如何使用 ERNIE 千帆大模型基于 Flask 搭建智能英语能力评测对话网页机器人（详细教程）_flask聊天机器人

ERNIE 千帆大模型

ERNIE-3.5是一款基于深度学习技术构建的高效语言模型，其强大的综合能力使其在中文应用方面表现出色。相较于其他模型，如微软的ChatGPT，ERNIE-3.5不仅综合能力更强，而且在训练与推理效率上也更高。这使得ERNIE-3.5能够支持更丰富的外部应用开发，为更多国内开发者提供强大基础工具。

ERNIE-3.5在语义和语境理解上有了显著提升，能够更准确地回答问题和进行交流。在与用户的聊天对话中，它表现出了更高的准确性和自然度，使得其在虚拟助手、在线客服和社交媒体等场景中具备了更出色的表现。在中文测试中，ERNIE-3.5的理解和生成能力更是超过了GPT-4，这显示了其在中文语境下的强大实力。

ERNIE-3.5支持多种NLP任务，包括文本分类、命名实体识别、语义匹配等，适用于需要文本分析和理解的场景，如情感分析、智能问答、文本摘要等。同时，它在创意写作、问答、推理、代码生成等方面也有显著的改进，展现了出色的功能和性能。

此外，ERNIE-3.5的训练速度和推理速度相较于之前的版本也有了大幅提升。据对比数据显示，其训练速度提升了2倍，推理速度提升了17倍，这将大大提高模型迭代升级效率，并大幅降低训练及使用成本。

ERNIE-3.5的推出标志着我国人工智能企业和研究机构在大模型、深度学习等关键技术方面取得了新突破，其水平已赶上世界前列。这不仅有利于人工智能产业生态的繁荣，还为人工智能在更广泛复杂场景中的应用提供了支持。例如，ERNIE-3.5可支持更加开放的外部开发，使其能够被应用于更长文本的生成、图文问答等需求，有助于推动人工智能从单一领域向综合性知识服务领域进一步拓展。

安装环境

pip install qianfan
1

在调用 SDK 前，需要先初始化 应用API Key（即AK） 和 应用Secret Key（即SK），支持通过参数初始化、内置函数初始化、环境变量初始化三种方式进行初始化。

配置密钥

地址：https://console.bce.baidu.com/iam/#/iam/accesslist

SDK 调用千帆大模型

方案一：加载环境变量 .env 配置文件

QIANFAN_ACCESS_KEY=安全认证 Access Key
QIANFAN_SECRET_KEY=安全认证 Secret Key
1
2

方案二：直接属性设置

chat_completion = qianfan.ChatCompletion(ak="API Key", sk="Secret Key")
1

SDK 调用接口

import qianfan
import dotenv
dotenv.load_dotenv()

chat_comp = qianfan.ChatCompletion()

resp = chat_comp.do(model="ERNIE-Bot-4", messages=[{
    "role": "user",
    "content": "你好"
}])

if resp.code == 200:
    print(resp.request.json_body)
    # 
    print(resp.body)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

resp.request.json_body 数据结构（数据类型：dict）

{  
    'messages': [  
        {'role': 'user', 'content': '你好'}  
    ],  
    'stream': False,  
    'extra_parameters': {  
        'request_source': 'qianfan_py_sdk_v0.3.7.1'  
    }  
}  
1
2
3
4
5
6
7
8
9

resp.body 数据结构（数据类型：dict）

{  
    'id': 'as-u2tgxkd8z4',  
    'object': 'chat.completion',  
    'created': 1712759343,  
    'result': '你好，有什么我可以帮助你的吗？',  
    'is_truncated': False,  
    'need_clear_history': False,  
    'usage': {  
        'prompt_tokens': 1,  
        'completion_tokens': 8,  
        'total_tokens': 9  
    }  
}
1
2
3
4
5
6
7
8
9
10
11
12
13

POST 请求调用接口

加载环境变量 .env 配置文件

CLIENT_API_KEY=应用 API KEY
CLIENT_SECRET_KEY=应用 SECRET KEY
1
2

地址：https://console.bce.baidu.com/qianfan/ais/console/applicationConsole/application

详细源码

import os

import requests
import json
import dotenv

dotenv.load_dotenv()


def get_access_token():
    url = f"https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id={os.environ['CLIENT_API_KEY']}&client_secret={os.environ['CLIENT_SECRET_KEY']}"

    payload = json.dumps("")
    headers = {
        'Content-Type': 'application/json',
        'Accept': 'application/json'
    }

    response = requests.request("POST", url, headers=headers, data=payload)
    return response.json().get("access_token")


def qianfan_chat_post(content):
    url = "https://aip.baidubce.com/rpc/2.0/ai_custom/v1/wenxinworkshop/chat/completions_pro?access_token=" + get_access_token()

    payload = json.dumps({
        "messages": [
            {
                "role": "user",
                "content": content
            }
        ]
    })
    headers = {
        'Content-Type': 'application/json'
    }
    
    response = requests.request("POST", url, headers=headers, data=payload)
    return response.json().get("result")
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39

