一 背景
根据业务或者使用场景搭建自定义的智能ai模型机器人，可以较少我们人工回答的沟通成本，而且可以更加便捷的了解业务需求给出大家设定的业务范围的回答，目前基于阿里云的通义千问模型研究。
二 模型研究
参考阿里云帮助文档：
https://help.aliyun.com/document_detail/2784263.html
https://help.aliyun.com/document_detail/2784278.html?spm=a2c4g.2779977.0.0.41c247904gVRRu
1.通过阿里云百炼平台构建我们的应用模型
2.搭建我们的数据中心&知识库
3.创建应用，关联知识库文档做模型
1、模型概览
|------|----------------------|----------------------------------------------------------------------------------------------------------------------------------------------------------|--------------------|
| 模型服务 | 模型名称 | 模型描述 | 备注 |
| 通义千问 | qwen-long | qwen-long是在通义千问针对超长上下文处理场景的大语言模型，支持中文、英文等不同语言输入，支持最长1000万tokens（约1500万字或1.5万页文档）的超长上下文对话。配合同步上线的文档服务，可支持word、pdf、markdown、epub、mobi等多种文档格式的解析和对话。 | |
| 通义千问 | qwen-turbo | 通义千问超大规模语言模型，支持中文、英文等不同语言输入。 | 百炼平台支持，智能思考度偏低响应较快 |
| 通义千问 | qwen-plus | 通义千问超大规模语言模型增强版，支持中文、英文等不同语言输入。 | 百炼平台支持，兼顾智能思考跟响应的 |
| 通义千问 | qwen-max | 通义千问千亿级别超大规模语言模型，支持中文、英文等不同语言输入。随着模型的升级，qwen-max将滚动更新。如果希望使用固定版本，请使用历史快照版本。当前qwen-max模型与qwen-max-0428快照版本等价，均为最新版本的qwen-max模型，同时也是当前通义千问2.5产品版本背后的API模型。 | 百炼平台支持，智能思考度较高响应较慢 |
| 通义千问 | qwen-max-0428 | 通义千问千亿级别超大规模语言模型，支持中文、英文等不同语言输入。该模型为qwen-max的2024年4月28号的历史快照稳定版本，预期维护到下个快照版本发布时间（待定）后一个月。 | |
| 通义千问 | qwen-max-0403 | 通义千问千亿级别超大规模语言模型，支持中文、英文等不同语言输入。该模型为qwen-max的2024年4月3号的历史快照稳定版本，预期维护到下个快照版本发布时间（待定）后一个月。 | |
| 通义千问 | qwen-max-0107 | 通义千问千亿级别超大规模语言模型，支持中文、英文等不同语言输入。该模型为qwen-max的2024年1月7号的历史快照稳定版本，仅推荐特定需求客户访问。 | |
| 通义千问 | qwen-max-1201 | 通义千问千亿级别超大规模语言模型，支持中文、英文等不同语言输入。该模型为qwen-max的2023年12月1号的历史快照稳定版本，预期维护到下个快照版本发布时间（待定）后一个月。 | |
| 通义千问 | qwen-max-longcontext | 通义千问千亿级别超大规模语言模型，支持中文、英文等不同语言输入。 | |
|----------------------|----------------------------------------------------------------------------------------------------------------------------------------------------------|--------------------|
| | 通义千问千亿级别超大规模语言模型，支持中文、英文等不同语言输入。随着模型的升级，qwen-max将滚动更新。如果希望使用固定版本，请使用历史快照版本。当前qwen-max模型与qwen-max-0428快照版本等价，均为最新版本的qwen-max模型，同时也是当前通义千问2.5产品版本背后的API模型。 | 百炼平台支持，智能思考度较高响应较慢 |
| qwen-max-0428 | 通义千问千亿级别超大规模语言模型，支持中文、英文等不同语言输入。该模型为qwen-max的2024年4月28号的历史快照稳定版本，预期维护到下个快照版本发布时间（待定）后一个月。 | |
| qwen-max-0403 | 通义千问千亿级别超大规模语言模型，支持中文、英文等不同语言输入。该模型为qwen-max的2024年4月3号的历史快照稳定版本，预期维护到下个快照版本发布时间（待定）后一个月。 | |
| qwen-max-0107 | 通义千问千亿级别超大规模语言模型，支持中文、英文等不同语言输入。该模型为qwen-max的2024年1月7号的历史快照稳定版本，仅推荐特定需求客户访问。 | |
| qwen-max-1201 | 通义千问千亿级别超大规模语言模型，支持中文、英文等不同语言输入。该模型为qwen-max的2023年12月1号的历史快照稳定版本，预期维护到下个快照版本发布时间（待定）后一个月。 | |
| qwen-max-longcontext | 通义千问千亿级别超大规模语言模型，支持中文、英文等不同语言输入。 | |
2、AI应用步骤搭建
Step 1：数据管理-导入数据
Step 2：创建知识 索引
选择导入数据到知识库
获取知识索引ID，支持与百炼Assistant API结合使用，支持RAG和插件的组合调用；
查看切割文档
Step 3：创建应用
进入我的应用后，点击新增应用。然后在应用配置中，进行以下几步操作：
-
选择模型。目前仅支持qwen-max模型，后续将支持更多的模型。同时，也可以支持设置模型内容生成的相关参数，如temperature等。
-
开启"知识检索增强"。
-
选择知识库，即在Step2中创建的知识索引。
