How to use gpt-4o-mini by Python
文章目录
-
- [1 python环境安装](#1 python环境安装)
-
- [1.1 anaconda 添加到系统变量](#1.1 anaconda 添加到系统变量)
- [1.2 anaconda 创建新的python虚拟环境](#1.2 anaconda 创建新的python虚拟环境)
- [2 langchain 与 openai python包安装](#2 langchain 与 openai python包安装)
- [3 openai API 接入](#3 openai API 接入)
-
- [3.1 第三方API站点](#3.1 第三方API站点)
- [3.2 windows配置](#3.2 windows配置)
- [3.3 大模型API调用消费估算](#3.3 大模型API调用消费估算)
- [4 相关教程](#4 相关教程)
- 重要事项
1 python环境安装
默认大家都安装了anaconda
若没有安装点击下载 anaconda， Download Now | Anaconda
1.1 anaconda 添加到系统变量
如果在windows进入命令行输入conda，若看到下述的输出结果，说明anaconda已经添加到了系统环境中，可跳过本章节。
如果没有反应，你需要将conda添加到系统环境路径中，如下面的图片进行添加。
一般在安装anaconda的时候，会有一个选择，是否要将conda，添加到系统路径中：|
若当时勾了，它会自动添加到系统路径中，就无需进行下述操作，；
若当时没勾，按照下述提示，把个人自己的anaconda安装地址的路径，添加进环境变量中；
如下图所示，先找到自己电脑上 anaconda的安装路径：
如下图所示，再把anaconda的下述两个文件夹的路径，添加到系统环境变量中。
1.2 anaconda 创建新的python虚拟环境
Python的每个大型的项目都应该使用单独的python环境，从而避免包冲突；
若读者觉得没必要创建新环境，愿意使用原始环境，那么可跳过当前章节；
-
查看当前有哪些python环境
conda env list如下图所示，当前只有一个base环境。
-
init
若是第一次使用conda，请先运行
conda init，然后关闭命令窗口，再开一个新的命令窗口。
-
conda activate base能得到下述结果，说明conda配置成功
-
创建新python环境
因为python的base环境，python是3.11.7版本，新环境的python版本也设置为3.11.7。
新环境的python版本设置为多少，因人而异
创建新的python环境，取名为 llm （large language model 大语言模型简称）
shellconda create --name llm python=3.11.7
输入 y，然后回车:
输入
conda env list，可发现新环境已添加成功输入
conda activate llm, 激活刚才创建的llm 环境，如下图所示就可发现环境完成了从base到llm的切换。
接下来，就在当前的激活的llm窗口中，完成python包的安装。
2 langchain 与 openai python包安装
对 langchain 感兴趣的，可点击查看langchain的官方文档 How to install LangChain packages | 🦜️🔗 LangChain
直接在命令窗口输入下述装包命令，即可完成包的安装：
shell
pip install langchain langchain-openai langchain-core langchain-community langchain-experimental如下图所示完成了包的安装：
3 openai API 接入
3.1 第三方API站点
由于OpenAI服务器在海外，且对一些国家不提供服务。出于科研与实验的需要，可使用第三方的服务，由第三方的站点把数据包转发OpenAI服务器。
按需选用，包括且不限于下述的网站：
- https://api.chatfire.cn/register?aff=zJhM 充值：1$ =1￥，API收费略高于OpenAI
- https://api2.aigcbest.top/ 充值：1$ = 2.5￥, API收费与OpenAI一致
- https://www.gptapi.us/register?aff=9xEy 充值：1$ = 1￥，API收费与OpenAI一致，50元起充
本文以 http://api.chatfire.cn 作为示例：
先添加令牌，再复制密钥，密钥格式：sk-xxx。
点击查看，可使用的模型列表：ChatfireAPI
值得注意的是：gpt-4o-mini 是性价比高的模型。其他的模型都相对比较贵。
运行下述代码即可获得 gpt-4o-mini 的回答：
python
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(
model="gpt-4o-mini",
base_url="https://api.chatfire.cn/v1/",
api_key="sk-xxx", # 在这里填入你的密钥
)
res = llm.invoke("你是谁？请你简要做一下，自我介绍？")
print(res)下述是大模型返回的内容:
python
我是GPT-4o mini，一个大型语言模型，由OpenAI训练。我的主要功能是回答问题、提供信息和帮助解决各种语言相关的任务。无论是写作、学习还是日常交流，我都能提供支持。如果你有任何问题，欢迎随时问我！在运行程序时，可以发现10秒后才出结果。
加快批量处理速度：
- 加钱找客服，要求使用直连的专线，要多出3倍多的钱。
- 使用多线程加速，如果只使用一个令牌会被限速。弄很多个账号，使用很多个令牌构建令牌池，每次发起请求时，随机从令牌池中获取令牌。
3.2 windows配置
在[3.1章节](# 3.1 第三方API站点)中，需要在代码中填入第三方API接口的网址和密钥。
在代码中，填入密钥有泄漏风险（因为代码要云端备份和与人分享），最重要的是要输入网址和密钥很麻烦。
故可以将url和key，添加到系统环境变量中，在后续的代码中就无需填写这两个参数。
若你是Mac系统和Linux系统，执行下述命令：
shell
export OPENAI_API_BASE=https://api.chatfire.cn/v1/
export OPENAI_API_KEY=sk-xxx若你是Windows系统，按照下述方式配置系统变量：
与[1.1 anaconda 添加到系统变量](# 1.1 anaconda 添加到系统变量) 一样，打开系统环境变量，与上次不同的是这一次是新建 。
python
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(
model="gpt-4o-mini",
)
