大模型应用开发：为产品创建一个AI客服/智能助手

欢迎阅读本系列文章！我将带你一起探索如何使用OpenAI API来开发GPT大模型应用。无论你是编程新手还是资深开发者，都能在这里获得灵感和收获。

本文将继续展示AI助手的开发方式，在OpenAPI中它的名字是Assistants。

什么是Assistants？

在之前的文章中我演示了插件的使用方法，比如查询实时天气、进行数学运算等，这些都是大模型自身做不到的事情，因此可以说插件的主要作用是扩展了大模型的处理能力。那么Assistants能干什么呢？

Assistants的主要作用是强化大模型在某方面的应用能力，比如目前已经大范围使用的AI客服和知识库助手，它们可以准确的理解用户的问题，并在限定的知识范围内进行精准回答。另外借助Assistants的能力，我们还可以做更多有趣的事情，比如让它按照指定的规范对代码进行Review，按照某种指定的风格或者模式来进行文学创作，等等。

本文我们将通过一个AI客服来演示Assistants的使用方法。先看效果：

这里我开发了一个空气净化器的AI客服，然后用户向AI客服提了四个问题，前三个问题AI都理解准确并回答正确，回答内容全部来源于产品手册，最后一个问题脱离了产品手册的内容范围，AI只能拒绝回答。

Assistants的运行原理

工欲善其事，必先知其理。在编写Assistants的代码之前，我们先要搞清楚它是怎么运行的，然后写代码的时候才能有的放矢、逻辑清晰。

请看下边这张图：

1、创建智能助手（Assistant）：这一步我们要给智能助手下个定义，包括起个名字、声明它的能力、使用的大模型版本、增强能力的方式（执行代码、从知识库检索、调用外部函数）等。

2、创建用户会话（Thread）：会话就是用户和智能助手之间的一次聊天，GPT可以通过会话方便的管理聊天上下文。

3、添加用户消息到会话（Message）：就是用户向智能助手说的话，必须添加到会话中。

4、在会话中运行智能助手（Run）：将会话和智能助手进行绑定，运行智能助手来处理用户的消息。这一步实际上会创建一个智能助手的执行对象，然后把这个执行对象添加到一个处理队列中，最终处理状态会更新到运行对象中。

5、获取GPT响应的消息（Response）：通过不断检查运行对象的状态，获取智能助手的响应结果。

实现AI客服

我们这里就按照Assistant的运行原理来实现一个AI客服。

产品手册

首先我们要准备一个产品手册，随便写点什么都行，为了方便大家，可以直接下载我这个：

https://github.com/bosima/openai-api-demo/blob/main/niubiclean-book.txt

然后我们需要将这个文件上传到OpenAI，注意把文件放到程序能够访问到的地方。

niubiclean_book = client.files.create(file=open("niubiclean-book.txt", "rb"),purpose="assistants"
)

purpose 可选的值有两个：fine-tune 和 assistants。

创建助手

这里使用的是 client.beta.assistants.create 来创建客服，因为assistants还没有正式发布，所以这里的包空间名称中包含了一个beta，正式发布时会去掉。具体代码如下：

waiter = client.beta.assistants.create(name="牛逼净化器智能客服",description="24小时为您服务",instructions="你是牛逼净化器公司的智能客服，请引用文件中的内容回答问题，表达要通俗易懂、尽量简短；若问题超出文件内容，请委婉拒绝。",model="gpt-3.5-turbo-1106",tools=[{"type": "retrieval",}],# 知识文件，通过File接口上传的file_ids=[niubiclean_book.id]
)

简单说下这几个参数：

name：智能助手的名字，随便起。

description：智能助手的简介描述，最长 512 字符。

instructions：给智能助手的指令，也就是提示词，让智能助手按照这里的提示词提供服务。这里我用了一个常见的提示词套路，让它扮演一个角色，有什么样的能力，如何回答用户的问题等。最长 32768 字符。

model：使用的GPT大模型，这里用便宜的3.5，你也可以换成GPT-4。

tools：assistants开启的工具，共有三种类型：code_interpreter、retrieval、function。

code_interpreter：是代码解释器，能让GPT在一个沙盒环境中执行python代码，能从文件读取数据，也能生成文件，需要通过instructions提示assistant可以执行代码。
retrieval：从文件检索内容，这里我们的AI客服只能根据产品手册回答问题，所以这里只开启了retrieval的能力。
function：和聊天插件的使用方法一样，调用执行函数，根据执行结果向用户返回内容。

file_ids：指定GPT要检索的文件Id，可以设置多个。这里设置为我们上一步上传的手册。

创建用户会话

使用 client.beta.threads.create 创建用户会话，具体代码如下。

thread_userjia = client.beta.threads.create(metadata={"姓名": "用户甲","年龄": 36,"性别": "男"}
)

metadata是可选的，可以设置一些附加信息，无固定属性，key-value格式即可。

添加用户消息到会话

我们其实可以在创建 thread 时初始化一些消息，不过既然要对话，演示下如何添加消息更有意义。

使用 client.beta.threads.messages.create 来创建一条用户消息，并绑定到某个会话，代码如下：

message = client.beta.threads.messages.create(thread_id=thread_userjia.id,  role="user",          content="净化器有什么功能？",)

