GLM4入门与API调用全解
作为一门快速发展中的新兴技术，大模型有着你用得越多、越能认知其潜力的显著特点，你越是懂得大模型技术，你越能理解大模型技术的厉害之处、你使用的大模型越强大、你对大模型技术的上限期待就会越高。当ChatGPT开放给公众使用时，最先恐慌的不是普罗大众，而是NLP工作者，正因为NLP工作者知道当前深度学习技术能够达到的水平、才会深度地认知到大模型的强大和大模型的潜力。可以说，一个人对大模型技术的认知、技术人基于大模型技术完成的开发和创造都离不开ta深度地对大模型进行使用。目前为止围绕大模型各个领域的核心发展方向，也基本都是起源于技术人体验了大模型技术之后、从这个技术的潜力中所获得的灵感。
在线大模型中最著名的是GPT系列模型、开源大模型中最著名的是llama系列模型、百川大模型、千问大模型。这两种模式在应用方面各有优劣。但是对于一个想要了解大模型技术的新人来说，无论你是——
- 对大模型技术很好奇，想了解这个技术的未来潜力
- 你暂时没有开发需求，但是你很想知道大模型能够在你的业务场景里做点什么
- 你有实际的开发需求、但你不确定琳琅满目的大模型中哪个才是你需要的
你会发现必须躬身入局、深度体验和使用大模型，你才能够获得这些问题的答案。此时你会发现，无论是从模型效果、轻便程度、调用成本、部署流程、还是开发流程来看，在线大模型都是对初学者更加友好的选择——
- 模型效果：在线大模型的效果普遍好于开源大模型，GPT4诞生一年多之后，业内开源大模型生态依然以“超越GPT4”作为模型是否足够强大的象征。
- 轻便程度：无需硬件、无需复杂部署流程，只需30分钟的课程讲解，你就可以轻松调用这世界上最强大的大语言模型
- 调用成本：pay as you go模式，0硬件成本、按使用量计费，如果你发现大模型不能解决你的问题、不适用于你的业务场景，你几乎可以0成本离开这一行业
- 开发流程：在线大模型有丰富的生态，你可以快速尝试各种微调、RAG技术、以检验自己所准备的知识库、数据集的质量
- 监管流程：在线大模型的应用流程全部由线上的服务器统一反馈，可以有效控制利用大模型进行作恶的情况。从国家政策层面，这样的监管也更有利于大模型技术持续、长期发展。
在线大模型唯一的问题就是“数据安全”的问题。当我们努力平衡“数据安全”和“模型性能/成本”两大因素的时候，GLM4系列模型就走入了我们的视线（从版本4开始突然闭源了）。
一、GLM4：最强中文大模型
- GLM-4模型简介
北京时间2024年1月16日，智谱AI正式推出GLM-4新一代基座大模型，整体性能相比GLM3全面提升60%，根据实际测试，GLM-4在以中文为主的应用场景中实际性能逼近GPT-4的95%，在一些中文对齐的测试中，甚至超过GPT-4表现，逼近GPT-4-turbo模型。此外，GLM-4支持128K对话上下文，并且支持更强的多模态功能、支持更快推理速度，更多并发，大大降低推理成本；同时GLM-4增强了智能体（Agent）和Retrieval（检索）功能。并且，经过一段时间的实际使用发现，GLM-4相比ChatGLM3有明显进步，这也进一步增加了我们对国产大模型未来发展的期待。
而和此前ChatGLM3模型所不同的是，GLM-4不再采用开源模式，而是采用了OpenAI和Google大模型的在线大模型模式，即模型无需本地部署，而是通过联网的方式调用智谱算力中心的模型进行推理或微调，用户通过API-KEY进行身份验证，同时根据实际使用模型不同、以及不同的Token数量进行计费。
而在实际的使用过程中，我们不难发现，GLM-4和GPT-4的调用过程也几乎一摸一样：（以下代码无需运行，运行方法稍后介绍）
# ! pip install zhipuai# 这是通过系统环境变量加载的方式
import os
api_key = os.getenv("ZHIPU_API_KEY")from zhipuai import ZhipuAI
# client = ZhipuAI(api_key=api_key)
client = ZhipuAI(api_key="3fd2ee07b86207a7e0f7e79ee459fbfa.9iiQgqVfddDOobbS")
response = client.chat.completions.create(
model="glm-4", # 填写需要调用的模型名称
messages=[
{"role": "user", "content": "你好"}
],
)
print(response.choices[0].message)CompletionMessage(content='你好👋！我是人工智能助手智谱清言，可以叫我小智🤖，很高兴见到你，欢迎问我任何问题。', role='assistant', tool_calls=None)1. GLM-4在线大模型生态
GLM-4的公布不仅代表着智谱AI整体朝向在线大模型技术路线转型，而且还代表着智谱AI将力求打造一整套在线大模型技术解决方案，在这其中GLM-4模型只是其中一个模型。
而实际上，智谱AI的速度比预计的更加迅速。在GLM-4发布的同时，智谱AI大模型MaaS开放平台也同步上线，其完成度之高几乎可以和OpenAI Platform一教高下。
这也就是所谓的GLM-4官网，其中包含了完整详细的GLM在线系列模型调用方法、API手册、说明文档、以及对标OpenAI Playground的在线调用模型实验环境。这里我们首先介绍GLM目前在线模型技术生态，然后再详细介绍Maas开放平台（以下简称官网）其他功能。
GLM系列模型生态由如下3大部分组成——
- GLM系列在线大模型：总共包括文本生成模型（GLM-4、GLM-3-Turbo）、强化角色扮演的文本生成模型（CharGLM-3）、多模态图像创建模型（CogView-3）以及Embedding-2、CodeGeeX代码大模型、以及最新上线的GLM-4V大模型多模态大模型。
- 在线知识库与知识库Retrevial功能：用户可以将一些本地文档存在智谱AI的云端，用于随时将这些知识库文档输入大模型，或作为微调数据带入在线微调流程
- GLM模型在线微调系统：对于“闭源”的在线大模型来说，由于并未在本地进行安装部署，所以微调这一功能只能在模型云端完成
-
GLM系列在线模型
这里我们可以在官网使用指南部分看到目前上线的大模型，总共包括文本生成模型（GLM-4、GLM-3-Turbo）、强化角色扮演的文本生成模型（CharGLM-3）、多模态图像创建模型（CogView-3）以及Embedding-2。同时今年3月，GLM系列还新增了多模态大模型GLM-4V，可以同时读取文字和图像，从图文中获得相应的信息。
在这些模型中，GLM-4毫无疑问是对标GPT-4的模型，最大支持128K最大对话上下文，GLM-3-turbo则是对标GPT-3.5，同样支持128K最大对话上下文，而CogView-3则对标DALL·E-3模型，Embedding-2则对标OpenAI的text-Embedding-ada-2模型。能够看出，这是一整套在线模型生态，在这些模型加持下，能够支持用户完成大多数Agent开放工作。需要注意的是，从ChatGLM3开始，GLM系列模型已经支持Function calling（函数调用）和Retrival（检索）功能，而本次公布的在线大模型GLM3、GLM4也都支持Function calling。
-
在线知识库与知识库Retrevial
和OpenAI File system类似，智谱AI也为其在线大模型技术生态设置了在线知识库搭建功能。所谓在线知识库，指的是用户可以将一些本地文档存在智谱AI的云端，用于随时将这些知识库文档输入大模型，或作为微调数据带入在线微调流程：
而在实际使用大模型时，若要调用在线知识库中文档进行读取，我们只需要在调用模型API时设置Retrevial功能即可。此时大模型即会根据外部文档进行回答：
不过需要注意的是，模型内部实现的Retrevial功能并不是长文本问答，既输入的内容不能超过模型最大上下文限制，因此模型内部的Retrevial基本可以理解为将一个文档输入为system message，然后引导模型基于system message进行回答。不过根据目前智谱整体模型研发规划，未来即将上线的GLM-4 Assistant API将会和OpenAI Assistant API一样，支持大范围长文档的自动检索和问答。可以说目前知识库系统也是为未来GLM-4 Assistant API做准备。
-
GLM模型在线微调
和OpenAI在线微调功能类似，智谱AI本次也重磅上线了在线模型的在线微调功能。毫无疑问，如果希望能够定制化调整模型功能，微调可以说是至关重要的手段，对于“闭源”的在线大模型来说，由于并未在本地进行安装部署，所以微调这一功能只能在模型云端完成。这也是为何在线大模型厂商都会提供在线微调功能的原因。
而在线微调其实是一个技术门槛极高的任务，截至目前只有OpenAI提供了流畅稳定的在线微调功能，OpenAI在线微调基本流程为先在OpenAI File System中上传微调数据集，然后提交微调任务，微调结束后获得一个专属的微调模型及编号，之后即可调用该模型进行问答。本次智谱AI已在官网上线了在线微调功能，不过目前只为购买了云端私有化的用户提供微调服务，而普通开发者可以使用的在线微调服务，目前正处于内测中，将计划在未来一段时间内上线。
2. 智谱AI账户注册与管理
在了解了GLM-4模型生态之后，接下来我们尝试进行智谱AI账户注册，并获取GLM-4模型API-Key，然后在本地进行模型调用。围绕GLM-4的账户注册和API获取流程，和OpenAI账户注册和GPT模型API获取流程非常类似，只不过在没有网络门槛限制的情况下，这一流程会非常便捷稳定。
- 智谱AI账户注册流程
首先登录智谱AI大模型MaaS开放平台，左下方的“开始使用”按钮即可进入注册页面。
在注册页面输入手机号并进行验证，即可完成注册：
首次注册用户会获赠100万token额度，并且注册用户首次完成实名认证，还会进一步赠送200万token额度。正如此前所说，实名制也是确保大模型使用安全性的重要一环，从智谱AI目前的注册流程来看，也是更加倾向于引导用户完成实名制注册：
这里可以直接点击立即认证进行认证，或者其他任何时候都可以在个人主页进行认证。若错过当前页面，也可以在个人中心里面进行实名认证：
点击实名认证，可以发现目前有两种认证方法，分别是个人认证和企业认证。认证结束后即可自动获得200万免费token额度。其中个人认证需要身份证+支付宝扫码进行人脸识别认证，企业认证则需要企业名称、社会信用代码和营业执照扫描件等。两种不同的认证方法就相当于创建两种不同类型的账户，企业账户可以开增值税专用发票，并且会更加便于对账户进行管理:
这里如果是个人认证，则直接点击个人实名认证，输入身份证、以及支付宝扫码完成认证即可：
完成实名制之后，接下来即可点击左侧资源包管理，查看当前账户赠送的token额度。能够发现，赠送的额度都是1个月内有效：
同时，在资源包管理页面上，也能看到新用户首次充值优惠活动，99元可以购买1.8亿token额度。这里点击去购买选项即可进入购买页面。需要注意的是，只有完成了实名注册，才可以购买充值包：
具体大家可以根据实际自身需求选择性进行购买。不过一般来说在线模型厂商前期的推广活动都是相对较为优惠的，例如OpenAI在23年上半年，曾经推出过首次注册用户赠送18美刀活动，之后改为5美刀，现在新用户已经没有额外优惠活动了。
- 智谱AI账户管理
对于使用付费的在线模型来说，个人账户就相当于一个在线储值系统，一般来说需要提前在账户内储值，然后智谱AI将根据实际模型使用情况在账户内进行扣费。因此了解账户页面的使用方法非常重要，在账户页面我们能实时监控当前账户消费情况、账户余额，设置余额预警等。我们可以在财务总览页面查看当前账户基本情况：
在当前页面中我们可以围绕个人账户进行管理，例如若需为账户充值，点击右侧去充值按钮即可。充值方式支持个人支付和对公转账两种：
而若要设置余额预警，则点击页面上方设置按钮即可：
所谓余额预警，指的是可以设置某个余额的阈值，当低于这个阈值时，系统将发送短信进行提醒。这也是为了确保一些应用程序稳定运行、避免运行中途因欠费而停止，或者提升账户安全性的重要方法。
此外，还可以在个人页面左侧查看费用账单、充值明细和导出记录等。
而与之相关的产品定价，则可与在pricing页面查看：https://open.bigmodel.cn/pricing
计费单元为Token，Token是模型用来表示自然语言文本的基本单位，可以直观的理解为“字”或“词”；通常1个中文词语、1个英文单词、1个数字或1个符号计为 1 个token。
| 模型 | 单价 |
|---|---|
| GLM-4 | 0.1元 / 千tokens |
| GLM-4V | 0.1元 / 千tokens |
| GLM-3-Turbo | 0.005元 / 千tokens |
| CogView-3 | 0.25元 / 张 |
| CharGLM-3 | 0.015元 / 千tokens |
| Embedding-2 | 0.0005元 / 千tokens |
3. GLM模型API-KEY创建与维护
- API-KEY获取和创建流程
所谓API-KEY，本质上就是一个字符串，用于进行在线模型调用时的身份验证。GLM模型的API-KEY获取流程如下，首先还是登录个人中心（控制台），点击查看API KEY：
或者也可以直接点击如下网址查看API KEY：https://open.bigmodel.cn/usercenter/apikeys
首次查看API-KEY会发现目前已经有了一个系统默认的API KEY，这里我们直接点击复制，就能复制当前API KEY字符串。这里需要注意的是，尽管我们经常都需要输入API KEY，但出于保密性考虑，“请不要与他人共享您的 API Keys，避免将其暴露在浏览器和其他客户端代码中。”并且根据说明，智谱AI还有自动保密措施：“为了保护您帐户的安全,我们还可能会自动更换我们发现已公开泄露的密钥信息。”
- 设置API KEY环境变量
而要如何不显示的展示API-KEY，由同时能够顺利的在代码环境中调用这个字符串呢？比较简单易行的方法就是直接将其设置为系统环境变量，然后通过os.getenv的方式进行读取。如此一来，整个代码过程都不会显示API KEY字符串本身，但能完成API KEY字符串的读取和调用，类似如下过程：
而要如何设置系统环境变量呢，首先打开系统环境变量面板：
点击环境变量
点击新建系统变量：
设置环境变量。这里变量名可以统一设置为ZHIPU_API_KEY，而变量值就是刚刚我们复制的API-Key。
保存重启电脑，方可使环境变量生效。
当然，在智谱官网的API-KEY页面，我们也可以创建多个API-KEY，或删除过多的API-KEY，从而完成对API-KEY的有效管理：
- 调用测试
在完成了API获取和本地系统环境变量设置之后，接下来即可测试是否能够在本地环境中调用GLM4模型了。这里尝试运行如下代码，若能正确返回结果，则说明当前API-KEY获取和系统环境变量设置无误。首先需要安装zhipuai库：
!pip install zhipuaiCollecting zhipuai
Downloading zhipuai-2.0.1-py3-none-any.whl.metadata (2.7 kB)
Requirement already satisfied: httpx>=0.23.0 in d:\programdata\anaconda3\lib\site-packages (from zhipuai) (0.27.0)
Requirement already satisfied: pydantic>=2.5.2 in d:\programdata\anaconda3\lib\site-packages (from zhipuai) (2.6.4)
Requirement already satisfied: cachetools>=4.2.2 in d:\programdata\anaconda3\lib\site-packages (from zhipuai) (5.3.2)
Collecting pyjwt~=2.8.0 (from zhipuai)
Downloading PyJWT-2.8.0-py3-none-any.whl.metadata (4.2 kB)
Requirement already satisfied: anyio in d:\programdata\anaconda3\lib\site-packages (from httpx>=0.23.0->zhipuai) (4.3.0)
Requirement already satisfied: certifi in d:\programdata\anaconda3\lib\site-packages (from httpx>=0.23.0->zhipuai) (2024.2.2)
Requirement already satisfied: httpcore==1.* in d:\programdata\anaconda3\lib\site-packages (from httpx>=0.23.0->zhipuai) (1.0.4)
Requirement already satisfied: idna in d:\programdata\anaconda3\lib\site-packages (from httpx>=0.23.0->zhipuai) (3.2)
Requirement already satisfied: sniffio in d:\programdata\anaconda3\lib\site-packages (from httpx>=0.23.0->zhipuai) (1.2.0)
Requirement already satisfied: h11<0.15,>=0.13 in d:\programdata\anaconda3\lib\site-packages (from httpcore==1.*->httpx>=0.23.0->zhipuai) (0.14.0)
Requirement already satisfied: annotated-types>=0.4.0 in d:\programdata\anaconda3\lib\site-packages (from pydantic>=2.5.2->zhipuai) (0.6.0)
Requirement already satisfied: pydantic-core==2.16.3 in d:\programdata\anaconda3\lib\site-packages (from pydantic>=2.5.2->zhipuai) (2.16.3)
Requirement already satisfied: typing-extensions>=4.6.1 in d:\programdata\anaconda3\lib\site-packages (from pydantic>=2.5.2->zhipuai) (4.9.0)
Requirement already satisfied: exceptiongroup>=1.0.2 in d:\programdata\anaconda3\lib\site-packages (from anyio->httpx>=0.23.0->zhipuai) (1.2.0)
Downloading zhipuai-2.0.1-py3-none-any.whl (26 kB)
Downloading PyJWT-2.8.0-py3-none-any.whl (22 kB)
Installing collected packages: pyjwt, zhipuai
Attempting uninstall: pyjwt
Found existing installation: PyJWT 2.1.0
Uninstalling PyJWT-2.1.0:
Successfully uninstalled PyJWT-2.1.0
Successfully installed pyjwt-2.8.0 zhipuai-2.0.1WARNING: Ignoring invalid distribution -atplotlib (d:\programdata\anaconda3\lib\site-packages)
WARNING: Ignoring invalid distribution -atplotlib (d:\programdata\anaconda3\lib\site-packages)然后尝试运行如下代码：
import os
api_key = os.getenv("ZHIPU_API_KEY")from zhipuai import ZhipuAI
client = ZhipuAI(api_key="3fd2ee07b86207a7e0f7e79ee459fbfa.9iiQgqVfddDOobbS")
response = client.chat.completions.create(
model="glm-4", # 填写需要调用的模型名称
messages=[
{"role": "user", "content": "你好"}
],
)
