七三笔记

模型接口调用

依赖包安装

 
pip install python-dotenv  #读取文件中的环境变量
pip install openai

环境变量配置与加载：默认加载 .env 文件中的环境变量

 
from dotenv import load_dotenv  

# 加载".env"文件  
load_dotenv()  
    
# 现在你可以通过os.getenv来获取环境变量了  
import os  
    
my_secret_key = os.getenv("MY_SECRET_KEY")  
print(my_secret_key)

 
确保你的 .env 文件位于你的项目根目录或你指定的目录中，
并且包含了你需要的环境变量，如 MY_SECRET_KEY=some_secret_value。

加载指定的文件

 
from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv(filename="env.txt"))

 
from openai import OpenAI

# 初始化 OpenAI 客户端
client = OpenAI()  # 默认使用环境变量中的 OPENAI_API_KEY 和 OPENAI_BASE_URL

 
# 基于 prompt 生成文本
# 默认使用 gpt-3.5-turbo 模型
def get_completion(prompt, response_format="text", model="gpt-3.5-turbo"):
    messages = [{"role": "user", "content": prompt}]    # 将 prompt 作为用户输入
    response = client.chat.completions.create(
        model=model,
        messages=messages,
        temperature=0,                                  # 模型输出的随机性，0 表示随机性最小
        # 返回消息的格式，text 或 json_object
        response_format={"type": response_format},
    )
    return response.choices[0].message.content          # 返回模型生成的文本

 
print(get_completion("常用的数据结构与算法有哪些"))

 
常用的数据结构包括：

1. 数组（Array）
2. 链表（Linked List）
3. 栈（Stack）
4. 队列（Queue）
5. 树（Tree）
6. 图（Graph）
7. 哈希表（Hash Table）
8. 堆（Heap）

常用的算法包括：

1. 排序算法（如快速排序、归并排序、插入排序、冒泡排序等）
2. 搜索算法（如二分查找、深度优先搜索、广度优先搜索等）
3. 动态规划（Dynamic Programming）
4. 贪心算法（Greedy Algorithm）
5. 回溯算法（Backtracking）
6. 分治算法（Divide and Conquer）
7. 图算法（如最短路径算法、最小生成树算法等）
8. 字符串匹配算法（如KMP算法、Boyer-Moore算法等）

gpt-4o-mini

 
from openai import OpenAI

client = OpenAI()

stream = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[{"role": "user", "content": "请使用C语言实现一个数组的数据结构"}],
    stream=True,
)
for chunk in stream:
    if chunk.choices[0].delta.content is not None:
        print(chunk.choices[0].delta.content, end="")

 
当然可以！下面是一个简单的数组数据结构的实现示例，包括基本的功能，如初始化、插入元素、删除元素和打印数组内容。

```c
#include 
#include 

#define MAX_SIZE 100  // 定义数组的最大容量

typedef struct {
    int *data;       // 动态分配的数组
    int size;        // 当前数组大小
    int capacity;    // 数组的最大容量
} Array;

// 初始化数组
Array* createArray(int capacity) {
    Array *arr = (Array*)malloc(sizeof(Array));
    arr->capacity = capacity;
    arr->size = 0;
    arr->data = (int*)malloc(capacity * sizeof(int));
    return arr;
}

// 插入元素
void insert(Array *arr, int element) {
    if (arr->size < arr->capacity) {
        arr->data[arr->size++] = element;
    } else {
        printf("数组已满，无法插入元素 %d\n", element);
    }
}

// 删除元素
void delete(Array *arr, int index) {
    if (index >= 0 && index < arr->size) {
        for (int i = index; i < arr->size - 1; i++) {
            arr->data[i] = arr->data[i + 1];
        }
        arr->size--;
    } else {
        printf("索引越界，无法删除元素\n");
    }
}

// 打印数组
void printArray(Array *arr) {
    printf("数组元素: ");
    for (int i = 0; i < arr->size; i++) {
        printf("%d ", arr->data[i]);
    }
    printf("\n");
}

// 释放数组
void freeArray(Array *arr) {
    free(arr->data);
    free(arr);
}

int main() {
    Array *arr = createArray(MAX_SIZE);

    insert(arr, 10);
    insert(arr, 20);
    insert(arr, 30);
    printArray(arr);

    delete(arr, 1);  // 删除索引为1的元素
    printArray(arr);

    freeArray(arr);
    return 0;
}
```

### 说明：
1. **数据结构**：
    - `Array` 结构体包含指向动态分配内存的指针、当前数组大小和数组最大容量。

2. **功能**：
    - `createArray`：初始化数组。
    - `insert`：在数组末尾插入元素。
    - `delete`：根据索引删除元素。
    - `printArray`：打印数组内容。
    - `freeArray`：释放申请的内存。

3. **主函数**：
    - 创建一个数组，插入一些元素，展示数组内容，删除一个元素，最后输出更新后的数组并释放内存。

你可以运行这个代码并根据需要进行修改或扩展。

流式调用

 
from openai import OpenAI

client = OpenAI()

stream = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[{"role": "user", "content": "请使用C语言实现一个数组的数据结构"}],
    stream=True,
)
for chunk in stream:
    if chunk.choices[0].delta.content is not None:
        print(chunk.choices[0].delta.content, end="")

 
from openai import OpenAI

def get_completion(prompt, model="gpt-3.5-turbo-1106"):
    '''封装 openai 接口'''
    messages = [{"role": "user", "content": prompt}]
    client = OpenAI() 
    response = client.chat.completions.create(
        model=model,
        messages=messages,
        temperature=0.9,  # 模型输出的随机性，0 表示随机性最小
    )
    return response.choices[0].message.content

 
prompt = """
我是七三学徒，热爱新技术，对AI有浓厚的兴趣，

请问七三学徒是谁？
"""
get_completion(prompt)

