分享一个大模型在请求api接口上的巧用

前言

自从Chatgpt横空出世以来，各种智能工具层出不穷，聊天、绘画、视频等各种工具帮助很多人高效的工作。作为一个开发者，目前常用应用包括代码自动填充，聊天助手等。

这些是工具层面的使用，有没有将大模型和日常编码的前后端流程相结合使用的切入点呢？今天分享一个使用大模型自动调用api接口的示例，可以作为大模型在开发中的另一种使用场景。

接口说明

示例接口如下，一个八字测算的接口（仅做示例，非封建迷信）

请求接口：[https://api.yuanfenju.com/index.php/v1/Bazi/paipan](https://api.yuanfenju.com/index.php/v1/Bazi/paipan)

请求方法：POST

请求body:

{
    "api_key": "xxxx",
    "name": "张三",
    "sex": 0,
    "type": 1,
    "year": 2000,
    "month": 10,
    "day": 10,
    "hours": 22,
    "minute": 0
}

api_key 需要在网站申请

请求示例：

大模型提取信息发送请求

接口的信息如上，正常开发过程是构造好url, body，然后发送请求。使用大模型首先将文字的信息提取变成请求的body体，使用的langchain框架来完成。

原理非常简单，就是创建合适的提示词，让大模型提取传入内容中的关键字段，并以json格式返回。

示例如下

import os
import requests
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import JsonOutputParser
from langchain_openai import ChatOpenAI

os.environ["OPENAI_API_KEY"] = "sk-eCWGtrwU14E60A45E8a2T3BlbKFJ18b59d41Fdb748828B0f"
os.environ["OPENAI_API_BASE"] = "https://aigptx.top/v1"

def fun(query):
    url = f"https://api.yuanfenju.com/index.php/v1/Bazi/cesuan"

    # 创建大模型提示词，提取文字的内容
    prompt = ChatPromptTemplate.from_template(
        """你是一个参数查询助手，根据用户输入内容找出相关的参数并按json格式返回。
        JSON字段如下：
        - "api_key": "K0I5WCmce7jlMZzTw7vi1xsn0",
        - "name": "姓名",
        - "sex": "性别，0表示男，1表示女，根据姓名判断",
        - "type": "日历类型，0农历，1公里，默认1"，
        - "year": "出生年份 例：1998",
        - "month": "出生月份 例 8",
        - "day": "出生日期，例：8",
        - "hours": "出生小时 例 14",
        - "minute": "0"，
        如果没有找到相关参数，则需要提醒用户告诉你这些内容，只返回数据结构，不要有其他的评论，
        用户输入:{query}""")

    chain = prompt | ChatOpenAI(temperature=0) | JsonOutputParser()
    data = chain.invoke({"query": query})
    print(f"接口body格式化结果: {data}")

    result = requests.post(url, data)
    if result.status_code == 200:
        print(f"接口关键信息：{result.json()['data']['bazi_info']}")
        try:
            content = result.json()
            res = f"八字为：{content['data']['bazi_info']['bazi']}"
            print(res)
        except Exception as e:
            print(f"八字查询失败，返回数据异常: {e}")
    else:
        print("接口请求状态异常")

if __name__ == "__main__":
    query = "2000年10月10日22时"
    fun(query)

结果：

接口body格式化结果: {'year': '2000', 'month': '10', 'day': '10', 'hours': '22', 'api_key': 'K0I5WCmce7jlMZzTw7vi1xsn0', 'name': '姓名', 'sex': '性别，0表示男，1表示女，根据姓名判断', 'type': '日历类型，0农历，1公历，默认1', 'minute': '0'}
接口关键信息：{'kw': '戌亥', 'tg_cg_god': ['正财', '劫财', '日元', '偏财'], 'bazi': '庚辰 丙戌 丁卯 辛亥', 'na_yin': '白蜡金'}
八字为：庚辰 丙戌 丁卯 辛亥

复现必要准备：

1. 安装langchain
2. 国内openai代理
3. 网站api_key

分析

首先构造提示词，这是整个流程的灵魂。通常提示词常见使用CRISPE框架，它可以为模型提供详细的背景，任务目标和输出格式要求。

CR：capacity and role 能力与角色	希望模型扮演怎样的角色以及角色具有的能力	你是一个参数查询助手
I：insight 洞察力	完成任务依赖的背景信息
S：statement 指令	希望模型做什么，任务的核心关键词和目标	根据用户输入内容找出相关的参数
P：personality 个性	希望模型以什么样的风格或方式输出	并按json格式返回
E：experiment 尝试	要求模型提供多个答案，任务输出结果数量

本示例中提示词：

# 创建大模型提示词，提取文字的内容
prompt = ChatPromptTemplate.from_template(
    """你是一个参数查询助手，根据用户输入内容找出相关的参数并按json格式返回。
    JSON字段如下：
    - "api_key": "K0I5WCmce7jlMZzTw7vi1xsn0",
    - "name": "姓名",
    - "sex": "性别，0表示男，1表示女，根据姓名判断",
    - "type": "日历类型，0农历，1公里，默认1"，
    - "year": "出生年份 例：1998",
    - "month": "出生月份 例 8",
    - "day": "出生日期，例：8",
    - "hours": "出生小时 例 14",
    - "minute": "0"，
    如果没有找到相关参数，则需要提醒用户告诉你这些内容，只返回数据结构，不要有其他的评论，
    用户输入:{query}""")

调用过程：

chain = prompt | ChatOpenAI(temperature=0) | JsonOutputParser()
data = chain.invoke({"query": query})
print(f"接口body格式化结果: {data}")

通过合适的提示词，将传入的信息 2000年10月10日22时提取出来，组装成一个结果。其中ChatOpenAI(temperature=0)是让大模型不要发散思维，严格按照提示词来生成内容，避免结果不准确。JsonOutputParser()返回的结果json格式化。

 {'year': '2000', 'month': '10', 'day': '10', 'hours': '22', 'api_key': 'K0I5WCmce7jlMZzTw7vi1xsn0', 'name': '姓名', 'sex': '性别，0表示男，1表示女，根据姓名判断', 'type': '日历类型，0农历，1公历，默认1', 'minute': '0'}

然后使用requests发送post请求，解析返回结果。

小结

这是一个很简单的大模型应用，主要看点在于使用大模型组织接口调用的参数，包括字段和格式，替换手动编码的实现方式。个人认为在复杂或者变化频繁的场景下能稍微提升效率。