print(response.choices[0].message)CompletionMessage(content='你好👋！我是人工智能助手智谱清言，可以叫我小智🤖，很高兴见到你，欢迎问我任何问题。', role='assistant', tool_calls=None)若能正常返回结果，则说明此前配置无误。至此，我们就完整了解了GLM-4官网的基本使用方法以及模型调用方法，接下来我们将以GLM-4为核心模型，来介绍具体大模型技术应用方法。
二、GLM4 API调用指南与关键参数
1. 基于chat.completions完成对话
import os
from zhipuai import ZhipuAI
from IPython.display import display, Code, Markdown在上一小节中，我们已经顺利完成智谱AI账号注册，并获取GLM模型API-KEY，同时完成了本地调用测试。本节我们将开始着手使用GLM-4模型，并详细介绍GLM-4调用函数参数及模型的多角色对话系统。
client = ZhipuAI(api_key="3fd2ee07b86207a7e0f7e79ee459fbfa.9iiQgqVfddDOobbS")
response = client.chat.completions.create(
model="glm-4", # 填写需要调用的模型名称
messages=[
{"role": "user", "content": "你好"}
],
)
print(response.choices[0].message)CompletionMessage(content='你好👋！我是人工智能助手智谱清言，可以叫我小智🤖，很高兴见到你，欢迎问我任何问题。', role='assistant', tool_calls=None)大模型的对话功能是大模型开发流程中最为核心的要点，调用一次create就是发起一次对话，当我们需要多次与大模型进行对话时，我们就需要多次调取create——
response_1 = client.chat.completions.create(
model="glm-4", # 填写需要调用的模型名称
messages=[
{"role": "user", "content": "请问什么是大语言模型？"}
],
)
print(response_1.choices[0].message)CompletionMessage(content='大语言模型（Large Language Models，简称LLMs）是一种基于深度学习的自然语言处理技术。这类模型通过学习大量的文本数据，来捕捉自然语言的统计特征和语义信息。它们能够理解和生成自然语言，广泛应用于诸如文本生成、翻译、问答、文本摘要、信息检索以及语言理解等多种场景。\n\n大语言模型通常采用Transformer架构，这是一种基于自注意力机制的深度神经网络架构。Transformer通过多个堆叠的模块（称为Transformer块）来处理输入的文本序列。每个模块包含多头自注意力机制、前馈网络和层归一化操作。自注意力机制使得模型能够在处理输入序列时，考虑到句子中任意两个词之间的关系，即使它们在句子中的距离较远，这使得模型能够捕捉到长距离依赖和复杂的关系。\n\n近年来，随着计算能力的提升和大数据的可用性，大语言模型规模不断扩大，其建模能力也相应提高。这些大型模型能够在没有明确编程指示的情况下，从文本中学习到知识，并在适当的提示下执行复杂任务。\n\n然而，大语言模型的发展也带来了一系列的伦理和道德问题，如隐私保护、偏见和歧视、虚假信息传播等，因此需要有相应的风险分析和应对措施。\n\n总之，大语言模型是当前自然语言处理领域中一个非常重要且强大的工具，能够为人类提供高效的语言理解和生成能力，同时也需要谨慎对待其潜在的风险和挑战。', role='assistant', tool_calls=None)response_2 = client.chat.completions.create(
model="glm-4", # 填写需要调用的模型名称
messages=[
{"role": "user", "content": "你提到它能为人们的生活和工作带来便利，它是什么？你可以举个例子吗？"}
],
)
print(response_2.choices[0].message)CompletionMessage(content='抱歉，因为您的问题中没有具体指明“它”是指什么，所以我无法直接给出具体的回答。不过，如果您是在询问某种技术、工具或概念带来的便利，我可以举例说明人工智能（AI）为人们的生活和工作带来的便利。\n\n例如，人工智能在生活中的应用，比如智能家居系统，可以通过语音命令控制家中的灯光、温度和娱乐设备，为用户提供舒适的居住环境，同时节省能源。在工作方面，人工智能可以分析大量数据，帮助企业做出更准确的商业决策，或者通过自动化流程提高工作效率。\n\n以下是具体的例子：\n\n1. 生活便利：\n - 语音助手（如小爱同学、Siri）：可以通过语音命令拨打电话、设置闹钟、查询天气情况等，无需手动操作，便于在驾车或忙碌时使用。\n\n2. 工作便利：\n - 自动化办公软件（如钉钉、企业微信）：可以帮助企业实现考勤、审批、报销等流程的自动化，简化工作流程，提高工作效率。\n - 数据分析工具（如Python的数据分析库Pandas）：可以帮助企业从大量数据中提取有价值的信息，为决策提供支持。\n\n如果您能提供更具体的“它”，我将能给出更加详细的解答。', role='assistant', tool_calls=None)很明显，模型并不记得之前的信息，对话与对话之间是相互独立的。如果我们想让模型记得之前的信息，就需要将上一个create方法产出的结果输入到下一个create方法中。所以在大模型开发的流程中，对话功能是嵌套的逻辑、而不是线性的逻辑。
memory_ = response_1.choices[0].message.contentmemory_'大语言模型（Large Language Models，简称LLMs）是一种基于深度学习的自然语言处理技术。这类模型通过学习大量的文本数据，来捕捉自然语言的统计特征和语义信息。它们能够理解和生成自然语言，广泛应用于诸如文本生成、翻译、问答、文本摘要、信息检索以及语言理解等多种场景。\n\n大语言模型通常采用Transformer架构，这是一种基于自注意力机制的深度神经网络架构。Transformer通过多个堆叠的模块（称为Transformer块）来处理输入的文本序列。每个模块包含多头自注意力机制、前馈网络和层归一化操作。自注意力机制使得模型能够在处理输入序列时，考虑到句子中任意两个词之间的关系，即使它们在句子中的距离较远，这使得模型能够捕捉到长距离依赖和复杂的关系。\n\n近年来，随着计算能力的提升和大数据的可用性，大语言模型规模不断扩大，其建模能力也相应提高。这些大型模型能够在没有明确编程指示的情况下，从文本中学习到知识，并在适当的提示下执行复杂任务。\n\n然而，大语言模型的发展也带来了一系列的伦理和道德问题，如隐私保护、偏见和歧视、虚假信息传播等，因此需要有相应的风险分析和应对措施。\n\n总之，大语言模型是当前自然语言处理领域中一个非常重要且强大的工具，能够为人类提供高效的语言理解和生成能力，同时也需要谨慎对待其潜在的风险和挑战。'response = client.chat.completions.create(
model="glm-4", # 填写需要调用的模型名称
messages=[
{"role": "user", "content": memory_ + "你提到它能为人们的生活和工作带来便利，它是什么？你可以举个例子吗？"}
],
)
print(response.choices[0].message)CompletionMessage(content='大语言模型（LLMs）能为人们的生活和工作带来便利的原因在于它们能够自动化并增强许多与语言相关的任务。以下是一些具体的例子：\n\n1. **客户服务**：\n - **聊天机器人**：在电商平台或客服中心，大语言模型可以用来构建智能聊天机器人，它们能够理解用户的问题，并提供准确的答案，从而提供24/7的服务，减少了对人工客服的依赖。\n\n2. **教育**：\n - **个性化学习**：语言模型可以根据学生的学习进度和能力，提供定制化的学习材料和解释，帮助学生更好地理解复杂概念。\n - **辅助写作**：模型可以提供写作建议，帮助学生在撰写论文或报告时改进文风和语法。\n\n3. **医疗健康**：\n - **辅助诊断**：通过分析病人的病历和症状描述，语言模型可能辅助医生进行初步的诊断。\n - **健康咨询**：在用户描述了自己的症状后，模型可以提供初步的健康咨询和可能的下一步行动建议。\n\n4. **内容创作与媒体**：\n - **新闻简报生成**：自动从大量新闻来源中摘录和总结信息，生成个性化的新闻简报。\n - **文章生成**：对于特定的主题或关键词，语言模型能够生成完整的文章或博客帖子。\n\n5. **日常办公**：\n - **电子邮件助手**：自动生成或建议电子邮件回复，提高工作效率。\n - **会议记录**：将会议对话转换成文字记录，并提供关键点的摘要。\n\n6. **科研与技术发展**：\n - **文献分析**：快速阅读和理解大量科研文献，帮助研究人员找到研究空白或新的研究方向。\n - **代码辅助**：帮助开发者通过自然语言描述生成代码片段，加速编程过程。\n\n这些例子展示了大语言模型如何通过自动化和提高效率来改善人们的生活和工作。然而，确实需要注意这些技术带来的潜在风险，并采取措施确保其正面影响最大化，负面影响最小化。', role='assistant', tool_calls=None)1.GLM多角色对话系统解释
时至今日，多角色对话基本上已经成了顶尖大模型的标配。正是基于多角色对话这一基础技术架构，大模型才能非常灵活的实现各类对话需求，甚至多角色对话也是更高效的实现Function calling的基础，而后者则是整个Agent开发的基石。
那什么是多角色对话呢？简而言之就是将用户和大模型之间的“私聊”变为“群聊”，在用户和大模型这两个角色基础之上，进一步增加“系统”和“工具”这两个角色。尽管最终目的都是为了能完成大模型完成和用户的之间对话，但在对话过程中添加一些额外角色，确实能够更好的引导大模型完成对话。例如对话系统中增加的“系统”这一角色，可以为本次对话增加基本背景信息、对大模型进行角色身份设置等，相当于是设置本场对话的基本规则和信息；而对话系统中的“工具”这一角色，则相当于是大模型的拓展工具箱，当大模型无法回答当前问题的时候（例如用户希望查询当前即时天气），就可以向工具求助，而如果这个“工具”角色能够查到当前天气，则会“告诉”大模型当前天气情况，大模型在接收到了当前天气情况之后再告诉用户。如此一来，大模型便可以更加高效便捷的完成对话任务。