res = llm.invoke("鲁迅和周树人是同一个人吗？")
print(res)如下结果所示，无需在代码中填写网址和密钥一样可以获得大模型的输出结果。
python
content='是的，鲁迅和周树人是同一个人。鲁迅是周树人的笔名，他是中国现代文学的重要作家。' additional_kwargs={'refusal': None} response_metadata={'token_usage': {'completion_tokens': 46, 'prompt_tokens': 24, 'total_tokens': 63}, 'model_name': 'gpt-4o-mini', 'system_fingerprint': None, 'finish_reason': 'stop', 'logprobs': None} id='run-3762857a-6c2a-4fbb-ad5d-524f020eaf7c-0' usage_metadata={'input_tokens': 24, 'output_tokens': 46, 'total_tokens': 63}3.3 大模型API调用消费估算
下述是大模型的输出结果，不仅给出了文本，还给出了相应的输入和输出耗费的token数。
python
AIMessage(
content='我是GPT-4o mini，一个大型语言模型，由OpenAI训练。我的主要功能是回答问题、提供信息和帮助解决各种语言相关的任务。无论是写作、学习还是日常交流，我都能提供支持。如果你有任何问题，欢迎随时问我！',
additional_kwargs={'refusal': None},
response_metadata={'token_usage': {'completion_tokens': 96, 'prompt_tokens': 27, 'total_tokens': 116}, 'model_name': 'gpt-4o-mini',
'system_fingerprint': None, finish_reason': 'stop', 'logprobs': None},
id='run-b9964b57-83e4-4a2d-8444-81bc5d21abc1-0',
usage_metadata={'input_tokens': 27, 'output_tokens': 96, 'total_tokens': 116})根据下图矩行框的高度预估这一次调用消费是大概是 9 x 10^-5^ $。
下述这张图是该网站关于 gpt-4o-mini 的收费标准：
1M = 1024 x 1024 = 1048576 = 1.04 x 10^6^
大模型输入收费是：0.2249999 / 1M token；
大模型输出收费是：0.899999 / 1M token；
usage_metadata={'input_tokens': 27, 'output_tokens': 96, 'total_tokens': 116})
所以本次的消费金额计算过程如下：
27 × 0.225 + 96 × 0.90 1.04 × 1 0 6 = 8.89 × 1 0 − 5 \frac{27 \times 0.225 + 96 \times 0.90}{1.04 \times 10^{6}} = 8.89 \times 10^{-5} 1.04×10627×0.225+96×0.90=8.89×10−5
我们的计算结果与网站的扣费是一致的。
日常使用时，1个字大概约等于1 token，可使用上述计算过程预估出大致的扣费金额。
4 相关教程
下述是LangChain的官方教程文档：
若要使用大模型，写好提示词至关重要，下述是一些不错的提示词教程：
- ChatGPT提示工程师&吴恩达教你写提示词｜prompt engineering【完整中字九集全】 代码教程
- 【45分钟系统学习】ChatGPT Prompt提示词工程 基础>少样本>思维链>联网>认知搜索>ReAct实现ChatGPT插件
重要事项
-
写好提示词
-
给少样的例子，便于大模型学习
few-shot 提示词示例：
pythonprompt = """ 参考下述例子，生成相应的回答，请你从中提取出今年生产总值的预期增长值是多少？ 按照下述提供的json格式返回结果。 Input: 孝感市1894年文件节选：主要预期目标是：全市生产总值增长10％以上 Output: {"city":"孝感市", "year":"1894", "GDP_growth":"10%"} Input: 上海市1895年文件节选：初步核算，全市生产总值比上年增长１１．１％，\n今年经济社会发展的主要预期目标是：生产总值增长１２％，全社会固定资产投资增长２０％，' Output: {"city":"上海市", "year":"1895", "GDP_growth":"12%"} Input: {filename}年文件节选：{content} Output: """.strip()相关博客推荐：利用langchain 做大模型 Few-shot Learning 提示，包括固定和向量相似的动态样本筛选
-
让大模型每次只做一件小事，聚焦有利于提高大模型的能力
-
无论大模型的效果看起来有多好，总有一些大模型会生成失败或错误的样本。观察大模型生成 的答案，使用python根据规则找回这些错误的样本进行后处理。
-
让大模型一步一步思考，给出原因，通过大模型生成的原因可以分析大模型得出结论的原因，再逐步修改提示词和示例
python从Input中提取出生产总值的预期增长百分数。若没有提及预期生产总值就返回null。 若文本中有预计生产总值和预期生产总值，则应只保留预期生产总值。 针对Input中文本，一步一步地思考，思考过程保存在Reason中，再依据Reason生成Output。 参考下述例子，学习这些例子内在的逻辑。 只能通过当前的Input生成Reason，最终的输出结果Output按照json格式返回。 Input: 抚顺市2004年文件节选：2004年的主要预期目标是:国内生产总值实现360亿元，增长14.5％ Reason: 当前年份是2004年，文本中提到2004年国内生产总值预期增长14.5％。 Output: {"city":"抚顺市", "year":"2004", "GDP_growth":"14.5%"} Input: 上海市xxxx年文件节选：初步核算，全市生产总值比上年增长１１．１％，农民人均纯收入增长１０．２％，年初确定的主要预期目标和各项工作任务全面超额完成\n今年经济社会发展的主要预期目标是：生产总值增长１２％，全社会固定资产投资增长２０％，' Reason: 全市生产总值比上年增长１１．１％，这是去年的总结；生产总值增长１２％，这才是今年的预期；所以要返回12%。 Output: {"city":"上海市", "year":"xxxx", "GDP_growth":"12%"} -
让大模型先处理得到结果，再使用提示词创建大模型扮演老师，审核上一个大模型生成的答案，找出做的不对的样本