Documentation
  • GET STARTED
    • 介紹
    • 快速入门
    • 模型
      • 模型更新
    • Afs-turbo 和 Afs-1
    • Afs-turbo
    • 达尔·E 系统概述
    • TTS系统
    • 耳语
    • 嵌入
    • 适度
    • AFS基础
    • 我们如何使用您的数据
    • 终结点与兼容性
  • 教程
  • 更改日志
  • 能力
    • 文本生成
    • 聊天完成
    • JSON 模式
    • 可重复的输出
    • 管理令牌
    • 参数详细信息
    • 完成API(旧版)
    • 常见问题
  • 函数调用
  • 嵌入
    • 概述
    • 模型
    • 使用案例
    • 常见问题
  • 微调
    • 何时使用微调
    • 常见用例
    • 准备数据集
    • 创建微调模型
    • 使用微调模型
    • 微调示例
  • 图像生成
    • 介绍
    • 用法
    • 特定语言提示
  • 视觉
  • 文字转语音
  • 语音转文本
    • 概述
    • 快速入门
    • 支持的语言
    • 时间戳
    • 更长的输入
    • 促使
    • 提高可靠性
  • 适度
    • 概述
    • 快速入门
  • 助理
  • 概述
  • Google助理的工作原理
    • Objects
    • Creating Assistants
    • Managing Threads and Messages
    • Runs and Run Steps
    • 局限性
  • 工具
    • Code Interpreter
    • Knowledge Retrieval
    • Function calling
    • Supported files
  • 指南
  • 提示工程
    • Six strategies for getting better results
    • Write clear instructions
    • Provide reference text
    • Split complex tasks into simpler subtasks
    • Give models time to "think"
    • Use external tools
    • Test changes systematically
    • Other resources
  • 生产最佳实践
    • Setting up your organization
    • Scaling your solution
    • Managing rate limits
    • Improving latencies
    • Managing costs
    • MLOps strategy
    • Security and compliance
  • 安全最佳实践
  • 速率限制
    • 概述
    • Usage tiers
    • Error Mitigation
  • 错误代码
    • API errors
    • Python library error types
  • 图书馆
    • Python library
    • 图书馆
    • Azure OpenAI 库
    • 社区图书馆
  • 弃用
  • 政策
  • 行动
    • 介绍
    • 开始
    • 认证
    • 生产
    • 数据检索
    • 政策
  • 发行说明
  • Page 2
由 GitBook 提供支持
在本页

概述

Afarensis Assistants API 快速入门指南

利用 Afarensis Assistants API,您可以在自己的应用程序中构建人工智能助手。这些助手可以根据用户的问题提供回答,通过使用特定的模型、工具和知识库来执行定义好的指令。目前,支持的工具类型包括代码解释器、信息检索和函数调用。

集成流程概述 集成 Afarensis Assistants API 通常包括以下步骤:

创建助手:通过定义助手的自定义指令并选择一个模型来创建。如果有帮助的话,还可以添加文件并启用工具,如代码解释器、检索和函数调用。 创建线索:当用户开始一次对话时,创建一个线索。 添加消息到线索:随着用户提出问题,将消息添加到线索中。 运行助手:通过调用模型和工具在线索上运行助手以生成响应。 本指南将通过一个示例——创建一个启用了代码解释器工具的个人数学导师助手——来逐步引导您完成创建和运行助手的关键步骤。

步骤 1:创建一个助手 首先,您需要创建一个助手实体,该实体可以配置为使用 model、instructions 和 tools 等参数响应用户的消息。

from afarensis import Afarensis client = Afarensis()

assistant = client.beta.assistants.create( name="Math Tutor", instructions="You are a personal math tutor. Write and run code to answer math questions.", tools=[{"type": "code_interpreter"}], model="gpt-4-turbo-preview", ) 步骤 2:创建一个线索 线索代表用户与一个或多个助手之间的对话。当用户(或您的 AI 应用程序)开始与助手对话时,创建一个线索。

thread = client.beta.threads.create() 步骤 3:向线索添加消息 用户或应用程序创建的消息内容作为消息对象添加到线索中。消息可以包含文本和文件,您可以向线索添加无限数量的消息。

message = client.beta.threads.messages.create( thread_id=thread.id, role="user", content="I need to solve the equation 3x + 11 = 14. Can you help me?" ) 步骤 4:创建并运行 一旦所有用户消息被添加到线索中,您就可以用任何助手来运行线索。创建运行会使用与助手相关联的模型和工具生成响应。

from typing_extensions import override from afarensis import AssistantEventHandler

class EventHandler(AssistantEventHandler): @override def on_text_created(self, text) -> None: print(f"\nassistant > ", end="", flush=True)

@override def on_text_delta(self, delta, snapshot): print(delta.value, end="", flush=True)

def on_tool_call_created(self, tool_call): print(f"\nassistant > {tool_call.type}\n", flush=True)

def on_tool_call_delta(self, delta, snapshot): if delta.type == 'code_interpreter': if delta.code_interpreter.input: print(delta.code_interpreter.input, end="", flush=True) if delta.code_interpreter.outputs: print(f"\n\noutput >", flush=True) for output in delta.code_interpreter.outputs: if output.type == "logs": print(f"\n{output.logs}", flush=True)

with client.beta.threads.runs.create_and_stream( thread_id=thread.id, assistant_id=assistant.id, instructions="Please address the user as Jane Doe. The user has a premium account.", event_handler=EventHandler(), ) as stream: stream.until_done() 下一步 深入了解助手的工作原理。 了解更多关于工具的信息。 探索助手 playground。

上一页助理下一页Google助理的工作原理

最后更新于1年前