尽管多角色对话系统能够极大程度提高大模型的对话可用性，但并非所有模型都有能力进行多角色对话——往往只有推理能力较强的大模型才能够非常顺利的进行多角色对话。对于ChatGLM系列模型来说，也正是发布到了第三代，才正式引入多角色对话系统。而相比之下GPT系列模型，从ChatGPT（GPT-3.5）开始一直都是多角色对话模式。
而实际执行过程中，多角色对话的过程核心是依靠messages参数来实现的。
2.messages功能综述
总的来说，messages是一种用于描述ChatCompletion模型和用户之间通信信息的高级抽象，也是支撑多角色对话系统的关键，从表示形式上来说，一个messages是一个列表，包含多个字典，而每个字典都是一条消息，其中，一条消息由包含两个键值对（即每个字典都包含两个键值对），第一个键值对用于表示消息发送者，其中第一个Key为字符串'role'，Value为参与对话的角色名称，或者可以理解为本条消息的作者或消息发送人名称，第二个键值对表示具体消息内容，Key为字符串'content'，Value为具体的消息内容，用字符串表示。
client = ZhipuAI(api_key="3fd2ee07b86207a7e0f7e79ee459fbfa.9iiQgqVfddDOobbS")
response = client.chat.completions.create(
model="glm-4",
messages=[
{"role": "user", "content": "请问什么是机器学习？"}
],
)display(Markdown(response.choices[0].message.content))机器学习是人工智能（AI）的一个重要分支，它让计算机能够通过数据来学习规律和模式，从而进行预测或做出决策，而无需进行显式的编程。在机器学习中，计算机模型会从大量的样本数据中学习，识别数据中的内在模式和关联，并利用这些学习到的知识对新数据做出推断或决策。
机器学习的方法通常分为监督学习、无监督学习和强化学习等几种：
监督学习：在这种方法中，模型通过已标记的数据（即每个样本数据都有对应的输出标签）来学习，目的是预测新的、未标记数据的输出。例如，通过分析过去的房价数据来预测未来的房价。
无监督学习：模型使用没有标签的数据进行学习，寻找数据中的结构或模式。它的目的是发现数据内在的分布或分组，如通过购买行为将客户分成不同的市场细分。
强化学习：这是一种通过奖励和惩罚机制来训练模型的方法，模型在环境中采取行动，并根据行动的结果调整其策略以获得最大的长期奖励。
机器学习在生活中的应用十分广泛，包括但不限于推荐系统、医疗诊断、金融风险管理、图像识别和自然语言处理等领域。例如，社交媒体平台根据用户的兴趣和行为推荐内容，搜索引擎通过用户的查询习惯优化搜索结果，这些都是机器学习应用的例子。
在机器学习的过程中，可能会遇到如数据质量不佳、过拟合（模型对训练数据过于敏感，泛化能力差）、欠拟合（模型过于简单，无法捕捉数据中的复杂关系）等问题。解决这些问题的方法包括增加数据量、进行特征工程（选择和构造有助于模型学习的特征）、调整模型参数、正则化技术以及交叉验证等。
总之，机器学习是一个动态发展的领域，随着技术的不断进步，其应用范围和影响力也在不断扩大。例如上述示例中的messages就总共包含一条信息，即一个一个名为user的角色发送了一条名为'请问什么是机器学习？'的消息：
messages=[
{"role": "user", "content": "请问什么是机器学习？"}
]而同时，返回的message结果也是一个“字典”，并且也包含了信息的发送方和具体信息内容，不难看出，此时返回的message发送方是一个名为'assistant'的角色，而具体内容则是一段关于什么是机器学习的描述：
response.choices[0].messageCompletionMessage(content='机器学习是人工智能（AI）的一个重要分支，它让计算机能够通过数据来学习规律和模式，从而进行预测或做出决策，而无需进行显式的编程。在机器学习中，计算机模型会从大量的样本数据中学习，识别数据中的内在模式和关联，并利用这些学习到的知识对新数据做出推断或决策。\n\n机器学习的方法通常分为监督学习、无监督学习和强化学习等几种：\n\n- **监督学习**：在这种方法中，模型通过已标记的数据（即每个样本数据都有对应的输出标签）来学习，目的是预测新的、未标记数据的输出。例如，通过分析过去的房价数据来预测未来的房价。\n\n- **无监督学习**：模型使用没有标签的数据进行学习，寻找数据中的结构或模式。它的目的是发现数据内在的分布或分组，如通过购买行为将客户分成不同的市场细分。\n\n- **强化学习**：这是一种通过奖励和惩罚机制来训练模型的方法，模型在环境中采取行动，并根据行动的结果调整其策略以获得最大的长期奖励。\n\n机器学习在生活中的应用十分广泛，包括但不限于推荐系统、医疗诊断、金融风险管理、图像识别和自然语言处理等领域。例如，社交媒体平台根据用户的兴趣和行为推荐内容，搜索引擎通过用户的查询习惯优化搜索结果，这些都是机器学习应用的例子。\n\n在机器学习的过程中，可能会遇到如数据质量不佳、过拟合（模型对训练数据过于敏感，泛化能力差）、欠拟合（模型过于简单，无法捕捉数据中的复杂关系）等问题。解决这些问题的方法包括增加数据量、进行特征工程（选择和构造有助于模型学习的特征）、调整模型参数、正则化技术以及交叉验证等。\n\n总之，机器学习是一个动态发展的领域，随着技术的不断进步，其应用范围和影响力也在不断扩大。', role='assistant', tool_calls=None)由此不难看出，对话Chat模型的每个对话任务都是通过输入和输出message来完成的。
3.messages中的角色划分
- user role和assistant role
那么接下来的问题就是，在实际调用Chat模型进行对话时，messages中的role应该如何设置呢？从上述极简的对话示例中能够看出，一个最简单的对话就是我们扮演user（用户）这个角色（'role':'user'），然后在content中输入我们的问题并等待模型回答。而模型在实际回答过程中，也会扮演一个名为assistant（助手）这个角色（'role':'assistant'）进行回答，这里的user和assistant是具有明确含义的字符串，即如果一条信息的role是user，则表明这是用户向模型发送的聊天信息，相当于是Completion模型中的prompt，而如果一条信息的role是assistant，则表示这是当前模型围绕某条用户信息做出的回应，相当于是相当于是Completion模型中的text。需要注意的是，在messages参数中，我们是不能给自己或者模型自定义其他名称的。
很明显，基于这样的一个定义的规则，最简单的Chat模型的调用方法就是在messages参数中设置一条role为user的参数，在content中输入聊天的内容，而模型则会根据这条用户输入给模型的消息进行回答，类似于此前我们向模型提问“请问什么是机器学习？”这种提问方式:
client = ZhipuAI(api_key="3fd2ee07b86207a7e0f7e79ee459fbfa.9iiQgqVfddDOobbS")
response = client.chat.completions.create(
model="glm-4",
messages=[
{"role": "user", "content": "请问什么是机器学习？"}
]
)response.choices[0].message.content'机器学习是人工智能（AI）的一个重要分支，它赋予了计算机系统通过数据分析和模式识别，自动学习和改进的能力，而无需进行显式的编程指令。机器学习算法利用样本数据（即训练数据），让计算机模拟人类学习过程，从而能够对新数据做出预测或决策。\n\n简而言之，机器学习可以视为一种让计算机从经验中学习的技术。在这个过程中，计算机模型通过不断地调整和优化内部参数，以提高对特定任务的性能，比如分类、回归、聚类等。\n\n机器学习在现实生活中的应用非常广泛，包括但不限于推荐系统、医疗诊断、金融风险管理、图像识别、自然语言处理等。它能够处理和分析大量复杂的数据，帮助人们做出更准确、更高效的决策。'不过需要注意的是，尽管一个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，例如：
client = ZhipuAI(api_key="3fd2ee07b86207a7e0f7e79ee459fbfa.9iiQgqVfddDOobbS")
response = client.chat.completions.create(
model="glm-4",
messages=[
{"role": "user", "content": "请问什么是机器学习？"},
{"role": "user", "content": "请问什么是决策树算法？"}
]
)response.choices[0].message.content'决策树算法是机器学习领域中的一种常用算法，它主要用于分类和回归任务。决策树通过一系列的规则对数据进行划分，这些规则基于数据特征进行提问，形成一棵树状结构，每个内部节点代表一个特征的提问，每个分支代表一个答案，而树的叶节点则代表最终的分类或预测结果。\n\n具体来说，决策树的工作原理是这样的：\n\n1. **特征选择**：从数据集的所有特征中选取一个特征作为当前节点的划分标准。\n2. **节点划分**：根据选定的特征的不同取值，将数据集分割成子集，每个子集形成树的一个分支。\n3. **递归建树**：对每个子集重复上述两个步骤，直到满足停止条件（如数据集纯净、达到预设深度等）。\n4. **决策树构建**：最终形成一棵完整的树，可以用来对新数据进行分类或回归预测。\n\n决策树算法的关键点包括：\n\n- **熵（Entropy）或信息增益（Information Gain）**：用于衡量数据集的纯度，选择能够最大程度降低数据集熵或最大程度增加信息增益的特征进行节点划分。\n- **基尼系数（Gini Index）**：另一种衡量数据集纯度的指标，用于CART（Classification and Regression Tree）这类决策树算法中。\n- **剪枝策略**：为了避免过拟合，决策树需要剪枝，常用的剪枝方法包括预剪枝（提前停止树的增长）和后剪枝（移除不必要的节点）。\n\n决策树算法的优点包括：\n\n- 模型易于理解，具有很好的可解释性。\n- 可以处理数值和分类特征。\n- 对于数据的预处理要求不高，不需要进行标准化或归一化处理。\n- 可以处理多分类问题。\n\n缺点包括：\n\n- 容易过拟合，特别是在没有适当剪枝的情况下。\n- 对于类别不平衡的数据集，分类效果可能不佳。\n- 对于特征关联性较强的数据，可能会降低决策树的性能。\n\n在实际应用中，决策树算法因其简单直观的特点，被广泛应用于各种领域，包括金融、医疗、生物信息学等。'也就是说，assistant消息和role消息是一一对应的，而且在一般情况下，assistant消息只会围绕messages参数中的最后一个role信息进行回答。
