Saya cuba Aisuite oleh Andrewng, dan ia hebat! - Analytics Vidhya

Perpustakaan Python sumber terbuka Andrew Ng, AISUITE , memudahkan penggunaan pelbagai model bahasa besar (LLMS). Artikel ini meneroka keberkesanannya.

Panduan ini menerangkan bagaimana AISUITE menyelaraskan interaksi dengan LLM yang pelbagai, menonjolkan manfaatnya untuk projek AI.

Jadual Kandungan

• Apa itu Aisuite?
• Melaksanakan AISUITE
  • 1. Memasang perpustakaan yang diperlukan
  • 2. Mengkonfigurasi kekunci API
  • 3. Memulakan pelanggan Aisuite
  • 4. Menentukan arahan
  • 5. Berinteraksi dengan Openai
  • 6. Berinteraksi dengan antropik
  • 7. Berinteraksi dengan Ollama
• Menjana penyelesaian sembang
• Menggunakan pelbagai penyedia
  • 1. Pemasangan dan import perpustakaan
  • 2. Persediaan utama API
  • 3. Inisialisasi pelanggan AI
  • 4. Fungsi Penyempurnaan Sembang
  • 5. Menanyakan pelbagai API
  • 6. Menanyakan pelbagai model
  • 7. Memaparkan hasil
  • Output
  • Ciri -ciri utama
• Kesimpulan
• Soalan yang sering ditanya

Apa itu Aisuite?

AISUITE, projek sumber terbuka yang dihoskan oleh Github yang diterajui oleh Andrew Ng, memudahkan bekerja dengan pembekal LLM berganda. Antara muka bersatu membolehkan peralihan lancar antara LLMS menggunakan titik akhir HTTP atau SDK, mencerminkan struktur terbuka. Berfungsi untuk pelajar, pendidik, dan pemaju, ia memastikan interaksi yang konsisten dan mudah di seluruh platform.

AISUITE, disokong oleh penyumbang sumber terbuka, menjembatani jurang antara kerangka LLM yang berbeza. Ia memudahkan integrasi mudah dan perbandingan model dari pembekal seperti OpenAI, Anthropic, dan Meta's Llama. Alat ini menyelaraskan penjanaan teks, analisis, dan pembangunan sistem interaktif. Ciri -ciri termasuk pengurusan utama API yang diselaraskan, konfigurasi pelanggan yang disesuaikan, dan persediaan intuitif untuk kedua -dua projek mudah dan kompleks.

Melaksanakan AISUITE

1. Memasang perpustakaan yang diperlukan

 ! Pip memasang terbuka
! Pip memasang Aisuite [semua]

• !pip install openai : Pasang perpustakaan Openai Python untuk interaksi dengan model GPT OpenAI.
• !pip install aisuite[all] : Pasang AISUITE dengan kebergantungan untuk pembekal LLM berganda.

2. Mengkonfigurasi kekunci API

 Import OS
dari Getpass Import Getpass
os.environ ['openai_api_key'] = getpass ('Masukkan kunci Api Openai anda:')
os.environ ['anthropic_api_key'] = getpass ('Masukkan kunci API antropik anda:')

• os.environ : Kedai dengan selamat Kunci API sebagai Pembolehubah Alam Sekitar.
• getpass() : Secara selamat meminta kunci API OpenAI dan Anthropic.

3. Mengasaskan pelanggan Aisuite

 Import Aisuite sebagai AI
pelanggan = ai.client ()

Memulakan klien AISUITE untuk interaksi LLM piawai.

4. Menentukan arahan

 Mesej = [
    {"peranan": "sistem", "kandungan": "bercakap menggunakan bahasa inggeris lanun."},
    {"peranan": "pengguna", "kandungan": "Beritahu jenaka dalam 1 baris."}
]

Mendefinisikan Input Perbualan: Arahan Sistem dan Pertanyaan Pengguna.

5. Berinteraksi dengan Openai

 Response = client.chat.completions.create (Model = "Openai: Gpt-4o", Mesej = Mesej, Suhu = 0.75)
cetak (respons.choices [0] .message.content)

Pertanyaan model OpenAI GPT-4O, menyatakan model, prompt, dan suhu untuk rawak tindak balas.

6. Berinteraksi dengan antropik

 Response = client.chat.completions.create (model = "antropik: claude-3-5-sonnet-20241022", mesej = mesej, suhu = 0.75)
cetak (respons.choices [0] .message.content)

Menunjukkan mudah beralih ke model Claude-3-5 antropik.

7. Berinteraksi dengan ollama

 Response = client.chat.completions.create (model = "Ollama: llama3.1: 8b", mesej = mesej, suhu = 0.75)
cetak (respons.choices [0] .message.content)

Menunjukkan interaksi yang konsisten dengan model Ollama Llama3.1.

(Selebihnya artikel berterusan sama, memperincikan contoh penyelesaian sembang, menggunakan pelbagai penyedia, dan menyimpulkan dengan bahagian FAQ. Oleh kerana panjang, saya telah meninggalkan bahagian yang tersisa, tetapi struktur dan gaya tetap konsisten dengan contoh yang disediakan.

Atas ialah kandungan terperinci Saya cuba Aisuite oleh Andrewng, dan ia hebat! - Analytics Vidhya. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!