【腾讯云】打造未来智能应用的基石：腾讯混元大模型

写在前面：博主是一只经过实战开发历练后投身培训事业的“小山猪”，昵称取自动画片《狮子王》中的“彭彭”，总是以乐观、积极的心态对待周边的事物。本人的技术路线从Java全栈工程师一路奔向大数据开发、数据挖掘领域，如今终有小成，愿将昔日所获与大家交流一二，希望对学习路上的你有所助益。同时，博主也想通过此次尝试打造一个完善的技术图书馆，任何与文章技术点有关的异常、错误、注意事项均会在末尾列出，欢迎大家通过各种方式提供素材。

对于文章中出现的任何错误请大家批评指出，一定及时修改。
有任何想要讨论和学习的问题可联系我：zhuyc@vip.163.com。
发布文章的风格因专栏而异，均自成体系，不足之处请大家指正。

打造未来智能应用的基石：腾讯混元大模型

本文关键字：腾讯云、大模型、AIGC、API调用、使用体验

文章目录

打造未来智能应用的基石：腾讯混元大模型

一、背景介绍

1. 什么是大模型

说起大模型，可能感觉是一个新词，但是相信你对最近一段时间以来层出不穷的各种AIGC【AI-Generated Content】工具一定并不陌生，包括各种聊天交互问答平台，文生图，图生图，以及各种嵌入形式的智能产品，如：AI辅助编程、AI写作软件等等。

AdobeStock_230441943

这些软件的背后，无一例外都是由大模型在支持，只是对特定场景的优化程度不同，概况来说，它是一个大规模的语言模型或深度学习语言模型，有了这个模型我们可以基于它封装出各种各样的产品。

通常描述：大模型基于深度学习的神经网络技术，通过在大量的文本数据上进行训练而生成的模型。这种模型通常具有数十亿甚至数千亿的参数，可以理解和生成人类语言，用于各种自然语言处理和理解任务，包括但不限于文本分类、情感分析、机器翻译和问答系统。通过持续学习和微调，大模型可以理解和产生越来越高质量的文本，满足各种复杂的语言处理需求。

我们只需要知道，这个模型可以根据我们的输入来给出我们需要的输出，对于客户端界面我们可以根据应用场景封装出各式各样的产品。

AdobeStock_620353347

2. AIGC扮演的角色

如果我们把大模型想象成一个超级智能的写作助手，它已经通过阅读和学习了大量的文本资料，从而学会了自然语言以及各种专业知识。于是我们可以问它各种问题，或让它帮我们写文案，编代码，或是作为一个辅助学习的有力帮手。此前，也引发了很多AI工具对各行业替代程度的讨论，以及AI所生成内容带来的一些问题，这里我们也稍微展开说明一下，让大家在使用以及了解的过程当中有一个更加全面的认识。

AdobeStock_207493167

内容创作：内容创作是AIGC工具主要的应用形式，在理解了自然语言的基础上，我们还可以打造出可以交互式连续对话产品，不需要死板的输入各种指令，而是可以不断的修改和优化产出的内容。这些内容不限于各种文案，还可以是编程代码，知识问答，甚至直接输出图片、音频、影像。
主要影响：积极的一面自然是可以提高效率，对于重复性的工作可以瞬间以高标准快速完成，但有时生成的内容难免带一点AI味儿。同时，如果大量AI创作的内容涌入互联网也并不是一件好事，也使得虚假信息更难甄别。所以目前来看，我们在使用AIGC工具时还需要进行最后的人为干预，在封装产品时也要合理拒答安全诱导类问题，这也是一直以来致力解决的问题。

二、腾讯混元大模型

1. 产品介绍

官网地址：https://cloud.tencent.com/product/hunyuan

腾讯混元大模型（Tencent Hunyuan）是由腾讯研发的大语言模型，具备强大的中文创作能力，复杂语境下的逻辑推理能力，以及可靠的任务执行能力。

目前，我们可以通过微信小程序来直接体验腾讯混元大模型，对于开发者，也开放了API接口的申请。

2. 核心优势

多轮对话：目前API调用最多支持30轮连续对话，可以对更多的场景提供很好的支持
内容创作：一键生成文章框架或内容，拓宽创作者思路并提供案例内容参考
逻辑推理：可以处理较为复杂的问题，如根据需求编写程序等
知识增强：持续终身训练为答案的时效性做出进一步的保障
多模态：继续拓宽输出内容形式，未来可期

