调用api是什么

以下是关于秘塔搜索的相关信息： 秘塔 AI 搜索是由秘塔科技开发的，具有多模式搜索、无广告干扰、结构化展示和信息聚合等功能，能提升用户的搜索效率和体验。 在获取微信公众号文章封面时，可使用秘塔 AI 搜索。输入文章链接，通过一个在线工具（https://www.mgpaiban.com/tool/wxfm.html ）即可获取封面。

以下是一些提供文生图 API 的平台： Coze：在国内低代码 Agent 平台中体验较好，即使即将收费但仍具性价比。其 API 更新开放了多模态对话和知识库修改能力，可玩性增强。通过 API 可在微信中实现多种图片功能，如重绘风格、微调内容等。使用时需在 chatgptonwechat 中的 config.json 中配置自己的 Coze API Key 和 Coze Bot ID。 Stability AI：发布了 Stable Diffusion 3 和 Stable Diffusion 3 Turbo，可通过其开发者平台 API 使用。ComfyUI 中的 Stable Diffusion 3 API 已更新，目前支持多种比例的 SD3 文生图，使用时先申请 API 再填入 config.json 文件，每账户有 25 免费积分，SD3 每张图 6.5 积分。项目地址：https://github.com/ZHOZHOZHO/ComfyUIStableDiffusion3API 。需注意 SD3 图生图模式不支持选择比例，SD3 Turbo 模型不支持负面提示词。

部署 GPTs 的 API 可以参考以下步骤： 1. 参考文章，了解之前的部署情况。 2. 登录地址，点击 Copy Link 进行复制 Actions API 链接。 3. 配置 GPTs Actions API： 打开 ChatGPT，点击创建 GPTs>Configure>Create new action。 输入来自 Gapier 的 Actions API 并点击 Import。 4. 授权： 在 Gapier 复制授权码。 在 Authentication 下选择配置图标，进入授权页面。 按照以下设置进行配置： Authentication Type：选择 API Key。 Auth Type：选择 Basic。 输入从网站上复制的授权码并点击 Save。 5. 引用 Action： 确定调用的 Action，并在 Prompt 中引用。 查看 Action 的方式分为两种： GPTs>Configure>Actions 页面。 网页查看，地址为。 另外一种引用的方式是：只要在 Instructions 中申明清楚需求，GPT 会自动选择合适的 API。 此外，还需注意以下几点： 1. 了解 OpenAPI 规范，通过 Schema 让 ChatGPT 懂这个 API。 2. 对于带参数的 Post 请求，需要创建规范文件、修改 GPTs 的 Action、调整 Prompt 等。 3. 注意如果不和说传入中文，它会给我们翻译了再传。

以下是一些改进基础搭建的知识库效果、减轻模型答案幻觉问题的建议： 1. 更换大模型：例如从 ChatGLM26B 替换成 baichuan213b，针对您的场景，后者的性能可能提升一倍左右。 2. 更换 embedding 模型：将 embedding 模型从 LangChain Chatchat 默认的 m3ebase 替换为 bgelargezh，后者可能更优。 3. 测试不同 Top k 的值：比较 Top 5、Top 10、Top 15 的结果，发现 Top 10 时效果可能最优。 4. 对文档名称进行处理：人工对文件进行重命名，上传相同文件构建知识库，同时在构建知识库时勾选【开启中文标题加强】选项，虽然重命名文件对结果的提升效果不明显，但勾选该选项后，回答的无关信息可能减少，效果有所提升。 RAG（RetrievalAugmented Generation）即检索增强生成，由检索器和生成器两部分组成。检索器从外部知识中快速找到与问题相关的信息，生成器利用这些信息制作精确连贯的答案，适合处理需要广泛知识的任务。 在大模型中，向量可想象成空间中的点位，每个词或短语对应一个点。系统通过查看词在虚拟空间中点的位置，寻找直线距离最近的点来检索语义上接近的词语或信息。理解向量后，当收到一个对话时，RAG 的完整工作流程为：检索器从外部知识中检索相关信息，生成器利用这些信息生成答案。 要优化幻觉问题和提高准确性，需要了解从“问题输入”到“得到回复”的过程，针对每个环节逐个调优，以达到最佳效果。

Claude 3 的 API 调用价格为：每百万输入 token 0.25 美元，每百万输出 token 1.25 美元。可以处理和分析 400 起最高法院案件或 2500 张图片只需 1 美元。相关链接：https://x.com/imxiaohu/status/1768284259792691366?s=20