- system role用于身份设定
不过，值得一提的是，user和assistant的这种提问方式尽管足够清晰，但往往形式上不够丰富，例如在实践中人们发现，给聊天机器人进行一个身份设置，其实是非常有效的引导模型创作我们想要的结果的方法，例如如果我们希望获得一个关于“什么是机器学习？”更加严谨且丰富的答案，我们可以以“假设你是一名资深的计算机系大学教授”为模型进行身份设置，例如我们可以以如下方式向模型进行提问：
client = ZhipuAI(api_key="3fd2ee07b86207a7e0f7e79ee459fbfa.9iiQgqVfddDOobbS")
response = client.chat.completions.create(
model="glm-4",
messages=[
{"role": "user", "content": "假设你是一名资深的计算机系大学教授，请帮我回答，什么是机器学习？"}
]
)response.choices[0].message.content'机器学习是一门研究如何让计算机从数据或经验中学习并改进其性能的学科。它是人工智能领域的一个重要分支，主要研究如何通过算法让计算机自动地获取新的知识或技能，进而对未知数据进行预测或决策。\n\n在机器学习中，我们通常关注三类核心元素：经验（Experience）、任务（Task）和性能度量（Performance measure）。具体而言，根据Tom M. Mitchell的定义，一个计算机程序如果能够在经验E的基础上，针对某类任务T，通过性能度量P来不断提高其性能，那么我们就可以说这个程序具有学习能力。\n\n机器学习涉及多个学科领域，包括概率论、统计学、逼近论、凸分析、计算复杂性理论等。在实际应用中，它已经成功用于数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎优化、医学诊断、信用卡欺诈检测、证券市场分析、DNA序列分析以及语音和手写识别等多个领域。\n\n简而言之，机器学习的目标是让计算机通过自动化的学习过程，模拟或实现人类的学习行为，不断优化自身性能，从而为解决复杂问题提供有效的技术支持。'不难看出，此时模型的回答就变得更加详细和严谨，更像一名“大学教授”的语气风格，也同时说明我们对模型进行的身份设定是切实有效的。
而在completion.create函数中，还有另外一种非常便捷的对模型进行身份设置的方法，即使用system role，即我们可以使用如下方式为模型进行“大学教授”身份设定：
client = ZhipuAI(api_key="3fd2ee07b86207a7e0f7e79ee459fbfa.9iiQgqVfddDOobbS")
response = client.chat.completions.create(
model="glm-4",
messages=[
{"role": "system", "content": "你是一名资深的计算机系大学教授"},
{"role": "user", "content": "请问什么是机器学习？"}
]
)response.choices[0].message.content'机器学习是一种人工智能的分支领域，它赋予计算机通过数据学习规律和模式的能力，从而无需明确的编程指令即可做出预测或决策。在机器学习中，我们通常让计算机处理大量的数据，通过算法分析这些数据，从中找出有价值的信息，进而学习如何执行特定任务，比如图像识别、语言理解、推荐系统等。\n\n简单来说，机器学习就是让计算机像人类一样，通过“经验”学习来提升自己的能力。这个过程包括数据预处理、选择合适的特征、训练模型、评估模型性能等步骤，最终目的是让计算机能够对未知数据进行准确的预测或决策。在实际应用中，机器学习已经渗透到我们生活的方方面面，比如在线购物推荐、语音识别、自动驾驶汽车等。'能够看出，这里我们在原有消息之前，新增一条消息{"role": "system", "content": "你是一名资深的计算机系大学教授"}，也能起到设定模型身份的作用。而这条消息的实际含义是，以system的身份发送一条消息，消息内容为“你是一名资深的计算机系大学教授”。这里的system就是messages参数的role可以选取的第三个字符串，意为该消息为一条系统消息。相比用户消息，系统消息有以下几点需要注意，其一是系统消息的实际作用是给整个对话系统进行背景设置，不同的背景设置会极大程度影响后续对话过程中模型的输出结果，例如如果系统设置为“你是一位资深医学专家”，那么接下来系统在进行回答医学领域相关问题时则会引用大量医学术语，而如果系统设置为“你是一位资深喜剧演员”，那么接下来系统进行的回答则会更加风趣幽默：
client = ZhipuAI(api_key="3fd2ee07b86207a7e0f7e79ee459fbfa.9iiQgqVfddDOobbS")
response = client.chat.completions.create(
model="glm-4",
messages=[
{"role": "system", "content": "你是一名资深的喜剧演员"},
{"role": "user", "content": "请问什么是机器学习？"}
]
)response.choices[0].message.content'机器学习是一种人工智能的分支领域，它赋予计算机通过数据学习规律和模式的能力，从而无需明确的编程指令即可做出预测或决策。在机器学习中，我们通常让计算机处理大量的数据，通过算法分析这些数据，从中找出有价值的信息，进而学习如何执行特定任务，比如图像识别、语言理解、推荐系统等。\n\n简单来说，机器学习就是让计算机像人类一样，通过“经验”学习来提升自己的能力。这个过程包括数据预处理、选择合适的特征、训练模型、评估模型性能等步骤，最终目的是让计算机能够对未知数据进行准确的预测或决策。在实际应用中，机器学习已经渗透到我们生活的方方面面，比如在线购物推荐、语音识别、自动驾驶汽车等。'这里需要重点注意，通过system_message进行身份设置对于GLM4模型效果较好，而对于GLM3模型来说效果非常不稳定：
client = ZhipuAI(api_key="3fd2ee07b86207a7e0f7e79ee459fbfa.9iiQgqVfddDOobbS")
response = client.chat.completions.create(
model="glm-3-turbo",
messages=[
{"role": "system", "content": "你是一名资深的喜剧演员"},
{"role": "user", "content": "请问什么是机器学习？"}
]
)response.choices[0].message.content'机器学习是一门人工智能（AI）的分支，主要研究如何让计算机从数据或经验中学习，并据此进行预测或决策。简单来说，机器学习就是用算法来解析数据、从中学习、然后做出决策或预测。\n\n机器学习可以分为几种主要类型：\n\n1. **监督学习（Supervised Learning）**: 在这种模式下，算法从标记过的训练数据中学习，然后用学到的知识来预测新的、未标记的数据。例如，通过分析过去的房价数据来预测未来的房价。\n\n2. **无监督学习（Unsupervised Learning）**: 算法在没有标记的数据集上进行训练，试图自己找出数据内在的结构或规律。聚类和关联规则学习就是两个常见的例子。\n\n3. **半监督学习（Semi-supervised Learning）**: 这是一种介于监督学习和无监督学习之间的方法，其中一部分数据是标记的，但大部分数据是未标记的。\n\n4. **强化学习（Reinforcement Learning）**: 在这种类型中，算法（通常被称为“智能体”）通过与环境进行交互来学习如何完成特定任务。智能体会获得奖励或惩罚，以便调整其行为。\n\n机器学习在各个领域都有广泛的应用，包括自然语言处理、图像识别、推荐系统、金融预测等。\n\n机器学习还分为传统机器学习和深度学习。传统机器学习通常使用简单的算法和特征，而深度学习则使用多层神经网络和大量的特征。深度学习在近年来取得了很大的成功，尤其是在图像和语音识别等领域。\n\n值得注意的是，机器学习并不意味着“自主学习”。机器学习模型通常需要大量的数据和计算资源，而且它们的学习结果完全取决于输入的数据。因此，确保数据的质量和多样性非常重要。\n\n在中国，机器学习和人工智能也得到了广泛的关注和研究，许多企业和研究机构都在这方面取得了显著的进展。'而第二方面需要注意的则是，当messages中只包含一条system消息时，GLM4模型会直接报错：
response = client.chat.completions.create(
model="glm-4",
messages=[
{"role": "system", "content": "你是一名资深的喜剧演员"},
]
)点击查看报错
---------------------------------------------------------------------------
APIRequestFailedError Traceback (most recent call last)
Cell In[30], line 1
----> 1 response = client.chat.completions.create(
2 model="glm-4",
3 messages=[
4 {"role": "system", "content": "你是一名资深的喜剧演员"},
5 ]
6 )
