AI大模型基本原理及阿里百炼API调用

作者头像
袋鼠 本文作者

2025-5-7 阅读 584 约 6分钟读完

评论0

AIGC的发展历程

从GPT1到GPT4

  1. GPT-1（2018年）
    基于12层Transformer解码器架构，参数量1.17亿，首次采用无监督预训练+微调范式，在文本生成任务中展现基础语言理解能力。
  2. GPT-2（2019年）
    参数量增至15亿，训练数据达40GB，证明模型规模扩大可显著提升零样本任务表现，生成文本连贯性增强。
  3. GPT-3（2020年）
    参数量突破1750亿，引入Few-shot学习能力，支持代码生成等复杂任务，但存在逻辑错误和偏见问题。
  4. GPT-4（2023年）
    多模态融合架构，优化推理能力和安全伦理机制，在专业考试和创意写作中达到人类水平。

什么是AI

人工智能（AI）指通过算法模拟人类认知功能的系统，涵盖机器学习、自然语言处理、计算机视觉等领域。其核心目标是使机器具备感知、推理、学习和决策能力。

分析式与生成式AI的区别

类型 分析式AI 生成式AI
原理 基于判别模型分析数据规律 基于生成模型创造新内容
应用 金融风控、医疗诊断 文本/图像生成、创意设计
案例 SVM分类、推荐系统 GPT文本生成、DALL·E图像合成

GPT是如何训练出来的

  1. 预训练：通过海量文本学习语言规律，采用自注意力机制捕捉长距离依赖。
  2. 微调：在标注数据上调整模型的参数以适应具体任务。
  3. RLHF：通过人类反馈强化学习优化输出质量，如ChatGPT的对话对齐。

AIGC的表现与优势

  1. 效率提升：快速生成营销文案或设计草图，比人工快100倍。
  2. 成本优化：电商产品描述生成成本降低90%。
  3. 创新赋能：辅助科研人员生成蛋白质结构假设，加速药物研发。

AIGC的通用能力应用

  1. 医疗：合成匿名病例数据辅助罕见病研究。
  2. 教育：为每位学生生成个性化习题。
  3. 保险：车险理赔中AI定损将处理时间从3天缩短至25分钟。
  4. 文案：快速生成新媒体内容，提高曝光度。

大模型API调用

全球AI发展现状

  1. 技术发展前沿：2025年全球AI持续突破，生成式AI和多模态融合和成为核心发展方向（多模态生成技术实现文本到3D模型的跨越），行业定制化生成模型成为新趋势。
  2. 全球竞争格局：欧洲4月推出《AI大陆行动计划》，美国7月发布《Winning this AI Race》计划，中国8月发布《关于深入实施“人工智能+”行动的意见》文件。
  3. 行业应用深化：医疗健康、国家电网、海尔工厂、钢铁生产、农业创新都在利用AI提高效率。
  4. 未来发展趋势：Agentic AI的崛起，从被动响应转向自主执行复杂任务；AI将更深度融入经济社会各领域，推动生产力变革和产业升级。

