小白玩转 AI 大模型应用开发：从 API 调用到搭建自己的智能助手

pip install openai  # 兼容 OpenAI 接口

from openai import OpenAI

client = OpenAI(
    api_key="你的_API_Key",
    base_url="https://api.deepseek.com/v1"
)

response = client.chat.completions.create(
    model="deepseek-chat",
    messages=[
        {"role": "system", "content": "你是一个乐于助人的助手。"},
        {"role": "user", "content": "请用一句话解释什么是大模型？"}
    ]
)

print(response.choices[0].message.content)

response = client.chat.completions.create(
    model="deepseek-chat",
    messages=[
        {"role": "system", "content": """
你是一位小红书爆款文案专家。请按以下格式输出：
标题：xxx（带emoji）
正文：xxx（分段落，每段不超过3行，语言活泼）
标签：#xx #xx
"""},
        {"role": "user", "content": "产品：一款智能保温杯，可显示水温，续航7天。"}
    ]
)

print(response.choices[0].message.content)

标题：🔥 喝水也能玩出科技感！这款保温杯我吹爆～

正文：
每天早上打开杯盖，水温一目了然，再也不用嘴试温度了！
续航超强，充一次电用一周，出差带着贼省心。
颜值也在线，办公桌上一放，同事都来问链接。

标签：#黑科技好物 #保温杯 #智能生活

pip install langchain langchain-community chromadb sentence-transformers

智能保温杯 Pro：
- 内置温度传感器，实时显示水温（精度±1℃）
- 续航时间：7天（每天开盖20次）
- 容量：400ml，重量280g
- 支持无线充电
- 颜色：星空灰、珊瑚粉

from langchain_community.document_loaders import TextLoader
from langchain_text_splitters import CharacterTextSplitter
from langchain_community.embeddings import HuggingFaceEmbeddings
from langchain_community.vectorstores import Chroma
from langchain.chains import RetrievalQA
from langchain_openai import ChatOpenAI  # 兼容接口

# 1. 加载文档
loader = TextLoader("product.txt")
documents = loader.load()

# 2. 分块（因为文档小，不分也可以）
text_splitter = CharacterTextSplitter(chunk_size=200, chunk_overlap=20)
texts = text_splitter.split_documents(documents)

# 3. 生成向量并存入 Chroma（本地向量库）
embeddings = HuggingFaceEmbeddings(model_name="sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2")
vectorstore = Chroma.from_documents(texts, embeddings)

# 4. 创建检索器
retriever = vectorstore.as_retriever()

# 5. 创建问答链
llm = ChatOpenAI(
    model="deepseek-chat",
    openai_api_key="你的Key",
    openai_api_base="https://api.deepseek.com/v1"
)
qa_chain = RetrievalQA.from_chain_type(llm=llm, retriever=retriever)

# 6. 提问
question = "这个保温杯能续航多久？"
answer = qa_chain.invoke(question)
print(answer["result"])

import requests

def get_weather(city: str) -> str:
    """模拟调用天气 API（实际可替换为和风天气等）"""
    # 这里用假数据，真实场景替换为 API 请求
    weather_db = {
        "北京": "晴 25℃",
        "上海": "多云 28℃",
        "广州": "雷阵雨 32℃"
    }
    return weather_db.get(city, "未查到该城市天气")

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "查询指定城市的实时天气",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {"type": "string", "description": "城市名称，如'北京'"}
                },
                "required": ["city"]
            }
        }
    }
]

response = client.chat.completions.create(
    model="deepseek-chat",
    messages=[{"role": "user", "content": "上海今天天气怎么样？"}],
    tools=tools,
    tool_choice="auto"
)

message = response.choices[0].message

# 检查模型是否要求调用工具
if message.tool_calls:
    tool_call = message.tool_calls[0]
    args = json.loads(tool_call.function.arguments)
    city = args["city"]
    weather_result = get_weather(city)
    
    # 将工具结果返回给模型，让其生成最终回答
    second_response = client.chat.completions.create(
        model="deepseek-chat",
        messages=[
            {"role": "user", "content": "上海今天天气怎么样？"},
            message,  # 助手的 tool_calls 消息
            {
                "role": "tool",
                "tool_call_id": tool_call.id,
                "content": weather_result
            }
        ]
    )
    print(second_response.choices[0].message.content)
else:
    print(message.content)