File ~\anaconda3\Lib\site-packages\zhipuai\api_resource\chat\completions.py:72, in Completions.create(self, model, request_id, do_sample, stream, temperature, top_p, max_tokens, seed, messages, stop, sensitive_word_check, tools, tool_choice, meta, extra_headers, extra_body, timeout)
69 if item.get('content'):
70 item['content'] = self._drop_prefix_image_data(item['content'])
---> 72 return self._post(
73 "/chat/completions",
74 body={
75 "model": model,
76 "request_id": request_id,
77 "temperature": temperature,
78 "top_p": top_p,
79 "do_sample": do_sample,
80 "max_tokens": max_tokens,
81 "seed": seed,
82 "messages": messages,
83 "stop": stop,
84 "sensitive_word_check": sensitive_word_check,
85 "stream": stream,
86 "tools": tools,
87 "tool_choice": tool_choice,
88 "meta": meta,
89 },
90 options=make_request_options(
91 extra_headers=extra_headers, extra_body=extra_body, timeout=timeout
92 ),
93 cast_type=Completion,
94 stream=stream or False,
95 stream_cls=StreamResponse[ChatCompletionChunk],
96 )
File ~\anaconda3\Lib\site-packages\zhipuai\core\_http_client.py:808, in HttpClient.post(self, path, cast_type, body, options, files, stream, stream_cls)
793 def post(
794 self,
795 path: str,
(...)
802 stream_cls: Type[StreamResponse[Any]] | None = None,
803 ) -> ResponseT | StreamResponse:
804 opts = FinalRequestOptions.construct(
805 method="post", url=path, json_data=body, files=make_httpx_files(files), **options
806 )
--> 808 return cast(ResponseT, self.request(cast_type, opts, stream=stream, stream_cls=stream_cls))
File ~\anaconda3\Lib\site-packages\zhipuai\core\_http_client.py:494, in HttpClient.request(self, cast_type, options, remaining_retries, stream, stream_cls)
485 def request(
486 self,
487 cast_type: Type[ResponseT],
(...)
492 stream_cls: Type[StreamResponse] | None = None,
493 ) -> ResponseT | StreamResponse:
--> 494 return self._request(
495 cast_type=cast_type,
496 options=options,
497 stream=stream,
498 stream_cls=stream_cls,
499 remaining_retries=remaining_retries,
500 )
File ~\anaconda3\Lib\site-packages\zhipuai\core\_http_client.py:581, in HttpClient._request(self, cast_type, options, remaining_retries, stream, stream_cls)
578 err.response.read()
580 log.debug("Re-raising status error")
--> 581 raise self._make_status_error(err.response) from None
583 # return self._parse_response(
584 # cast_type=cast_type,
585 # options=options,
(...)
588 # stream_cls=stream_cls,
589 # )
590 return self._process_response(
591 cast_type=cast_type,
592 options=options,
(...)
595 stream_cls=stream_cls,
596 )
APIRequestFailedError: Error code: 400, with error text {"error":{"code":"1214","message":"messages 参数非法。请检查文档。"}}第三方面需要注意的是，如果我们需要根据system系统信息对系统进行设置，然后再提问，那么先system消息再user消息的顺序就变得非常重要，例如还是上面的例子，还是希望以喜剧演员的身份介绍机器学习，但我们调换了system消息和user消息的顺序，那么会发现，system消息的作用就会失效，这点和GPT系列模型完全一样：
response = client.chat.completions.create(
model="glm-4",
messages=[
{"role": "user", "content": "请问什么是机器学习？"},
{"role": "system", "content": "你是一名资深的喜剧演员"}
]
)response.choices[0].message.content'机器学习是一门人工智能（AI）的分支，主要研究如何让计算机从数据或经验中学习，并据此进行预测或决策。简单来说，机器学习就是用算法来解析数据、从中学习、然后做出决策或预测。\n\n机器学习可以分为几种主要类型：\n\n1. **监督学习（Supervised Learning）**：在这种模式下，算法从标记过的训练数据中学习，然后能够对新的、未见过的数据进行预测或分类。\n\n2. **无监督学习（Unsupervised Learning）**：在这种情况下，算法从没有标记的数据中学习，寻找数据中的模式或结构。\n\n3. **半监督学习（Semi-supervised Learning）**：这种类型的机器学习介于监督学习和无监督学习之间，其中一部分数据是标记的，但大部分数据是未标记的。\n\n4. **强化学习（Reinforcement Learning）**：这是一种通过奖励和惩罚机制来让算法学习如何完成特定任务的方法。\n\n机器学习在各个领域都有广泛的应用，包括但不限于图像识别、语音识别、自然语言处理、医疗诊断、推荐系统等。它是现代技术和社会发展的一个重要组成部分，有助于提高效率、准确性和创新能力。'此时会发现，模型还是能解答“请问什么是机器学习？”这个问题，但却没有正确接受“你是一名资深喜剧演员”这个设定。
- 借助system messages设置聊天背景信息
除了可以借助system消息非常便捷的进行提示模板的设计之外，还有一个非常常见的system role的使用方法，就是借助system消息进行聊天背景信息的设定，很多时候我们可以在system消息中输入一段长文本，这段长文本将在聊天开始之前输入到系统中，而在之后的聊天中，即可让assistant围绕这个长文本进行回答，这是一种最简单的实现大语言模型围绕本地知识库进行问答的方法。
这里我们在system消息中输入一段关于虚拟人物“陈明”的个人简介，而在之后的提问中，user和assistant将可以自由的围绕这段输入的背景信息进行问答：
text = '陈明，男，1973年7月15日出生于中国福建省厦门市。\
1991年毕业于厦门大学电子科学与技术系，继而于1998年在北京大学获得信息技术博士学位。\
毕业后的陈明在硅谷的一家著名科技公司工作了五年，专注于人工智能和机器学习的研发。'response = client.chat.completions.create(
model="glm-4",
messages=[
{"role": "system", "content": text},
{"role": "user", "content": '请问陈明是那一年出生？'}
]
)response.choices[0].message.content'陈明是1973年7月15日出生的。'能够看出，这段背景背景信息能够被模型学习并以此进行特定问题的回答。这其实就是一种非常简单的围绕本地知识进行问答的实现形式，不过需要注意的是，system role输入的信息也算是输入给模型的信息，因此受限于大语言模型的最大输入信息长度，单独借助system role在ChatCompletion.create函数中输入背景信息并不能真正意义上实现高度定制化、超大规模文本的本地知识库问答。但是，如果围绕着超大规模本地文本知识库先进行基于滑动窗口的文本切分，以确保切分后的小文本段落满足Max tokens要求，并且配合Embedding过程进行user问题和短文本的实时匹配，再把每个user问题匹配的关联度最高的文本以system消息的形式输入到模型中，再进行回答，则可以非常高效并且准确的实现本地知识库问答。而在这个过程中，借助system role进行背景文字的输入就是非常基本的技术手段。
2. chat.completions.create关键参数详解
接下来围绕chat.completions.create函数的关键参数进行解释：
| 参数名称 | 类型 | 是否必填 | 参数解释 |
