调用智谱AI,面试小助手Flask简单示例

文章目录

1.接入AI

获取API密钥

在智谱AI的官方网站上注册,右上角点击API密钥,新建并复制一个 API Key,不要在公开的代码中暴露你的API密钥

Python代码

在Jupyter Notebook中,发送HTTP请求到智谱AI的API,需要提前pip install zhipuai

运行代码,看到 AI 的回复

python 复制代码
from zhipuai import ZhipuAI
client = ZhipuAI(api_key="") # 填写自己的APIKey
response = client.chat.completions.create(
    model="glm-4-0520",  # 填写需要调用的模型编码
    messages=[
        {"role": "system", "content": "你是一个乐于解答各种问题的助手,你的任务是为用户提供专业、准确、有见地的建议。"},
        {"role": "user", "content": "我对太阳系的行星非常感兴趣,特别是土星。请提供关于土星的基本信息,包括其大小、组成、环系统和任何独特的天文现象。"},
    ],
    stream=True,
)
for chunk in response:
    print(chunk.choices[0].delta)

2.小助手的实现流程

(1)提供求职者的简历内容,输入给 AI 面试官,让其分析并生成面试问题

(2)将生成的问题逐一输入给 AI 求职者,让其给出答案

(3)对 AI 生成的结果进行组合整理

python 复制代码
from zhipuai import ZhipuAI

# 初始化ZhipuAI客户端
client = ZhipuAI(api_key="")  # ""填写自己的APIKey

def generate_interview_questions(resume):
    # 构建系统消息,描述面试官的角色和任务
    system_message = {
        "role": "system",
        "content": "你是一位经验丰富的 AI 面试官,下面我会给你一份求职者的简历,请分析简历并提出相关的面试问题。要求输出格式如下,每个问题一行,此外不要有任何多余的内容:{序号}. {面试问题}"
    }
    # 构建用户消息,包含简历内容
    user_message = {"role": "user", "content": resume}
    # 调用API生成面试问题
    response = client.chat.completions.create(
        model="glm-4-0520",  # 填写需要调用的模型编码
        messages=[system_message, user_message],
        stream=True,
    )
    
    # 处理API响应,生成面试问题列表
    questions = []
    current_question = ""
    for chunk in response:
        delta = chunk.choices[0].delta
        if delta.content:
            current_question += delta.content
            if current_question.endswith('.'):
                questions.append(current_question.strip())
                current_question = ""
                if len(questions) == 10:  # 生成10个问题后停止
                    break
    return questions

# 示例简历
user_resume = "Java程序员,工作经验3年,熟悉MySQL、Redis,有过电商项目经历"

# 生成面试问题
interview_questions = generate_interview_questions(user_resume)

# 打印面试问题
for i, question in enumerate(interview_questions, start=1):
    print(f"{i}. {question}")

# 假设我们有一个函数来调用AI求职者系统,并使用生成的面试问题来获取回答
def invoke(prompt, user_prompt):
    response = client.chat.completions.create(
        model="glm-4-0520",
        messages=[{"role": "system", "content": prompt}, {"role": "user", "content": user_prompt}],
        max_tokens=150,  # 增加最大token数以获取更完整的回答
        stop=None,
        temperature=0.7
    )
    return response.choices[0].message.content.strip()

# 遍历面试问题列表,每个问题都要调用一次 AI 求职者
question_answer_map = {}
for question in interview_questions:
    user_prompt = f"---个人简历---\n{user_resume}\n---面试问题---\n{question}"
    ai_applicant_reply = invoke(AI_APPLICANT_SYSTEM_PROMPT, user_prompt)
    question_answer_map[question] = ai_applicant_reply.strip()

