【01】大模子原理与API使用

本篇目的
·AIGC发展:从GPT1到GPT4
·AIGC的表现与上风
·AIGC的通用能力应用
·大模子API使用
CASE-情感分析-Qwen
CASE-天气Function-Qwen
CASE-表格提取-Qwen
CASE-运维事件处置-Qwen
AI 的分类

• 分析式AI ： 也称为鉴别式AI，其核心使命是对已有数据举行分类、猜测或决策。
  上风在于其高精度和高效性，但其局限性在于仅能处理已有数据的模式，无法创造新内容.
  
• 生成式AI：专注于创造新内容，例如文本、图像、音等。突破在于其创迪性和机动性，但也面临败据隐私、版权掩护等挑衅
  

chatgpt 的发展历史

版本时间特点GPT2018最初版本，提出基于 Transformer 的语言建模思路GPT-22019增大模子规模（15亿参数），展示出惊人的文本生成能力（但初期未公开）GPT-32020参数规模达 1750 亿，成为主流应用和研究的标志性模子ChatGPT（基于 GPT-3.5）2022引入对话调优，使其更适应交互场景GPT-4 / GPT-4.5 / GPT-4-turbo2023–2024多模态能力（图文）、更强逻辑与对话性、上下文扩展到数十万 tokenGPT-5（传闻中）2025大概进一步强化多模态、智能体、自主学习能力 chatgpt 是怎样训练出来的？ （基于奖励模子）

包含3个步调：

CASE1 : 车险反诓骗猜测

• 使用智谱清言 ChatGLM
  
  
  
  
• 使用cursor （网上自行搜cursor 安装教程）
  长处：生成好后，能运行
  如：帮我编写python 读取 train.csv，并展示前5行
  
  
  
  

帮我统计不同年龄层的诓骗比例，使用正确的列名

1. import pandas as pd
2. import numpy as np
3. import matplotlib.pyplot as plt
4. plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
5. plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
7. # 读取数据
8. df = pd.read_csv('train.csv')
10. # 创建年龄段
11. df['age_group'] = pd.cut(df['age'],
12.                         bins=[0, 20, 30, 40, 50, 60, 100],
13.                         labels=['0-20岁', '21-30岁', '31-40岁', '41-50岁', '51-60岁', '60岁以上'])
15. # 计算每个年龄段的欺诈比例
16. fraud_by_age = df.groupby('age_group').agg({
17.     'fraud_reported': ['count', 'mean']
18. }).round(4)
20. fraud_by_age.columns = ['总数', '欺诈比例']
21. fraud_by_age['欺诈数量'] = (fraud_by_age['总数'] * fraud_by_age['欺诈比例']).astype(int)
23. # 打印结果
24. print("\n不同年龄层的欺诈分析:")
25. print("=" * 50)
26. print(fraud_by_age)
27. print("\n各年龄层详细信息:")
28. print("-" * 50)
29. for age_group in fraud_by_age.index:
30.     total = fraud_by_age.loc[age_group, '总数']
31.     fraud_count = fraud_by_age.loc[age_group, '欺诈数量']
32.     fraud_rate = fraud_by_age.loc[age_group, '欺诈比例']
33.     print(f"{age_group}: 总数{total}人, 欺诈{fraud_count}人, 欺诈率{fraud_rate:.2%}")
35. # 可视化
36. plt.figure(figsize=(12, 6))
37. plt.bar(fraud_by_age.index, fraud_by_age['欺诈比例'])
38. plt.title('不同年龄段的欺诈比例分析')
39. plt.xlabel('年龄段')
40. plt.ylabel('欺诈比例')
41. plt.xticks(rotation=45)
43. # 在柱状图上添加具体数值标签
44. for i, v in enumerate(fraud_by_age['欺诈比例']):
45.     plt.text(i, v, f'{v:.2%}', ha='center', va='bottom')
47. plt.tight_layout()
48. plt.savefig('fraud_by_age.png', dpi=300, bbox_inches='tight')
49. plt.close()
51. # 打印总体欺诈率作为参考
52. print("\n总体欺诈率: {:.2%}".format(df['fraud_reported'].mean()))

复制代码

CASE - API 使用

获取key:通过 https://bailian.console.aliyun.com/ 完成注册，得到 dashscope的API Key，方便后续使用大模子，比如使用 Qwen-Turbo
https://bailian.console.aliyun.com/?tab=model#/api-key

   安装dashscope库时，需要关闭梯子，否则报错
  情感分析

1. import json
2. import os
3. import dashscope
4. from dashscope.api_entities.dashscope_response import Role
5. dashscope.api_key = "sk-your key"
7. # 封装模型响应函数
8. def get_response(messages):
9.     response = dashscope.Generation.call(
10.         model='qwen-turbo',
11.         messages=messages,
12.         result_format='message'  # 将输出设置为message形式
13.     )
14.     return response
15.    
16. review = '这款音效特别好 给你意想不到的音质。'
17. messages=[
18.     {"role": "system", "content": "你是一名舆情分析师，帮我判断产品口碑的正负向，回复请用一个词语：正向 或者 负向"},
19.     {"role": "user", "content": review}
20.   ]
22. response = get_response(messages)
23. response.output.choices[0].message.content

复制代码

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。