AI大模型原理与API使用

一、AI基础知识

1. 什么是AI？

AI（人工智能）的核心目标是让机器能够执行通常需要人类智能的任务，例如语言理解、图像识别、复杂问题解决等。

• 早期阶段：以规则为基础的专家系统，依赖预设的逻辑和规则。
• 机器学习时代：通过数据训练模型，使机器能够从数据中学习规律。
• 深度学习时代：利用神经网络模拟人脑的复杂结构，处理更复杂的任务。
• 大模型时代：以大规模数据和算力为基础，构建通用性强、性能卓越的AI模型。

2. AI的分类

二、大语言模型（LLM）与主流AI模型

1. 大型语言模型（LLM）

• LLM 是基于海量文本数据训练的深度学习模型，属于生成式AI的一种。常见模型有GPT系列、DeepSeek、Qwen等。
• 具备强大的文本理解、摘要、翻译、问答及内容创作能力。通过上下文关联，能进行连贯且富有逻辑的对话与写作，并可通过少量示例进行下游任务学习。

应用场景：

• 智能客服

电商网站导入基于LLM的聊天机器人，能即时理解客户复杂的售后问题，提供个性化解决方案，大幅提升服务效率与客户满意度。

• 内容创作：

营销团队使用LLM，输入产品关键字和目标受众，快速生成多版本的广告文案、社交媒体帖文与博客文章，有效降低人力成本。

2. 生图/生视频模型（Text-to-Image/Video）

• 专门将文字描述转换为全新图像或视频。代表模型有DALL-E、Midjourney、Sora等。
• 能根据用户输入的文字提示（Prompt），创造出符合描述且风格多样的视觉内容，融合不同概念、属性和风格，生成原创作品。

应用场景：

• 产品设计设计师输入“一款具有未来感的流线型运动跑鞋，采用回收海洋塑料材质”，模型可快速生成多款概念图，加速产品可视化与迭代过程。
• 影视预览导演利用文字生成视频模型，将剧本中的关键场景转换为动态预览片段，便于实际拍摄前评估镜头、光影和场景布局的可行性。

3. 视觉识别模型（Computer Vision Model）

• 视觉识别模型让计算机能“看懂”并解析图像与视频内容，主要任务包括图像分类、物体检测、图像分割等。代表模型有YOLO、ResNet。
• 能准确辨识影像中的物体、人脸、文字或特定场景，从像素中提取特征，与已知模式比对，完成识别、定位或追踪任务。

应用场景：

• 智能制造 生产线上部署视觉识别系统，能即时检测产品外观的微小瑕疵，自动剔除不合格品，确保出厂品质，准确率远超人眼。
• 医疗影像分析 医院导入AI辅助判读系统，分析X光或CT扫描影像，模型能快速标记疑似肿瘤或病变区域，协助医生提高诊断效率与准确性。

三、大语言模型Token与关键参数

1. Token的定义

Token是大型语言模型处理文本的最小单位。由于模型无法直接理解文字，需要将文本切分成Token，再转换为数字（向量）进行运算。不同模型使用不同的“分词器”（Tokenizer）。

示例：

• 英文 "Hello World"：GPT-4o 切分为 [“Hello“, ”World“] → token id = [13225, 5922]
• 中文“人工智能你好啊”： DeepSeek-R1 切分为 [“人工智能”, “你好”, “啊”] → token id = [33574, 30594, 3266] 分词方式不同会影响模型效率和对语言细节的理解能力。

推荐工具：tiktokenizer.vercel.app可查看不同模型的分词方式。

2. 模型的常见特殊Token

• 分隔符（Separator Token） 用于区分不同文本段落或角色，如 <|user|>、<|assistant|>。
• 结束符（End-of-Text Token） 告知模型文本结束，如 [EOS] 或 <|endoftext|>，确保生成内容完整不冗长。
• 起始符（Start Token） 标记序列开始，如 [CLS]、[BOS]，帮助模型准备处理文本。

3. Token长度限制

• 输入Token限制 模型单次API调用能处理的最大信息量，包括系统提示词、历史对话和当前输入。超出会报错。
• 输出Token限制 模型一次回复能生成的最大内容长度。设置过低会导致回答不完整，过高则增加调用时间和费用。

4. Temperature与Top P参数

用于控制LLM生成文本的多样性：

• Temperature（温度） 控制概率分布的“平滑度”。 高温度（如1.0+）：生成更具创造性但可能不连贯。低温度（如0.2）：生成更稳定、保守的内容。
• Top P（核采样） 设定概率阈值P，模型只在累计概率达到P的词汇表中选词。高Top P（如0.9）：结果多样。低Top P（如0.1）：结果更确定。

对比示例：

假设模型要完成句子“今天天气真...”