# 打印问题和答案
for question, answer in question_answer_map.items():
    print(f"{question}\n{answer}\n")

# 输出问题答案映射
print(question_answer_map)

3.Flask应用示例

助手集成到一个Python Flask应用中

开发环境中已安装Flask、zhipuai

目录结构

Python文件.py

在你的项目目录下创建一个新的Python文件,app.py,代码:

python 复制代码
from flask import Flask, render_template, request
from zhipuai import ZhipuAI

app = Flask(__name__)
client = ZhipuAI(api_key="")  # 请填写自己的APIKey

def generate_interview_questions(resume):
    system_message = {
        "role": "system",
        "content": "你是一位经验丰富的 AI 面试官,下面我会给你一份求职者的简历,请分析简历并提出相关的面试问题。要求输出格式如下,每个问题一行,此外不要有任何多余的内容:{序号}. {面试问题}"
    }
    user_message = {"role": "user", "content": resume}
    response = client.chat.completions.create(
        model="glm-4-0520",
        messages=[system_message, user_message],
        stream=True,
    )
    
    questions = []
    current_question = ""
    for chunk in response:
        delta = chunk.choices[0].delta
        if delta.content:
            current_question += delta.content
            if current_question.endswith('.'):
                questions.append(current_question.strip())
                current_question = ""
                if len(questions) == 11:
                    break
    return questions

def invoke(prompt, user_prompt):
    response = client.chat.completions.create(
        model="glm-4-0520",
        messages=[{"role": "system", "content": prompt}, {"role": "user", "content": user_prompt}],
        max_tokens=500,
        stop=None,
        temperature=0.7
    )
    return response.choices[0].message.content.strip()

@app.route('/', methods=['GET', 'POST'])
def index():
    questions_answers = {}
    if request.method == 'POST':
        resume = request.form['resume']
        interview_questions = generate_interview_questions(resume)
        for question in interview_questions:
            ai_response = invoke("你的系统提示", f"---个人简历---\n{resume}\n---面试问题---\n{question}")
            questions_answers[question] = ai_response.strip()
    return render_template('index.html', questions_answers=questions_answers)

if __name__ == '__main__':
    app.run(debug=True)

index.html

xml 复制代码
<!DOCTYPE html>
<html lang="zh">
<head>
    <meta charset="UTF-8">
    <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <title>面试助手</title>
</head>
<body>
    <h1>AI 面试助手</h1>
    <form method="POST">
        <label for="resume">输入简历:</label><br>
        <textarea id="resume" name="resume" rows="5" cols="40" required></textarea><br>
        <input type="submit" value="生成面试问题">
    </form>
    <h2>生成的面试问题和答案</h2>
    <ul>
        {% for question, answer in questions_answers.items() %}
            <li><strong>{{ question }}</strong>: {{ answer }}</li>
        {% endfor %}
    </ul>
</body>
</html>

运行Flask应用

在终端中,导航到项目目录并运行以下命令:

python app.py

此时,Flask应用现在应该在 http://localhost:5000/ 运行

地址栏输入 http://localhost:5000/

显示如下,简历输入"Java程序员,工作经验3年,熟悉MySQL、Redis,有过电商项目经历"

点击按钮,过一会儿会出现


相关推荐
OpenVINO 中文社区2 分钟前
实战精选|如何使用 OpenVINO™ 在 ElectronJS 中创建桌面应用程序
人工智能·openvino
只怕自己不够好7 分钟前
《OpenCV 图像缩放、翻转与变换全攻略:从基础操作到高级应用实战》
人工智能·opencv·计算机视觉
长风清留扬12 分钟前
一篇文章了解何为 “大数据治理“ 理论与实践
大数据·数据库·面试·数据治理
网络研究院13 分钟前
国土安全部发布关键基础设施安全人工智能框架
人工智能·安全·框架·关键基础设施
不去幼儿园2 小时前
【MARL】深入理解多智能体近端策略优化(MAPPO)算法与调参
人工智能·python·算法·机器学习·强化学习
想成为高手4992 小时前
生成式AI在教育技术中的应用:变革与创新
人工智能·aigc
YSGZJJ2 小时前
股指期货的套保策略如何精准选择和规避风险?
人工智能·区块链
无脑敲代码,bug漫天飞3 小时前
COR 损失函数
人工智能·机器学习
HPC_fac130520678163 小时前
以科学计算为切入点:剖析英伟达服务器过热难题
服务器·人工智能·深度学习·机器学习·计算机视觉·数据挖掘·gpu算力
小陈phd6 小时前
OpenCV从入门到精通实战(九)——基于dlib的疲劳监测 ear计算
人工智能·opencv·计算机视觉