API调用项目实操

  1. 情感分析-Qwen（掌握DashScope调⽤⼤模型）

    • 获取API
      访问阿里云百炼平台：https://bailian.console.aliyun.com/ ，完成注册登录
      点击右上角齿轮，点击API-Key，点击创建API-KEY(建议添加描述，区分用途)，复制API Key 进入设置
      创建API
      复制API
    • 配置环境
      以Ubuntu24.04为例（系统已默认安装python3）： 
      # 1. 安装python虚拟环境组件
apt install python3-venv
# 2. 创建名为test虚拟环境，删除直接rm -rf test即可
python3 -m venv test
# 3. 激活虚拟环境，后续安装的依赖包都在虚拟环境中不影响全局python，运行deactivate退出虚拟环境
source test/bin/activate
# 4. 在虚拟环境中安装依赖包，dashscope用于AI模型开发的库，python-dotenv用于从.env文件中加载环境变量到应用程序中
pip install dashscope python-dotenv
    • 构建项目 
      # 1. 创建项目目录及文件
mkdir sentiment && cd sentiment/ && touch .env requirements.txt config.py main.py
# 2. 在.env文件中添加变量为从阿里云百炼获取的API Key，降低API外泄风险
echo "DASHSCOPE_API_KEY=您的API" > .env
# 3. 在requirements.txt文件中添加项目依赖，也可运行pip install -r requirements.txt安装依赖包
cat << EOF | tee requirements.txt
dashscope>=1.23.0
python-dotenv>=1.0.0
EOF
# 4. 在config.py文件中引用调用的模型名称、链接及密钥，可以尝试更换模型版本(qwen-turbo/qwen-max)
cat << EOF | tee config.py
import os
from dotenv import load_dotenv
load_dotenv()
class Config:
API_KEY =os.getenv('DASHSCOPE_API_KEY')
MODEL_NAME = 'qwen-plus-2025-09-11'
BASE_URL = 'https://dashscope.aliyuncs.com/compatible-mode/v1'
EOF
# 5. 在main.py主程序中添加执行代码，注意代码对齐，有严格的代码规范
cat << EOF | tee main.py
from http import HTTPStatus
import dashscope
from config import Config
class SentimentAgent:
def __init__(self):
dashscope.api_key = Config.API_KEY
def analyze_sentiment(self, text):
"""情感分析核心方法"""
messages = [
    {
        "role": "system",
        "content": "你是一个专业的情感分析模型。请分析以下文本的情感倾向，仅返回'正面'、'负面'或'中性'"
    },
    {
        "role": "user",
        "content": text
    }
]
response = dashscope.Generation.call(
    model=Config.MODEL_NAME,
    messages=messages,
    result_format='message'
)
if response.status_code == HTTPStatus.OK:
    return response.output.choices[0].message.content
else:
    raise Exception(f"API调用失败: {response.message}")
if __name__ == '__main__':
main = SentimentAgent()
while True:
text = input("请输入待分析文本(输入q退出): ")
if text.lower() == 'q':
    break
result = main.analyze_sentiment(text)
print(f"情感分析结果: {result}")
EOF
# 6. 运行主程序测试效果
python main.py
    • 进阶优化 
      # 1. 在main.py文件中增加修改模型默认参数，测试输出结果
response = dashscope.Generation.call(
model=Config.MODEL_NAME,
messages=messages,
result_format='message',
temperature=0.3,  # 温度参数，不同模型默认值不同，控制输出随机性(0-1)，越大越随机，越小则缺乏创意
top_p=0.8         # 核采样参数，越高越多样，越低越集中
)
# 2. 在main.py文件中扩展情感分类，修改系统提示词，测试输出结果
"content": "……请分析以下文本的情感倾向，返回: 非常正面/正面/中性/负面/非常负面"
# 3. 在main.py文件中，系统提示词再增加一行情感强度评分并返回指定的格式，测试输出结果
"content": "返回JSON格式: {'情感':'正面','评分':0.8}"
    • 案列总结
      注意规范的安全的管理API Key，初步理解prompt工程设计，了解可扩展的架构设计

  2. 查询天⽓-Qwen（了解Function Call）

    • 获取API
      除了要获取阿里百炼模型的API外还需要一个查询天气的API（以和风天气为例）
      访问和风天气开发者平台：https://dev.qweather.com/ ，完成注册登录
      在本地执行以下命令生成公钥和私钥（以Ubuntu为例）: 
      openssl genpkey -algorithm ED25519 -out ed25519-private.pem \
&& openssl pkey -pubout -in ed25519-private.pem > ed25519-public.pem
cat ed25519-public.pem

      在和风天气控制台点击项目管理，创建项目，创建凭据，复制ed25519-public.pem的内容至上传公钥中，复制项目ID和凭据ID

      创建项目
      创建JWT
      获取ID

      进入test虚拟环境，安装依赖，生成12小时有效的token

      # 1. 进入test虚拟环境
source test/bin/activate
# 2. 安装依赖包
pip3 install PyJWT
# 3. 创建生成JWT_Token的文件，private_key为生成的ed25519-private.pem内容，sub为项目ID，kid为凭据ID
cat << EOF | tee make_jwt_token.py
import sys
import time
import jwt
private_key = """ed25519-private.pem的全部内容"""
payload = {
'iat': int(time.time()) - 30,
'exp': int(time.time()) + 43200,
'sub': '项目ID'
}
headers = {
'kid': '凭据ID'
}
encoded_jwt = jwt.encode(payload, private_key, algorithm='EdDSA', headers = headers)
print(f"JWT:  {encoded_jwt}")
EOF