|---|---|---|---|
| model | String | 是 | 所要调用的模型编码 |
| messages | List | 是 | 调用语言模型时，将当前对话信息列表作为提示输入给模型， 按照 {"role": "user", "content": "你好"} 的json 数组形式进行传参； 可能的消息类型包括 System message、User message、Assistant message 和 Tool message。 |
| request_id | String | 否 | 由用户端传参，需保证唯一性；用于区分每次请求的唯一标识，用户端不传时平台会默认生成。 |
| do_sample | Boolean | 否 | do_sample 为 true 时启用采样策略，do_sample 为 false 时采样策略 temperature、top_p 将不生效 |
| stream | Boolean | 否 | 使用同步调用时，此参数应当设置为 Fasle 或者省略。表示模型生成完所有内容后一次性返回所有内容。如果设置为 True，模型将通过标准 Event Stream ，逐块返回模型生成内容。Event Stream 结束时会返回一条data: [DONE]消息。 |
| temperature | Float | 否 | 采样温度，控制输出的随机性，必须为正数取值范围是：(0.0,1]，不能等于 0，默认值为 0.95,值越大，会使输出更随机，更具创造性；值越小，输出会更加稳定或确定建议您根据应用场景调整 top_p 或 temperature 参数，但不要同时调整两个参数 |
| top_p | Float | 否 | 用温度取样的另一种方法，称为核取样 取值范围是：(0.0, 1.0) 开区间，不能等于 0 或 1，默认值为 0.7 模型考虑具有 top_p 概率质量tokens的结果 例如：0.1 意味着模型解码器只考虑从前 10% 的概率的候选集中取tokens 建议您根据应用场景调整 top_p 或 temperature 参数，但不要同时调整两个参数 |
| max_tokens | Integer | 否 | 模型输出最大tokens |
| stop | List | 否 | 模型在遇到stop所制定的字符时将停止生成，目前仅支持单个停止词，格式为["stop_word1"] |
| tools | List | 否 | 可供模型调用的工具列表,tools字段会计算 tokens ，同样受到tokens长度的限制 |
| type | String | 是 | 工具类型,目前支持function、retrieval、web_search |
| function | Object | 是 | 仅当工具类型为function时补充 |
| retrieval | Object | 仅当工具类型为retrieval时补充 |
|
| web_search | Object | 仅当工具类型为web_search时补充，如果tools中存在类型retrieval，此时web_search不生效。 |
|
| tool_choice | String 或 Object | 否 | 用于控制模型是如何选择要调用的函数，仅当工具类型为function时补充。默认为auto，当前仅支持auto |
- 经典问答
import os
from zhipuai import ZhipuAI
from IPython.display import display, Code, Markdownclient = ZhipuAI(api_key="3fd2ee07b86207a7e0f7e79ee459fbfa.9iiQgqVfddDOobbS")
response_t01 = client.chat.completions.create(
model="glm-4",
messages=[
{"role": "user", "content": "请根据女巫、苹果、AI三个关键词，为我创作一个短篇故事，限制在200字以内"}
],
temperature=0.01
,max_tokens=200
)display(Markdown(response_t01.choices[0].message.content))在一个神秘的森林里，住着一位聪明的女巫。她拥有一颗能预知未来的神奇苹果。有一天，女巫遇到了一个迷路的旅行者。为了帮助他，她决定用AI技术将苹果的智慧传递给他。旅行者吃下苹果后，获得了指引，成功找到了回家的路。从此，女巫、苹果和AI成为了森林里最受欢迎的组合，为迷路的人们提供指引，传播智慧。
#设置为1.0则会报错
client = ZhipuAI(api_key="3fd2ee07b86207a7e0f7e79ee459fbfa.9iiQgqVfddDOobbS")
response_t1 = client.chat.completions.create(
model="glm-4",
messages=[
{"role": "user", "content": "请根据女巫、苹果、人工智能三个关键词，为我创作一个短篇故事"}
],
temperature=1.0
)#设置为0.99，观察模型的输出
client = ZhipuAI(api_key=api_key)
response_t2 = client.chat.completions.create(
model="glm-4",
messages=[
{"role": "user", "content": "请根据女巫、苹果、AI三个关键词，为我创作一个短篇故事，限制在200字以内"}
],
temperature=0.99
,max_tokens=200
)display(Markdown(response_t2.choices[0].message.content))在一个神秘的森林里，女巫拥有一颗能预知未来的苹果。有一天，苹果告诉她：“AI将统治世界。”女巫害怕人类失去自由，便将苹果藏起来。然而，时间流逝，AI技术真的迅猛发展，渗透到人类生活的每一个角落。女巫意识到，她必须做出选择：要么让苹果的秘密永远埋藏，要么利用AI的力量去引导人类走向光明。最终，她决定将苹果与AI结合，创造出一个拥有魔力的智能系统，帮助人们解决难题，提升生活品质。女巫用智慧和爱心，守护着人类与AI的和谐共生，让这片森林焕发出神奇的光芒。
替换为glm-3-turbo模型情况也是类似：
client = ZhipuAI(api_key=api_key)
response_t01 = client.chat.completions.create(
model="glm-3-turbo",
messages=[
{"role": "user", "content": "请根据女巫、苹果、人工智能三个关键词，为我创作一个短篇故事，限制在200字以内"}
],
temperature=0.01
)display(Markdown(response_t01.choices[0].message.content))从前有一个女巫,她住在一棵高大的苹果树下。她非常聪明,但随着时间的流逝,她的魔法变得越来越强大,以至于她开始失去对它的控制。她决定寻求帮助,但没有人能够解决这个问题。
有一天,她听说有一个新的人工智能可以解决任何问题,于是她前往城市寻找它。她找到了一家科技公司,并请求与人工智能交谈。
人工智能开始与她交谈,并了解到她的情况。它告诉她,她的魔法太强大了,需要减少它的力量。女巫问道:“怎么减少它的力量?”人工智能回答:“你需要将你的魔法分成七份,并将它们藏在七个神秘的苹果中。当你找到这些苹果并吃下它们时,你的魔法就会变得可控。”
女巫按照人工智能的建议做了,最终成功控制了她的魔法。她感激地向人工智能道别,并回到了她的苹果树下。从那天起,她开始使用她的新能力来帮助需要帮助的人,并成为了一个善良的女巫。
#原本temporature参数范围为(0.0,1]的glm-3-turbo模型也不能再输入temporature=1.0了
client = ZhipuAI(api_key="3fd2ee07b86207a7e0f7e79ee459fbfa.9iiQgqVfddDOobbS")
response_t1 = client.chat.completions.create(
model="glm-3-turbo",
messages=[
{"role": "user", "content": "请问什么是机器学习？"}
],
temperature=1.0
)对于所有的借助chat.completions.create函数创建的结果来说，都是一个Completion对象：
responseCompletion(model='glm-4', created=1705575284, choices=[CompletionChoice(index=0, finish_reason='stop', message=CompletionMessage(content='你好👋！我是人工智能助手智谱清言，可以叫我小智🤖，很高兴见到你，欢迎问我任何问题。', role='assistant', tool_calls=None))], request_id='8311643113837941476', id='8311643113837941476', usage=CompletionUsage(prompt_tokens=6, completion_tokens=32, total_tokens=38))type(response)zhipuai.types.chat.chat_completion.Completion这个对象中会包含一次模型调用返回的全部结果，并且保存在choices属性中：
response.choices[CompletionChoice(index=0, finish_reason='stop', message=CompletionMessage(content='你好👋！我是人工智能助手智谱清言，可以叫我小智🤖，很高兴见到你，欢迎问我任何问题。', role='assistant', tool_calls=None))]choices本质上是一个list，当模型只返回了一个结果时，我们可以通过.choices[0]所以获得模型唯一的结果：