预测下一个词：好(60%)、不错(30%)、糟(9%)、可乐(0.01%)。

• 高Temperature：低概率词（如“可乐”）也有机会被选中。
• Top P=0.9：只从“好”和“不错”中选择，排除离谱选项。

四、AI大模型聊天产品的“超能力”

1.联网搜索

• 弥补LLM训练数据的时效性限制，获取外部实时信息。
• 系统识别用户需求，自动调用搜索引擎API（如Google），获取并总结实时信息，生成精准回答。

示例：

用户问“黄金的涨跌和哪些因素有关？”，LLM自动调用搜索工具，整理信息后给出答案。

2. 读取文件（RAG）

• 基于“检索增强生成”（Retrieval-Augmented Generation, RAG）技术。
• 上传文件后，系统分割内容并向量化，存入数据库。提问时检索相关片段，辅助模型生成答案。

示例：

上传公司财报，问“第二季度的利润是多少？”，RAG系统能精准定位并提取相关信息。

3. 记忆功能

• LLM本身无状态。系统通过上下文窗口实现“短期记忆”，通过数据库提取用户偏好等“长期记忆”，为模型提供个性化背景知识。

示例：

用户偏好“简洁回答风格”，系统记录并在后续对话中自动适应。

五、DashScope使用方法

1. 什么是DashScope API？

DashScope 是阿里云提供的模型即服务（Model-as-a-Service）平台API。

2. 基本使用步骤

1）安装与API密钥设置

import dashscope
from dashscope.api_entities.dashscope_response import Role
# 设置 API key
dashscope.api_key = "your-api-key"

2）模型调用

response = dashscope.Generation.call(
    model='模型名称',  # 如 'qwen-turbo', 'deepseek-r1' 等
    messages=messages,
    result_format='message'
)

3）message格式

messages = [
    {"role": "system", "content": "系统提示信息"},
    {"role": "user", "content": "用户输入"},
    {"role": "assistant", "content": "助手回复"},
    {"role": "user", "content": "用户新的输入"}
]

4）常用参数说明

response = dashscope.Generation.call(
    model='模型名称',
    messages=messages,
    result_format='message',
    temperature=0.7,
    top_p=0.8,
    max_tokens=1500,
    stream=False
)

• model 指定使用的模型（如 'deepseek-v3'）。
• messages 传递给模型的对话内容（列表，每项为字典，包含 role 和 content）。
• result_format 返回结果格式，'message'为标准消息格式。

5）获取响应结果

    # 获取生成的文本
    result = response.output.choices[0].message.content
    # 流式输出
    for chunk in response:
        print(chunk.output.choices[0].message.content, end='')

主要关注 response.output.choices[0].message.content，获取模型实际输出内容。

6）系统提示词（System Prompt）

• 用于设定AI的角色、行为准则和输出格式，是全局指令。
• 应在对话开始设定，内容清晰明确。
• 提示词会消耗Token，频繁更改可能导致AI行为不稳定。

六、DashScope API使用案例

CASE 1：情感分析

对用户评论进行情感正向/负向分析，适合舆情监控等场景。

import json
import os
import dashscope
from dashscope.api_entities.dashscope_response import Role
api_key = os.environ.get('DASHSCOPE_API_KEY')
dashscope.api_key = api_key
def get_response(messages):
    response = dashscope.Generation.call(
        model='deepseek-v3',
        messages=messages,
        result_format='message'
    )
    return response
review = '这款音效特别好 给你意想不到的音质。'
messages=[
    {"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"},
    {"role": "user", "content": review}
]
response = get_response(messages)
print(response.output.choices[0].message.content)

CASE 2：Function Call使用（天气查询）

为LLM提供实时天气查询服务，支持函数调用。

1）模拟天气查询函数

def get_current_weather(location, unit="摄氏度"):
    temperature = -1
    if '杭州' in location or 'Dalian' in location:
        temperature = 10
    if '上海' in location or 'Shanghai' in location:
        temperature = 36
    if '深圳' in location or 'Shenzhen' in location:
        temperature = 37
    weather_info = {
        "location": location,
        "temperature": temperature,
        "unit": unit,
        "forecast": ["晴天", "微风"],
    }
    return json.dumps(weather_info)

2）模型调用封装

def get_response(messages):
    try:
        response = dashscope.Generation.call(
            model='qwen-max',
            messages=messages,
            functions=functions,
            result_format='message'
        )
        return response
    except Exception as e:
        print(f"API调用出错: {str(e)}")
        return None

3）主要对话流程

query = "杭州的天气怎样"
messages=[{"role": "user", "content": query}]
response = get_response(messages)
if hasattr(message, 'function_call') and message.function_call:
    function_call = message.function_call
    tool_name = function_call['name']
    arguments = json.loads(function_call['arguments'])
    tool_response = get_current_weather(
        location=arguments.get('location'),
        unit=arguments.get('unit'),
    )
    tool_info = {"role": "function", "name": tool_name, "content": tool_response}
    messages.append(tool_info)
    response = get_response(messages)

4）函数注册配置

functions = [
    {
        'name': 'get_current_weather',
        'description': 'Get the current weather in a given location.',
        'parameters': {
            'type': 'object',
            'properties': {
                'location': {
                    'type': 'string',
                    'description': 'The city and state, e.g. San Francisco, CA'
                },
                'unit': {'type': 'string', 'enum': ['celsius', 'fahrenheit']}
            },
            'required': ['location']
        }
    }
]

5）整体工作流程

1. 用户输入查询天气的问题
2. 模型理解问题，决定调用天气查询函数
3. 模型生成函数调用参数（城市、温度单位）
4. 程序执行函数，获取天气数据
5. 将天气数据返回给模型
6. 模型生成最终自然语言回答