
4. 持续互动
5. 解决技术相关问题
6. 舆情分析
7. 坐席质检
8. 故障解释 既然聊天框就可以解决问题，我们还需要什么？很多场景我们无法去聊天框输入去问答案，比如说代码补全工具，比如我们要做一个产品，语音转文本场景，想让转化出的文本进行一些优化，也不能让用户复制粘贴去干，需要我们的程序能自动去问大模型。本文我们简单介绍一些大模型API交互的方式。

4. 什么是大模型

下面用程序演示「生成下一个字」。可以自己修改 prompt 试试。还可以使用相同的 prompt 运行多次。

ini
复制代码
`from openai import OpenAI`
`import os`

`from dotenv import load_dotenv, find_dotenv`
`_ = load_dotenv(find_dotenv())`

`client = OpenAI()`

`prompt = "今天天气很"  # 改明天试试`
`response = client.completions.create(`
    `model="gpt-3.5-turbo-instruct",`
    `prompt=prompt,`
    `max_tokens=20,`
    `stream=True`
`)`

`for chunk in response:`
    `print(chunk.choices[0].text, end='')`

大模型通俗的讲就是根据上文，猜下一个词（的概率）：

用通俗不严谨的语言再稍微深入描述大模型的工作原理：

1. 大模型可是个爱学习的小家伙，它把人类说过的话都记在了心里。这就是我们说的「机器学习」，而它学习的过程，我们叫它「训练」。
2. 它还特别擅长记概率，把一串接一串的token可能跟着的token都记录下来了。这些记录，就是我们说的「参数」，也可以叫做「权重」。
3. 给它几个token，它就能猜出下一个最可能的token是啥。这个过程，我们叫做「生成」，也有人叫它「推理」
4. 用它生成的token，再结合之前的上下文，它就能继续猜下去，就像搭积木一样，一块接一块，搭出更多的文字。

那Token又是什么呢？再用通俗的语言描述一下：

1. 可能是一个英文单词，也可能是半个，三分之一个。可能是一个中文词，或者一个汉字，也可能是半个汉字，甚至三分之一个汉字
2. 大模型在开训前，需要先训练一个 tokenizer 模型。它能把所有的文本，切成 token

5. 调用openai api

作为程序员，接下来我们用api和大模型交互。

先安装OpenAI Python 库：

css
复制代码
pip install --upgrade openai

发送一条消息：

ini
复制代码
from openai import OpenAI
import os
# 加载 .env 文件到环境变量

from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv())

# 初始化 OpenAI 服务。会自动从环境变量加载 OPENAI_API_KEY 和 OPENAI_BASE_URL
client = OpenAI()
# 消息格式
messages = [
    {
        "role": "system",
        "content": "你是AI编程助手小瓜，将我输入的Java代码转换为TS代码，回答ts语法相关的问题"
    },
    {
        "role": "user",
        "content": "ts有几种基本类型数据"
    },

]

# `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)

6. 总结

本文为程序员提供了大模型应用开发的实战指南，从理解AI的基础知识体系到实际应用场景，涵盖了从运维交付到产品开发、微调技术、开发框架、RAG技术、API使用和AI编程等多个方面。文章通过示例代码展示了如何使用OpenAI API与大模型进行交互，解释了大模型的工作原理和Token的概念，并强调了程序员在AI时代成为全栈工程师的重要性，以适应技术发展和行业变革的需求。