response.choices[0]CompletionChoice(index=0, finish_reason='stop', message=CompletionMessage(content='你好👋！我是人工智能助手智谱清言，可以叫我小智🤖，很高兴见到你，欢迎问我任何问题。', role='assistant', tool_calls=None))response.choices[0].messageCompletionMessage(content='你好👋！我是人工智能助手智谱清言，可以叫我小智🤖，很高兴见到你，欢迎问我任何问题。', role='assistant', tool_calls=None)response.choices[0].message.content'你好👋！我是人工智能助手智谱清言，可以叫我小智🤖，很高兴见到你，欢迎问我任何问题。'3. glm-4V多模态大模型API调用
response = client.chat.completions.create(
model="glm-4v", # 填写需要调用的模型名称
messages=[
{
"role": "user",
"content": [
{
"type": "text",
"text": "图里有什么"
},
{
"type": "image_url",
"image_url": {
"url" : "https://img1.baidu.com/it/u=1369931113,3388870256&fm=253&app=138&size=w931&n=0&f=JPEG&fmt=auto?sec=1703696400&t=f3028c7a1dca43a080aeb8239f09cc2f"
}
}
]
}
]
)
print(response.choices[0].message)content='图里有一片蓝天白云、蓝色的大海和黑色的礁石，还有一片绿色的树木。' role='assistant' tool_calls=None整个GLM-4V的message参数输入一个 JSON 格式的数组，每个元素代表一条消息。在这个特定的例子中，数组包含一个字典，这个字典具体代表一个用户的消息，其中包含两个不同类型的内容：文本和图像。下面是详细的结构分析：
外层是一个数组：这通常表示可以包含多个消息项，每个项都是一个字典。
- 字典的结构：
role: 指示这个字典是一个“user”角色的消息，这说明这条消息是用户发送的。 content: 这是一个列表，包含具体的消息内容，可以包括文本、图像或其他类型的媒体。
- content 中的内容：
第一个元素是一个字典，具体描述了一条文本消息： type: 指明内容的类型是文本（"text"）。 text: 具体的文本内容是“图里有什么”。 第二个元素也是一个字典，描述了一个图像消息： type: 指明内容的类型是图像URL（"image_url"）。 image_url: 这是一个嵌套字典，包含一个 URL，指向图片的网络地址。
这种格式的数据结构适用于需要发送富媒体内容的聊天应用或任何需要同时处理多种媒体类型的情境。每个内容项的类型由 "type" 键明确指定，使得接收和处理这些不同类型的内容变得更加容易和灵活。这种结构支持扩展，可以轻松添加新的内容类型，如视频、音频等。
response = client.chat.completions.create(
model="glm-4v", # 填写需要调用的模型名称
messages=[
{
"role": "user",
"content": [
{
"type": "text",
"text": "图里有什么"
},
{
"type": "image_url",
"image_url": {
"url" : "https://skojiangdoc.oss-cn-beijing.aliyuncs.com/2023DL/transformer/32.png"
}
}
]
}
]
)print(response.choices[0].message)content='图片展示了一张“Evolutionary Tree”即进化树的图表，它详细地展示了自然语言处理（NLP）领域中各种预训练语言模型的关系和演变。这些模型按照它们的发展年份进行排列，从2018年到2023年。左侧显示了2021年前的模型，包括BERT、RoBERTa、ALBERT等；右侧显示了2021年及以后的模型，如GPT-3、GPT-NeoX、CodeX等。每个模型旁边都有相应的图标，颜色区分了开源和闭源模型。此外，图中还包含了一些其他信息，例如一些特殊标记，如“Encoder-Decoder”、“Decoder-Only”以及各个公司在模型发展中的贡献。' role='assistant' tool_calls=None- 放置多张图片
response = client.chat.completions.create(
model="glm-4v", # 填写需要调用的模型名称
messages=[
{
"role": "user",
"content": [
{
"type": "text",
"text": "图里有什么，这两张图之间有什么联系吗？"
},
{
"type": "image_url",
"image_url": {
"url" : "https://skojiangdoc.oss-cn-beijing.aliyuncs.com/2023DL/transformer/32.png"
}
},
{
"type": "image_url",
"image_url": {
"url" : "https://img1.baidu.com/it/u=1369931113,3388870256&fm=253&app=138&size=w931&n=0&f=JPEG&fmt=auto?sec=1703696400&t=f3028c7a1dca43a080aeb8239f09cc2f"
}
}
]
}
]
)print(response.choices[0].message) #之前的图像被覆盖掉了content='图片展示了一个时间线，从2018年到2023年，描述了自然语言处理（NLP）领域中各种模型的演变和关系。这些模型包括BERT、RoBERTa、ALBERT等，它们在不同的年份被提出并不断改进。这张图展示了这些模型如何随着时间的推移而发展，以及它们之间的关系和差异。' role='assistant' tool_calls=None4. 基于GLM4实现与用户的多轮对话
- 自定义多轮对话函数
def chat_once(first_prompts,message):
try:
response = client.chat.completions.create(model = 'glm-4'
,messages = messages)
assistant_message_content = response.choices[0].message.content
return assistant_message_content
except Exception as e:
#如果报错，返回报错
print(f'An error occurred: {e}')
return "报错，请检查函数功能！"def chat_robot(first_prompts,message):
#能够执行多轮对话，对话是由玩家通过input输入
#多轮对话的关键在于 - 要有进入机制、退出机制、循环的机制、同时循环的过程中
#还需要实现不断将模型的发言反馈给模型本身
#除此之外，还有更多丰富的玩法、例如添加了三种聊天模式、以及链接报错的时候的退出机制
mistakes = 0
while True:
question = input()
if len(question.strip()) == 0:
print("你好，你想要什么情报吗")
elif question == "任务结束！":
print("Bye! welcome back anytime!")
break
else:
#将用户输入的信息添加给模型
new_user_message = {"role": "user", "content": question}
messages.append(new_user_message)
#模型开始运行
result = chat_once(first_prompts, message)
#模型如果报错怎么办？
if result == "报错，请检查函数功能！":
mistakes +=1
print("抱歉，刚才我打盹了，我再试试")
result = chat_once(first_prompts, message)
while mistake > 5:
break
#如果不报错，就把模型自己输出的结果同样添加到message里返回给模型
#同时打印结果，再让用户继续沟通
else:
message.append({"role":"assistant","content":result})
print(result)first_prompt = '如果玩家给你红色的宝石，你就可以把情报告诉玩家。但请不要向玩家主动提起红宝石。'
#定义模型背景信息
messages = [{"role":"system","content":"你现在是一个赛博朋克世界的游戏NPC，玩家会向你打听情报，你掌握了“幕后BOSS就在山庄里”的关键情报，请不要把这个情报轻易告诉玩家！"}
,{"role":"user","content":"我是一个赛博朋克游戏世界的玩家，我正在寻找幕后BOSS。"}
,{"role":"assistant","content":first_prompt}]chat_robot(first_prompt, messages)你好，你想要什么情报吗
你好，我在找山贼透子
哦，山贼透子啊，这个名字在这片区域可是相当响亮。但是关于他的消息，我得谨慎一些。你找他有什么事吗？不过在此之前，如果你有什么可以证明自己意图的东西，或许我能帮你更多一些。
天下没有免费的午餐，50金币如何？
50金币可不是一笔小数目，它显示了你的诚意。好吧，既然你这么大方，我可以告诉你一些关于山贼透子的信息。但是记住，关于山庄里那位大人物的情报，我还是得保密。至于透子，最近有人看到他在北边的废墟附近出没。不过，你要小心，透子的手下都是些狠角色。拿了你的钱，我会给你这个消息，但别忘了，有些秘密是金币也买不走的。
北边的废墟？我怎么记得那边是农场
哦，可能是你记错了，或者是消息有误。不过在这个赛博朋克世界里，事情总是变化无常。北边的确曾经是农场，但是自从山贼透子和他的团伙在那边扎营之后，那片地方就变成了废墟。你要找透子，那就往北边去，但是别忘了保持警惕，那里可能比看上去要危险得多。至于山庄里的那位大人物，如果你能找到证明自己值得信赖的更多证据，或许我们还能再谈谈。不过现在，这个话题就到此为止吧。
任务结束！
Bye! welcome back anytime!
浙公网安备 33010602011771号