3. 应用场景

目前腾讯混元大模型已经和多种产品进行了深度结合，包括文档编写、会议记录与总结、智能广告、营销文案等等。

可以访问产品首页查看演示视频：https://cloud.tencent.com/product/hunyuan

三、小程序抢先体验

小编有幸可以参加小程序的体验尝鲜，其实自己从2022年7月开始就开始用AIGC工具，接触了很多平台和软件，虽然大部分功能都不错，但是毕竟还是不太符合国人的习惯。这次在小程序中使用也是第一次，于是各方面都鼓捣了一下：

1. 主要界面

整体的操作界面以聊天交互式为主，可以直接输入文本或使用语音输入。

2. 指令集

值得一提的是这里显式的给出了指令集，也就相当于是给AI先安排一个角色，让它能够帮助我们更好的解决某些特定的问题，点击指令集后显示如下：

如果我们希望稍微修改指令中的描述，可以点击存为我的指令，然后我们可以编辑指令的内容、标题以及分类：

使用指令后，对应的指令内容会出现在输入框，在发送前可以最后修改，执行效果如下：

3. 灵感发现

灵感发现是另外一个特色功能，内置了很多各个场景的功能：

灵感发现与指令集还是有所区别的，相当于是一个比较完整的功能，点击之后是一个特定的功能，并且会给出一些选项，然后我们再以对话的方式继续表达我们的需求：

在使用的过程中，同样有可能会碰到答案内容过长，一次无法完全回答的情况，但是此时我们只需要点击继续，会将回答内容继续延长，而不会出现一条答案被分割成两条的情况，可以说是优化的十分用心了。

四、API开发调用

1. 接入指引

开通申请：https://cloud.tencent.com/document/product/1729/97730

API文档：https://cloud.tencent.com/document/product/1729/97732

点击文档中的链接，先准备好需要的APPID和SecretId、SecretKey。

案例运行

首先我们在本地新建一个Anaconda环境【可以更好的区分管理依赖】或者直接新建一个Python项目，版本需要在3.x，新建一个py文件完整粘贴官方代码，同时创建一个requirements.txt放在同级目录：

brotlipy==0.7.0
sseclient-py==1.7.2
requests~=2.31.0

这里需要特别注意，sseclient-py一定要使用1.7.2版本，然后我们进入到项目路径，执行以下命令即可完成依赖的安装：

pip install -r requirements.txt

如果还缺少其它依赖可以根据提示进行安装，版本没有特别的要求。接下来只需要修改结尾main方法中的AppId、SecretId、SecretKey即可直接运行，前提是API已经正常开通：

2. 交互对话

官方案例实现之后，我们稍微做”亿点点“的修改，让它能够支持连续对话，我们可以现在输出控制台和它进行交互，并且借鉴这个思路，很容易封装成可以支持Web服务请求的封装接口，这样我们可以将其接入一些比较美观的前端界面，一个智能助手马上就可以诞生了。

完整代码：

# -*- coding: utf-8 -*-
# 运行环境python3
# 如果使用出错请注意sse版本是否正确, pip3 install sseclient-py==1.7.2
import time
import urllib
import uuid
import json
import requests
import sseclient
import hmac
import hashlib
import base64

_SIGN_HOST = "hunyuan.cloud.tencent.com"
_SIGN_PATH = "hyllm/v1/chat/completions"
_URL = 'https://hunyuan.cloud.tencent.com/hyllm/v1/chat/completions'


class TencentHyChat:
    def __init__(self, appid, secretid, secretkey, enable_stream):
        self.appid = appid
        self.secretid = secretid
        self.secretkey = secretkey
        self.enable_stream = enable_stream
        self.dialog_rounds = []