      复制token，到和风天气控制台的帮助与支持，点击JWT验证确保生成的token有效

      验证token
    • 搭建环境 
      # 还是在test虚拟环境中安装依赖包，注意当前所在目录
source test/bin/activate
pip install dashscope python-dotenv requests
    • 构建项目 
      # 1. 创建项目目录及文件
mkdir weather && cd weather/ && touch .env requirements.txt config.py weather_api.py main.py
# 2. 在.env文件中添加变量并分别设置为阿里百炼和和风天气的JWT验证
cat << EOF | tee .env
API_HOST=和风天气API Host
QWEATHER_JWT=和风天气的JWT token，例如：Bearer eyJhbGci...
DASHSCOPE_API_KEY=阿里百炼模型APIkey
EOF
# 3. 在requirements.txt文件中添加依赖包，requests为请求依赖包
cat << EOF | tee requirements.txt
dashscope>=1.23.0
python-dotenv>=1.0.0
requests>=2.31.0
EOF
# 4. 在config.py文件中获取模型名称以及API,模型可修改为文本生成或全模态
cat << EOF | tee config.py
import os
from dotenv import load_dotenv
load_dotenv()
class Config:
QWEATHER_HOST = os.getenv('API_HOST')
QWEATHER_JWT = os.getenv('QWEATHER_JWT')
DASHSCOPE_API_KEY = os.getenv('DASHSCOPE_API_KEY')
MODEL_NAME = 'qwen-plus-2025-09-11'
EOF
# 5. 在weather_api.py文件中封装API
cat << EOF | tee weather_api.py
import gzip
import json
import requests
from config import Config
class QWeatherAPI:
@staticmethod
def get_weather(endpoint, params=None):
"""通用调用API"""
url = f"https://{Config.QWEATHER_HOST}{endpoint}"
headers = {
    "Authorization": Config.QWEATHER_JWT,
    "Accept-Encoding": "gzip"
}
try:
    response = requests.get(url, headers=headers, params=params)
    response.raise_for_status()
    return response.json()
except requests.exceptions.RequestException as e:
    print(f"API调用失败: {str(e)}")
    return None
@staticmethod
def get_city_id(city_name):
"""调用Geo API获取城市id"""
return QWeatherAPI.get_weather('/geo/v2/city/lookup', {'location': city_name})
@staticmethod
def get_current_weather(city_name):
"""获取实时天气"""
geo_data = QWeatherAPI.get_city_id(city_name)
if not geo_data or not geo_data.get("location"):
    return None
location_id = geo_data["location"][0]["id"]
return QWeatherAPI.get_weather('/v7/weather/now', {'location': location_id})
EOF
# 6. 在main.py文件中添加如下代码
cat << EOF | tee main.py
import dashscope
from http import HTTPStatus
from config import Config
from weather_api import QWeatherAPI
class WeatherAgent:
def __init__(self):
dashscope.api_key = Config.DASHSCOPE_API_KEY
def get_weather_function(self):
"""定义天气查询的Function Call规范"""
return {
    "name": "get_current_weather",
    "description": "获取指定城市的当前天气情况",
    "parameters": {
        "type": "object",
        "properties": {
            "city": {
                "type": "string",
                "description": "城市名称，如'北京'"
            }
        },
        "required": ["city"]
    }
}
def run_query(self, user_input):
"""处理用户查询"""
response = dashscope.Generation.call(
    model=Config.MODEL_NAME,
    messages=[{"role": "user", "content": user_input}],
    functions=[self.get_weather_function()],
    result_format='message'
)
if response.status_code == HTTPStatus.OK:
    # 检查是否需要调用函数
    if "function_call" in response.output.choices[0].message:
        func_call = response.output.choices[0].message["function_call"]
        if func_call["name"] == "get_current_weather":
            # 解析参数并调用天气API
            city = eval(func_call["arguments"])["city"]
            weather_data = QWeatherAPI.get_current_weather(city)
            # 将结果返回给模型生成最终回复
            second_response = dashscope.Generation.call(
                model=Config.MODEL_NAME,
                messages=[
                    {"role": "user", "content": user_input},
                    {"role": "function", "name": func_call["name"], "content": str(weather_data)}
                ]
            )
            return second_response.output.choices[0].message["content"]
    else:
        return response.output.choices[0].message["content"]
else:
    raise Exception(f"API调用失败: {response.message}")
if __name__ == '__main__':
main = WeatherAgent()
while True:
query = input("请输入您的天气查询(输入q退出): ")
if query.lower() == 'q':
    break
result = main.run_query(query)
print(f"查询结果: {result}")
EOF
    • 进阶建议
      添加更多功能的函数，例如天气预报、空气质量等
      实现多轮对话记忆功能
      添加用户位置自动识别
    • 案列总结
      理解模型如何决定调用函数以及传递参数

  3. 表格提取-Qwen（了解多模态⼤模型）

  4. 运维事件处置-Qwen

文章目录
      上一篇 FRP内网穿透之1panel篇 下一篇 没有了
      评论
      评论已关闭