这里有三个参数：

thread_id：消息绑定到的会话Id。
role：消息的角色，目前只支持 user，只能向其中添加用户消息。至于完整的聊天上下文，GPT内部会自动维护。
content：消息内容，这个很好理解。

在会话中运行智能助手

使用 client.beta.threads.runs.create 来运行智能助手，代码如下：

run = client.beta.threads.runs.create(thread_id=thread_userjia.id,assistant_id=waiter.id,)

这里有两个关键的参数：

thread_id：要在哪个会话中运行智能助手。
assistant_id：要运行哪个智能助手。

这里还有一些其它的参数，比如model、instructions、tools等，使用它们会覆盖我们在创建 assistant 设置的参数。

获取智能助手的回应

运行智能助手后得到的返回值 run 是一个对象，代表运行在会话中的一个执行，这个执行是通过队列异步处理的，我们不能立即得到执行结果，需要定期检查 run 的状态，处理完毕了才能获取到GPT的回应消息。

先看检查状态的处理：

while run.status == "queued" or run.status == "in_progress":time.sleep(1)run = client.beta.threads.runs.retrieve(thread_id=thread_userjia.id,run_id=run.id,)

run 有多个状态： queued, in_progress, requires_action, cancelling, cancelled, failed, completed, expired，这个例子中如果不是 queued 或者 in_progress 状态就代表已经有结果了。requires_action 是智能助手使用 function 工具时才会存在的状态，这个例子不涉及。

状态	含义
queued	创建run之后或者使用function时确定了要调用的function及其参数之后，就会进入这个状态，这个状态很短，马上会进入 in_progress状态。
in_progress	使用模型或者tools处理消息。
completed	本次运行成功完成，可以读取GPT响应的消息了。
requires_action	使用function时，一旦模型确定要调用的function及其参数，run将进入这个状态。
expired	function执行的时间太长或者整个run运行的时间太长，达到了过期阈值（大约10分钟）。
cancelling	可以在queued和in_progress状态时发起取消，将进入这个状态。
cancelled	已成功取消。
failed	您运行失败了，可以在 run.last_error 中获得失败原因。

使用 client.beta.threads.messages.list 获取GPT响应消息，代码如下：

 if run.status=="failed":print(run.last_error.message)
else:messages = client.beta.threads.messages.list(thread_id=thread_userjia.id, order="asc", after=message.id)print("牛逼智能客服：",extract_message_content(messages.data[0]),'\n')

获取响应消息时用到了3个参数：

thread_id：会话Id。
order：消息排序，asc代表正序，也就是先产生的消息在前边。
after：指定消息的起始位置，因为我们要获取GPT针对某条用户消息的响应，所以这里通过after指定获取某条用户消息之后的消息，也就是GPT的响应消息。

最后我们还使用了一个函数来提取消息内容：extract_message_content，代码如下：

def extract_message_content(message):# Extract the message contentmessage_content = message.content[0].textannotations = message_content.annotations# Iterate over the annotations and add footnotesfor index, annotation in enumerate(annotations):# Replace the text with a footnote# print(annotation.text)message_content.value = message_content.value.replace(annotation.text, ' ')return  message_content.value

注意这里有一个annotation的概念，中文就是注解的意思。因为AI客服生成的内容可能来自多个产品文档，有了注解，用户就可以通过它跳转到相关的文档进行详细阅读。这个和论文中的引用注解是同一种方式。

不过我们这里的产品手册比较简单，所以就把注解都替换成空字符串了。完整的处理方法可以参考下边这个：

# Extract the message content
message_content = message.content[0].text
annotations = message_content.annotations
citations = []# Iterate over the annotations and add footnotes
for index, annotation in enumerate(annotations):# Replace the text with a footnotemessage_content.value = message_content.value.replace(annotation.text, f' [{index}]')# Gather citations based on annotation attributesif (file_citation := getattr(annotation, 'file_citation', None)):cited_file = client.files.retrieve(file_citation.file_id)citations.append(f'[{index}] {file_citation.quote} from {cited_file.filename}')elif (file_path := getattr(annotation, 'file_path', None)):cited_file = client.files.retrieve(file_path.file_id)citations.append(f'[{index}] Click <here> to download {cited_file.filename}')# Note: File download functionality not implemented above for brevity# Add footnotes to the end of the message before displaying to user
message_content.value += '\n' + '\n'.join(citations)