服务器端源码

读取数据

PROBELM_LIST = []

with open('english.txt', encoding='utf-8', mode='r') as file:
    # 使用 for循环逐行读取文件
    for line in file:
        # 打印每一行的内容
        PROBELM_LIST.append(line.replace("\n", ""))
1
2
3
4
5
6
7

百度智能云调用

import qianfan
import dotenv

dotenv.load_dotenv()

chat_comp = qianfan.ChatCompletion()


def qianfan_ask(content):
    resp = chat_comp.do(model="ERNIE-Bot-4", messages=[{
        "role": "user",
        "content": content
    }], system="结果用纯英语返回，不带有任何中文，内容不超过100个词。")
    if resp.code == 200:
        return resp.body.get("result")


print(qianfan_ask("问题；What is the past tense of the verb “to run”?, 我的回答：run。请问简要评价我的回答情况"))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

配置服务器源码

from datetime import datetime

from flask import Flask, jsonify, request, make_response
from flask_cors import CORS
from flask_pymongo import PyMongo
from read_data import PROBELM_LIST
from qianfan_api import qianfan_ask


app = Flask(__name__)
CORS(app)

# 配置 MongoDB 连接
app.config['MONGO_URI'] = 'mongodb://localhost:27017/hnu'
mongo = PyMongo(app)


def insert_mongo_data(user: str, content: str):
    collection = mongo.db.message
    # 获取当前日期和时间
    now = datetime.now()
    # 格式化日期和时间
    formatted_time = now.strftime("%Y-%m-%d %H:%M:%S")
    collection.insert_one({'time': formatted_time, 'user': user, 'content': content})


@app.route('/problem')
def ramdon_problem():
    index = int(request.args.get('index'))
    # problem = random.choice(PROBELM_LIST)
    # 题目循环取余操作
    problem = PROBELM_LIST[index % len(PROBELM_LIST)]
    # 记录机器人数据
    insert_mongo_data("机器人", problem)
    result = {'code': 200, 'data': problem}
    return jsonify(result)


@app.route('/answer', methods=['POST'])
def answer_problem():
    data = request.get_json()
    problem = data.get('problem', "")
    answer = data.get('answer', "")
    # 记录使用者数据
    insert_mongo_data("使用者", answer)
    # 千帆大模型分析回答质量
    analysis = qianfan_ask(f"问题{problem}。我的回答：{answer}。请问简要评价我的回答情况")
    # 记录机器人数据
    insert_mongo_data("机器人", analysis)
    result = {'code': 200, 'data': analysis}
    return jsonify(result)


if __name__ == '__main__':
    app.run(host="0.0.0.0", port=3000, debug=True)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55

导出 Json 数据

开启接口支持导出 json 数据

@app.route('/json', methods=['GET'])
from flask import Flask, jsonify
from flask_cors import CORS
from flask_pymongo import PyMongo

import pandas as pd
import io
from openpyxl import Workbook

app = Flask(__name__)
CORS(app)

# 配置 MongoDB 连接
app.config['MONGO_URI'] = 'mongodb://localhost:27017/hnu'
mongo = PyMongo(app)


@app.route('/json', methods=['GET'])
def get_data():
    # 查询 MongoDB
    data = mongo.db.message.find()
    # 将 ObjectId 转换为字符串
    result = []
    for d in data:
        # 处理 ObjectId
        d['_id'] = str(d['_id'])
        result.append(d)
    return jsonify(result)


if __name__ == '__main__':
    app.run(host="0.0.0.0", port=3000, debug=True)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32

导出 Excel 数据

开启接口支持导出 excel 数据

from flask import Flask, make_response
from flask_cors import CORS
from flask_pymongo import PyMongo

import pandas as pd
import io
from openpyxl import Workbook

app = Flask(__name__)
CORS(app)

# 配置 MongoDB 连接
app.config['MONGO_URI'] = 'mongodb://localhost:27017/hnu'
mongo = PyMongo(app)


def generate_excel(data):
    # 创建一个 Excel 工作簿和工作表
    wb = Workbook()
    ws = wb.active
    ws.title = "Data"

    # 将数据写入工作表
    for row_num, row_data in enumerate(data, 1):
        ws.append(row_data)

    # 将工作簿保存到 BytesIO 流中
    excel_data = io.BytesIO()
    wb.save(excel_data)
    # 重置流的位置到开头
    excel_data.seek(0)  

    # 设置 HTTP 响应头，以便浏览器知道这是一个 Excel 文件
    response = make_response(excel_data.read())
    response.headers["Content-Disposition"] = "attachment; filename=data.xlsx"
    response.headers["Content-Type"] = "application/vnd.openxmlformats-officedocument.spreadsheetml.sheet"
    return response


@app.route('/excel', methods=['GET'])
def get_data_excel():
    data = mongo.db.message.find()
    # 将 ObjectId 转换为字符串
    result = []
    for d in data:
        # 处理ObjectId
        d['_id'] = str(d['_id'])
        result.append(d)
    # 将查询结果转换为 DataFrame
    df = pd.DataFrame(result)
    # 生成 Excel 文件并返回
    return generate_excel(df.values.tolist())


if __name__ == '__main__':
    app.run(host="0.0.0.0", port=3000, debug=True)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56

前端效果预览

聊天界面效果