大模型估计已经是很多同学平常必备的工具了，不过日常个人使用都是在网页版或者在App端使用。
不过总有些需求需要调用API，比如一下解读很多个文件或者图片，手动一次一次的输入很麻烦；或者为实现某自动化流程，有固定格式的输入和固定的问题，直接调用API实现自动化输出，省去了重复的工作。
老美的ChatGPT是NB，但国内阿里的通义千问和月之暗面的kimi也很厉害了，我平常都是三个对比着用，自我感觉国内的这两个模型不比ChatGPT差。
这次先写通义千问大模型API的调用方式。
首先介绍通义千问大模型不同的版本：
qwen-max是常规的纯文本对话版本，网页版后台就是使用该版本；
qwen-long是可以解读pdf，word等文档的版本；
qwen-vl是可以解读图片的版本；
qwen-plus和qwen-turbo应是qwen-max的升级版，也是纯文本对话版本。
收费也不贵，注册账号30天内100万免费的tokens（一个token相当于相当于 1.5-2 个汉字，没啥大工程的话，完全够用了），超过30天就得收费了。
qwen-long可以处理大文件，输出的话1000 tokens也就0.002元，输入是0.0005元，没啥大工程的话也没多少钱，qwen-max和qwen-vl贵一些。
那么就看看这三个模型分别如何调用：
首先获取API-KEY，登录阿里云百炼平台：
https://bailian.console.aliyun.com/#/home
点击个人头像，选择API-KEY：
进入API-KEY界面，点击创建新的API-KEY即可：
然后返回首页，点击模型下面的立即调用，就会看到可以调用一堆大模型：
具体如何调用呢？
测试了两个不同的python包，阿里自己的DashScope包，还有OpenAI包，哪个更方便选哪个。
首先纯文本对话模型：qwen-max，也可改为qwen-plus和qwen-turbo
from http import HTTPStatusfrom dashscope import Generation
apikey = "####你的apikey###"##询问第一个问题：“如何做西红柿炖牛腩？”messages = [{'role': 'system', 'content': 'You are a helpful assistant.'}, {'role': 'user', 'content': '如何做西红柿炖牛腩？'}]response = Generation.call(model="qwen-max", messages=messages, # 将输出设置为"message"格式 result_format='message', api_key=apikey) if response.status_code == HTTPStatus.OK: print(response.output.choices[0].message.content) # 将assistant的回复添加到messages列表中 messages.append({'role': response.output.choices[0]['message']['role'], 'content': response.output.choices[0]['message']['content']})else: print('Request id: %s, Status code: %s, error code: %s, error message: %s' % ( response.request_id, response.status_code, response.code, response.message )) # 如果响应失败，将最后一条user message从messages列表里删除，确保user/assistant消息交替出现 messages = messages[:-1]
# 第二个问题messages.append({'role': 'user', 'content': '不放糖可以吗？'})# 进行第二轮模型的响应response = Generation.call(model="qwen-max", messages=messages, result_format='message', # 将输出设置为"message"格式 api_key=apikey )if response.status_code == HTTPStatus.OK: print(response.output.choices[0].message.content)else: print('Request id: %s, Status code: %s, error code: %s, error message: %s' % ( response.request_id, response.status_code, response.code, response.message ))
返回结果：
然后是处理文本文件的qwen-long模型，亲测没问题：
from openai import OpenAIfrom pathlib import Pathimport os
##多轮对话函数 def chat(query, history): history.append({ "role": "user", "content": query }) completion = client.chat.completions.create( model="qwen-long", messages=history, ) result = completion.choices[0].message.content history.append({ "role": "assistant", "content": result }) return result if __name__ == "__main__": apikey = "##你的apikey##" client = OpenAI( api_key=apikey, base_url="https://dashscope.aliyuncs.com/compatible-mode/v1", )
输入文件： file_object = client.files.create(file=Path("输入的文件路径（pdf，word等）"), purpose="file-extract") history = [ { "role": "system", "content": "You are a helpful assistant.", }, { "role": "system", "content": f'fileid://{file_object.id}', }, ] ##运行函数，第一个问题 jiedu = chat("全面解读传入的文件", history) print(jiedu) ##运行函数，第二个问题，需要将历史对话信息传入新一轮对话 advice = chat("有什么建议", history) print(advice) ##等等。。。。
最后是可解读图片的qwen-vl模型，亲测没问题：
from dashscope import MultiModalConversationfrom http import HTTPStatus
##多轮对话函数def chat(messages): ##模型可以是qwen-vl-max也可以是qwen-vl-plus response = MultiModalConversation.call(model="qwen-vl-max", messages=messages, # 将输出设置为"message"格式 result_format='message', api_key=apikey) if response.status_code == HTTPStatus.OK: #prnt(response.output.choices[0].message.content) # 将assistant的回复添加到messages列表中 messages.append({'role': response.output.choices[0]['message']['role'], 'content'
: response.output.choices[0]['message']['content']}) else: print('Request id: %s, Status code: %s, error code: %s, error message: %s' % ( response.request_id, response.status_code, response.code, response.message )) # 如果响应失败，将最后一条user message从messages列表里删除，确保user/assistant消息交替出现 messages = messages[:-1] return response,messages
if __name__ == "__main__": apikey = "##你的api-key##" tarfig = "待解读图片路径" rawmessages = [{'role': 'system', 'content': 'You are a helpful assistant.'}] ##第一轮对话 jiedu_mes = {'role': 'user', 'content': [ {"image": tarfig}, {"text": "全面解读该图片"} ]} rawmessages.append(jiedu_mes) jiedu,messages_jiedu = chat(rawmessages) print(jiedu.output.choices[0].message.content[0]["text"]) ##第二轮对话，需要将历史对话信息传入新一轮对话 advice_mes = {'role': 'user', 'content': "有什么相关建议？"} messages_jiedu.append(advice_mes) advice,messages_advice = chat(messages_jiedu) print(advice.output.choices[0].message.content[0]["text"]) ##下一轮对话，与上格式相同
获得了输出结果，就可以根据你自己的需求修改格式，输出你需要的报告了。