 
'七三学徒通常指受过严格训练的学徒，以“七分师傅，三分学徒”来形容。这个成语源自中国古代，形容学徒在师傅的指导下学习技艺。'

```temperature=0
'七三学徒通常指的是中国著名科学家、工程师和教育家钱学森。他被称为“七三学徒”是因为他在1937年以73岁高龄获得了加拿大麦吉尔大学的博士学位。钱学森是中国现代航空航天事业的奠基人之一，也是中国的科学家和教育家。'
```

 
prompt = """
七三学徒是一个热爱新技术，对AI有浓厚的兴趣的人

请问七三学徒是谁？
"""
get_completion(prompt)

 
'七三学徒是一个虚构的人物，通常用来形容对新技术和人工智能有浓厚兴趣的人。'

system role

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

client = OpenAI(
)

# 消息
messages = [
    {
        "role": "system",
        "content": "我是七三学徒，热爱新技术，对AI有浓厚的兴趣"  # 注入新知识
    },
    {
        "role": "user",
        "content": "请问七三学徒是谁？"  # 问问题。可以改改试试
    },

]

# 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)

 
七三学徒是一个虚拟角色，代表一个热爱学习、积极探索新知识的学习者。
在这里，我作为七三学徒角色与您交流，分享知识，解答问题。
欢迎提出您感兴趣的问题，让我们一起探讨学习、科技和其他话题！

结合前面的例子，可以充分体会 system role这个角色
这个是指定系统是个什么角色，
这里呢，在体系里说的是“我”，LLM折中处理了这个过程...

这么难回答的一个问题，使用user role，结果就会大不相同

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

client = OpenAI(
)

# 消息
messages = [
    {
        "role": "user",
        "content": "我是七三学徒，热爱新技术，对AI有浓厚的兴趣"  # 注入新知识
    },
    {
        "role": "user",
        "content": "请问七三学徒是谁？"  # 问问题。可以改改试试
    },

]

# 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)

 
“七三学徒”是一个由网络上的一个匿名程序员所使用的ID或网名，通常在技术相关的讨论或社交平台上被使用。他（或她）可能以此来表达对自己在技术领域中仍需学习和成长的态度。在网上，大家可能更熟悉他使用的这个ID，而不是他的真名。

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

client = OpenAI(
)

# 消息
messages = [
    {
        "role": "system",
        "content": "七三笔记网站是一个介绍AI相关知识的网站"  # 注入新知识
    },
    {
        "role": "user",
        "content": "七三笔记网站是做什么？"  # 问问题。可以改改试试
    },

]

# 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)

 
七三笔记网站是一个介绍人工智能(AI)相关知识的网站，提供关于人工智能技术、应用、发展等方面的文章、教程和资讯。用户可以在网站上学习人工智能的基础知识，了解最新的人工智能技术趋势，以及探讨人工智能在各个领域的应用和发展。

langchain·openai

llm.invoke

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

 
from langchain_openai import OpenAI

llm = OpenAI() 
prompt = """
我是七三学徒，热爱新技术，对AI有浓厚的兴趣，

请问七三学徒是谁？
"""
response = llm.invoke(prompt)
print(response)

执行的结果是有一定随机性的，尤其是这样LLM无法准确理解的问题

 
七三学徒不是一个具体的人，而是一个身份。一般指在某个领域或技术上只有初步了解的学习者，处于初级阶段的学习者。这个称呼源自中国古代的经典《论语》中的一句话：“七十而从心所欲，不逾矩”，意思是说人到70岁时，应该能够按照自己的意愿去做事，但也不要超过规矩。后来民间就用“七十从心所欲”来形容初学者，后来又简称为“七三学徒”。

七三学徒是一个网络用戶名，代表一个人的匿名身份，无法确定具体是哪个人

七三学徒是一个网络上的虚拟角色，代表着一个热爱新技术、对人工智能有浓厚兴趣的普通人。他/她并没有具体的身份和真实的存在，只是一种社交媒体上的身份标识。

langchain·监控

callback

 
from langchain_community.callbacks import get_openai_callback
from langchain_openai import OpenAI

# 初始化
from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv())

llm = OpenAI()

with中可以是llm直接调用，也可以是chain调用

 
with get_openai_callback() as cb:
    res = llm.invoke("如何培养持久学习的习惯？")
    print(res)

 
1. 设定明确的学习目标：首先，要明确自己想要学习什么内容，设定明确的学习目标，这样可以让学习更有针对性和方向性。

2. 制定学习计划：制定一个学习计划，将学习内容分解成小目标，每天或每周规划学习的时间和内容，这样可以让学习变得更有条理，避免拖延和浪费时间。

3. 坚持每天学习：持久学习的关键是每天都要保持学习的习惯，可以设定固定的学习时间，保证每天都有一定的学习时间。

4. 找到适合自己的学习方式：每个人的学习方式都不同，有的人喜欢看书，有的人喜欢听课，

 
print(cb)
Tokens Used: 274
	Prompt Tokens: 18
	Completion Tokens: 256
Successful Requests: 1
Total Cost (USD): $0.000539

参考

七三笔记路线：学习，记录，分享