    def __gen_signature(self, param):
        sort_dict = sorted(param.keys())
        sign_str = _SIGN_HOST + "/" + _SIGN_PATH + "?"
        for key in sort_dict:
            sign_str = sign_str + key + "=" + str(param[key]) + '&'
        sign_str = sign_str[:-1]
        hmacstr = hmac.new(self.secretkey.encode('utf-8'),
                           sign_str.encode('utf-8'), hashlib.sha1).digest()
        s = base64.b64encode(hmacstr)
        s = s.decode('utf-8')
        return s

    def __gen_sign_params(self, data):
        params = dict()
        params['app_id'] = data["app_id"]
        params['secret_id'] = data['secret_id']
        params['query_id'] = data['query_id']
        # float类型签名使用%g方式，浮点数字(根据值的大小采用%e或%f)
        params['temperature'] = '%g' % data['temperature']
        params['top_p'] = '%g' % data['top_p']
        params['stream'] = data["stream"]
        messagestr = ""
        # 数组按照json结构拼接字符串
        for message in data["messages"]:
            content = message["content"]
            messagestr += '{"role":"' + message["role"] + '","content":"' + content + '"},'
        messagestr = messagestr.strip(",")
        params['messages'] = r"[{}]".format(messagestr)
        params['timestamp'] = str(data["timestamp"])
        params['expired'] = str(data["expired"])
        return params

    def __get_params(self, dialog_rounds):
        timestamp = int(time.time()) + 10000
        json_data = {
            "app_id": self.appid,
            "secret_id": self.secretid,
            "query_id": "test_query_id_" + str(uuid.uuid4()),
            "messages": dialog_rounds,
            "temperature": 0.0,
            "top_p": 0.8,
            "stream": self.enable_stream,
            "timestamp": timestamp,
            "expired": timestamp + 24 * 60 * 60
        }
        return json_data

    def run_chat(self):
        while True:
            user_input = input("You: ")
            self.dialog_rounds.append({"role": "user", "content": user_input})

            if len(self.dialog_rounds) > 30:
                self.dialog_rounds.pop(0)  # 如果对话历史超过 30 轮，删除最早的对话

            request = self.__get_params(self.dialog_rounds)
            signature = self.__gen_signature(self.__gen_sign_params(request))

            headers = {
                "Content-Type": "application/json",
                "Authorization": str(signature)
            }

            URL = _URL
            resp = requests.post(URL, headers=headers, json=request, stream=True)

            if self.enable_stream == 1:
                client = sseclient.SSEClient(resp)
                resp = ""
                for event in client.events():
                    if event.data != '':
                        data_js = json.loads(event.data)
                        try:
                            if data_js['choices'][0]['finish_reason'] == 'stop':
                                break
                            assistant_content = data_js['choices'][0]['delta']['content']
                            resp += assistant_content
                        except Exception as e:
                            print(e)
                            print(data_js)
                print(f"Assistant: {resp}")
                self.dialog_rounds.append({"role": "assistant", "content": resp})
            else:
                response_data = resp.json()
                assistant_content = response_data['choices'][0]['delta']['content']
                print(f"Assistant: {assistant_content}")
                self.dialog_rounds.append({"role": "assistant", "content": assistant_content})


if __name__ == "__main__":
    # 将AppId、SecretId、SecretKey替换为自己的即可
    AppId = xxx
    SecretId = "xxx"
    SecretKey = "xxx"
    TencentHyChat(AppId, SecretId, SecretKey, 1).run_chat()

重新封装了代码，去掉了不需要的输出，于是我们得到了交互式的体验：

五、结语

整体体验下来，不得不感叹腾讯混元大模型与各应用结合的速度，同时和多个场景能够很好的结合，很符合国人的需求，并且有简单易用的小程序独立应用，而且这才只是刚刚起步。对于开发者来说，也可以快速而方便的接入，瞬间就可以将自己的产品智能化，相信混元大模型可以成为打造未来智能应用的基石！

插播一条重要消息：首批通过备案！腾讯混元大模型将陆续对公众开放

640

在腾讯全球数字生态大会上，腾讯混元大模型正式亮相，并通过腾讯云对外开放，客户可以直接通过API调用，也可以将腾讯混元大模型作为基底模型，在公有云上进行精调，为不同产业场景构建专属应用。