-
点击"保存并发布"按钮。
4、测试AI应用
4.1 简单问题
4.2、自定义插件
在某些场景下，我们除了需要根据文档回答问题之外，还需要根据我们自定义的内容给出答案，例如查询公司某些业务的数据项，指标项等，这些三方ai无法清除，那么我们就可以通过自定义插件。
创建自定义插件
5 SDK对接
1、获取应用appid apikey
2、对接的地址
5.1、普通请求
java
@RequestMapping(value = "/ask/test")
public AssistantResp ask(@RequestBody AssistantReq req) {
long l = System.currentTimeMillis();
log.info("ask start={} message={}", l, req.getMessage());
try {
if (req.getMessage() == null || req.getMessage().trim().length() == 0) {
return AssistantResp.builder().message("请输入问题").build();
}
ApplicationParam param = ApplicationParam.builder()
.apiKey("sk-&&&&&&&&")
.appId("f8a%%%%%%%%%%%%%%")
.prompt(req.getMessage())
.sessionId(req.getSessionId())
.temperature(0.5F)
.build();
Application application = new Application();
ApplicationResult result = application.call(param);
log.info("result={}", JSONUtil.toJsonStr(result));
AssistantResp ask = AssistantResp.builder().message(result.getOutput().getText()).build();
log.info("请求耗时：{}", System.currentTimeMillis() - l);
log.info("ask end={},message={}", System.currentTimeMillis(), ask.getMessage());
return ask;
} catch (Exception e) {
return AssistantResp.builder().message("系统繁忙，请稍后再试").build();
}
}5.2 流式响应
java
@RequestMapping(value = "/stream", produces = MediaType.TEXT_EVENT_STREAM_VALUE)
public ResponseEntity<StreamingResponseBody> stream(@RequestBody AssistantReq req) {
try {
ApplicationParam param = ApplicationParam.builder()
.apiKey("sk-&&&&&&&&&&")
.appId("**************")
.prompt(req.getMessage())
.incrementalOutput(true)
.build();
Application application = new Application();
Flowable<ApplicationResult> resultFlowable = application.streamCall(param);
StreamingResponseBody responseBody = outputStream -> {
resultFlowable.blockingForEach(data -> {
String content = data.getOutput().getText();
log.info("content={}",content);
outputStream.write(content.getBytes());
outputStream.flush(); // 确保数据立即发送
}
);
};
return ResponseEntity.ok().body(responseBody);
} catch (NoApiKeyException e) {
e.printStackTrace();
} catch (InputRequiredException e) {
e.printStackTrace();
}
return ResponseEntity.ok().body(null);
}5.3 多轮会话
java
public void answer(String askStr,String tenantKey,String openId) throws Exception {
//通过openId 获取 sessionId
String sessionId = map.get(openId);
log.info("askStr start={}",askStr);
ApplicationParam param = ApplicationParam.builder()
.apiKey("sk-b**********")
.appId("f**************")
.prompt(askStr)
.sessionId(sessionId)
.build();
log.info("param={}",JSONUtil.toJsonStr(param));
Application application = new Application();
ApplicationResult result = application.call(param);
if(result.getOutput().getSessionId()!=null){
map.put(openId,result.getOutput().getSessionId());
}
String text = result.getOutput().getText();
}