目录
一、什么是AI大模型开发
二、Gradio快速入门
三、什么是提示词？
一、什么是AI大模型开发
二、Gradio快速入门
Gradio 是一个用于快速构建机器学习模型 Web 界面的 Python 库，核心优势是仅需几行代码即可将函数转化为可交互的 UI。以下是从安装到进阶的核心教程。
官方网站:https://www.gradio.app/
官方文档 - 快速开始:https://www.gradio.app/guides/quickstart
1、安装
pip install gradio
出现这个报错，先更新pip
先去到这个目录：D:\Program Files\Python312\
然后输入下面这个命令
python.exe -m pip install --upgrade pip
在PyCharm新建一个项目，新建一个llm-exercise1项目
新建一个part.py,代码如下：
案例1一个接收文本输入并返回该文本倒序输出的应用。 import gradio as gr #功能实现5 def reverse_text(text): return text[::-1] #界面配置 demo = gr.Interface( fn=reverse_text,# 调用reverse_text函数 inputs="text", #输入组件类型为文本 outputs="text") #输出组件类型为文本 #启动应用 demo.launch()
在软件PyCharm的终端安装gradio，因为虚拟环境没有gradio
在终端输入 install gradio -i https://pypi.tuna.tsinghua.edu.cn/simple
判断是否安装
pip show gradio
运行 part1.py
在浏览器输入http://127.0.0.1:7860
输入内容
2、 把 PyCharm 解释器切换成全局 Python
把 PyCharm 解释器切换成全局 Python，不用 venv：
Ctrl+Alt+S→ Project:xxx → Python Interpreter- 顶部下拉，选择不带
venv路径的 python.exe - 应用保存，直接复用 CMD 全局已安装的 cv2、gradio
3、生成图片的素描的demo
先安装 pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple
pip show opencv-python
创建part2.py
import gradio as gr import numpy as np import cv2 def image_to_sketch(image): gray_image = image.convert('L') inverted_image = 255 - np.array(gray_image) blurred = cv2.GaussianBlur(inverted_image, (21, 21), 0) inverted_blurred = 255 - blurred pencil_sketch = cv2.divide(np.array(gray_image), inverted_blurred, scale = 256.0) return pencil_sketch demo = gr.Interface( fn=image_to_sketch, inputs=[gr.Image(label="上传图片", type="pil")], outputs=[gr.Image(label="铅笔画")], title="图像转铅笔画", description="将上传的图片转为铅笔画。" ) #启动应用 demo.launch()安装openai
pip install openai -i https://pypi.tuna.tsinghua.edu.cn/simple
pip show openai
4、python调用千问大模型
先配置window的环境变量
配置环境变量后，要重启Pycharm软件
创建python3.py,内容如下：
#导入必要的库 import gradio as gr import os from openai import OpenAI #从系统环境变量中获取DashScope API密钥 # 确保在运行此脚本前已设置DASHSCOPE_API_KEY环境变量 api_key = os.getenv("DASHSCOPE_API_KEY") print("读取到的密钥：", api_key) #如果未设置API密钥，提供友好的错误提示 if not api_key: print("错误：API密钥未设置。请确保在调用API之前正确设置API密钥。") # 定义一个函数，用于调用通义千问max模型生成回复 def call_qwen(message, history): #调用通义千问max模型的函数 #message(str): 用户当前输入的消息内容 #history(list): 聊天历史记录，支持两种格式: #格式1: [(用户消息，助手回复), ...] - 元组列表形式 #格式2: [{"role": "user" “content":" 消息内容 "}，...]-字典列表形式 if not api_key: return "未设置DASHSCOPE_API_KEY环境变量" client = OpenAI( api_key=api_key, # 使用环境变量中的API密钥进行身份验证 base_url="https://dashscope.aliyuncs.com/compatible-mode/v1" # DashScope兼容模式端点 ) messages = [] if history: try: #尝试处理字典格式的history(较新版本Gradio的格式) for msg in history: if isinstance(msg, dict) and 'role' in msg and 'content' in msg: messages.append(msg) elif isinstance(msg, (list, tuple)) and len(msg) == 2: user_msg, assistant_msg = msg messages.append({"role": "user", "content": user_msg}) messages.append({"role": "assistant", "content": assistant_msg}) except Exception as e: print(f"处理历史记录时出错:{e}") messages.append({"role":"user","content":message}) try: response = client.chat.completions.create( model="qwen-max", messages=messages, stream=False ) return response.choices[0].message.content except Exception as e: return "Error: " + str(e) demo=gr.ChatInterface( fn=call_qwen, title="通义千问-max", description = "基于通义千问max的聊天机器人", examples=[ #指定处理聊天消息的回调函数，将调用通 ["你好"], ["你叫什么名字?"], ["给我讲一个笑话呗"] ] ) #主程序入口点 #当直接运行此脚本时，启动GradioWeb服务器 if __name__ == "__main__": # 启动Gradio服务，默认监听本地7860端口 # 用户访问该URL即可与通义千问Turbo模型进行交互 demo.launch(theme=gr.themes.Soft())启动项目：
三、什么是提示词？
提示词：提示工程(Prompt Engineering)是一项通过优化提示词(Prompt)和生成策略，从而获得更好的模型返回结果的工程技术。
好的Prompt需要不断调优。
说清楚自己到底想要什么，要具体!
不要让机器去猜测太多。为了不让机器去猜测，我们就需要告诉细节。
提示工程有一些技巧，灵活掌握，事半功倍。
提示词构成
指示(Instruction):描述要让它做什么?
上下文(Context):给出与任务相关的背景信息
例子(Examples):给出一些例子，让模型知道怎么回复
输入(Input):任务的输入信息
输出(OutputFormat):输出的格式，想要什么形式的输出?