序言
在最近GPT发布会透露的消息中，正式掀起了AIGC时代的开幕，相比于之前的GPT-4这次更新的可以说是彻底将GPT从内测期间的服务于部分群体转入到大众视野，不仅是价格的降低，更还有性能的优化，举个例子，如果想要实现一个智能人工客服，而不是傻瓜机器人，一个公司需要招聘的前端和后端工程师不计其数，并且工作效率也未知，但是这次GPT提供的大模型和API完美的解决了这个问题。所以说AIGC的魅力到底有多大呢，接下来我将展示分别取用自OPENAI和huggingface的两个大模型来完成智能客服和语句词情感分析功能的展示。
准备工作
我们最重要的是能够登录OPENAI和Colab网站，对此不熟悉得可以去看我之前得这篇文章，文章内有详细的步骤讲解
［教学篇］ 学会使用OpenAI 你也能成为跨境电商’超人’
一个Google账号（www.google.com/）
一个OpenAI账号 （openai.com/）
打开OpenAI生成一个APIKey
在Colab中输入另一个模板 得到最终结果
客服人工化体验
前言
大家都知道，客服是我们人工智能的“堂客”，但在这十五年期间我们所接触的客服都是只能回答简单的，重复的，相似的问题，并且对于不同人的回答也是一样的，为了解决这个问题我们需要对API进行NLP训练，使我们的智能客服拥有更贴切的语义理解和更人性化的回复生成。
PIP
今天的内容我们需要用到python的两个PIP，他们分别就是：
- pip install openai==0.10.2
- pip install transformers
实战开始
那么话不多说，开始我们今天的实战，首先打开colab新建一个文件并添加一个新代码
!pip install openai==0.10.2
我们首先在第一段代码中导入openai的PIP然后点击运行，如果运行代码和我一样最后一行一样说明你这这一步已经成功了。
# 基于openai 的大模型来强化客服
import openai
openai.api_key="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"
# 常量 文本生成的模型
COMPLETION_MODEL="text-davinci-003"
# 系统后台生成了一条记录，再调用我们这个程序来生成客服消息
prompt="""请你使用朋友的语气回复到客户并称他为亲，他的订单已经发货在路上了，预计在3天之内会送达，
订单号2021AEDG，我们很抱歉因为天气的原因物流时间比原来长，感谢他选购我们的商品。"""
# 封装了openai 回复的功能
def get_response(prompt,temperature=1.0):
# Completion模块
# 生成内容 同步的
# 调用openai库的Completion模块，创建一个新的
# 字典 (k:v)
completions = openai.Completion.create(
engine=COMPLETION_MODEL,
prompt=prompt,
max_tokens=1024,
n=1,
# null True
stop=None,
temperature=temperature
)
# JSON choices txt
print(completions)
message = completions.choices[0].text
return message
在这段代码中我们首先导入了OPENAI的一个大模型，然后输入我们自己的api_key；和上次一样我们这次继续使用text-davinci-003模型，接着就是编写我们的提示词，然后定义一个变量将我们的提示词和自由度作为参数传入，后面就是调用openai库里的Completion模块，创建一个新的对象。完成这些后就是最后的调用和生成结果了
print(get_response(prompt))
输入调用语句后点击执行，于是我们得到最后生成的结果是：
我们只需要给一段提示词，利用OPENAI提供的API和大模型就能完成每次生成不一样的客服回复，并且我们还可以根据用户的语句来进行情感分析生成不同情感的客服信息回复，那么接下来就让我们来感受来自抱抱脸（huggingFace）的一个pip，来实现语句词的情感分析。
语句词情感分析
我们还是继续在COLAB中进行，只需要新建一个笔记本，步骤如下：
然后点击添加代码，并输入以下代码:
!pip install transformers
接着点击执行，查看效果（相同则成功）：
from transformers import pipeline # pipeline 派发模块
classifer = pipeline('sentiment-analysis') # 情感分析
需要注意的是python和JS的语法有点类似但也有不同 这里的代码意思是从抱抱脸提供的PIP中导入pipelin模块用于情感分析，我们点击运行按钮查看执行结果：
到了这里我们的导入就成功了，接下来我们开始输入代码
代码格式为：
result = classifer('输入语句词语')
result //用来调用
最后我们点击执行，请看效果：
并且我们再导入中文模型，将我们的输入的中文翻译成英语这样可以避免语言转换导致的语义差异。
# 中文模型 大众点评的亿万条数据训练出来的
classifer = pipeline('sentiment-analysis',
model="uer/roberta-base-finetuned-dianping-chinese")
点击运行
如果效果和我一样则说明运行成功！
接下来我们再测试以下中午词语的情感分析：
result = classifer("遥遥领先")
print(result)
点击运行，查看结果
结语
到这里我们今天的内容就分享结束啦
感谢各位读者观看，如果感觉有收获的话，给作者点个赞支持一下吧。
后续作者会持续更新新的内容和有用的干货，收藏+关注 Coding不迷路！