在 Coze 开发平台中，扣子 API 具有以下功能和使用方法： 获取 accessToken： 在 coze 界面右侧的扣子 API 授权，或者打开链接 https://www.coze.cn/open/oauth/pats 。 添加令牌，设置 token 的名称和过期时间（为安全起见，最多 1 个月）。 设置权限，可选择会话管理和对话，拿不准可全部选择，完成后点击“确定”按钮。 最后一定要点击按钮复制下拉获取令牌，此令牌只会出现一次。 获取 botid： 从“工作空间”打开一个 bot，点击商店按钮，查看地址栏中“bot/”之后的数字。 发布为 bot api： 注意在前端使用 bot 必须发布成为 API，点击发布，选择 API，等待审核通过。 此外，智能体沟通页面在 Zion 中采用 OAuth 鉴权机制，准备工作包括： 获取 Coze bot 应用鉴权密钥：在 Coze 主页点击左下方扣子 API，选择 Oauth 授权模式，添加新令牌并配置基本信息，创建 Key 过程中会生成公钥和私钥（私钥需单独下载保存），最后勾选全部权限。 获取 Bot ID：进入自己的智能体在地址栏内复制“bot/”之后的数字，且 bot 发布时要选择 Agent as API。 在 Coze 上发布 bot：发布时记得勾选 API 及 WEB SDK，Coze bot 发布有审核周期（1 30 分钟），需确认发布成功。 在扣子中手搓插件方面： Body：用于传递请求主体部分，GET 方法中通常不使用来传递参数。 Path：定义请求路径部分，GET 方法中可编码为 URL 一部分传递参数。 Query：定义请求查询部分，是 GET 方法中常用的参数传递方式。 Header：定义 HTTP 请求头信息部分，GET 方法中通常不用于传递参数。 配置输出参数：填对信息后可点击自动解析，若成功会显示并填好输出参数，然后保存并继续，建议填写参数描述。 调试与校验：测试工具能否正常运行，运行后查看输出结果，点击 Response 可看到解析后的参数。

目前有以下几种在微信端调用 AI 智能体的方式： 1. 通过 chatgptonwechat（简称 CoW）项目： 登录宝塔面板，在宝塔面板中可视化控制云服务器，部署 docker 容器，启动 COW 项目与微信取得关联。 点击“Docker”中的“项目模板”中的“添加”按钮，按照相关步骤进行操作。 项目模板代码示例如下：将编译好的内容复制进来。 在容器中创建容器，选择容器编排，填入模板和名称，确定。 点击容器后，可以看到运行的是两个服务。 点击“wcandyaibot”后面的日志按钮，用提前预备好的微信进行扫码。手动刷新查看是否成功，若看到“WeChat login success”，则接入成功。 2. 智普工作流： 新用户有 1 元及 5 元的资源包可供购买。 工作流具备文章、文件、网页总结，生成图片、视频和文字版日报等功能，通过意图识别跳转节点，使用了多个 agent。 在控制台的自动体中心，右键创建智能体，可选择对话型或文本型，创建后在空旷画布的左下角添加节点，节点包括 agent、LM、工具、代码、数据提取、分支判断和问答等，agent 通过跳入跳出条件与其他节点交互，LM 通过工作流连线执行功能。 文档可在 vtoagi.com 首页的 banner 获取，飞书群也可获取。 接入微信时，准备了云服务器和本地电脑两种版本，可按需选择。 需要注意的是，不同的方式可能存在一定的技术门槛和配置要求。

目前，绝大多数小型本地开源大语言模型以及部分商用大模型接口通常不支持稳定的 tool calling 功能。现有的解决方案多为微调 LLM，但会浪费大量时间和算力。有一种新的方法，即仅使用提示词工程和精巧的代码设计，就能让 LLM 获得稳定的 tool calling 能力。 通过多个不具备 tool calling 能力的 LLM 进行实验，结果显示所有模型都能成功执行调用工具这一步，并正确输出能被正则表达式抓取的字典。但在使用 python 解释器任务上，ollama 量化版本的 llama38b 和 mistral7b 模型受限于代码生成水平，不能很好地输出正确代码，导致无法稳定完成计算任务。在搜索知识图谱任务上，所有模型都能让工具返回相关知识，但 ollama 量化版本的 qwen27b 和 mistral7b 模型受限于逻辑理解能力，不能稳定理解知识图谱中多个关系边之间的逻辑关系。实验证明提示词工程可让 LLM 获得 tool calling 能力，但能否利用工具返回的信息解决用户问题，仍受 LLM 自身智能水平限制，较大的模型（如 gemma29b）对工具返回结果的利用能力更稳定。 在大模型请求中，最大的两个变量是 Messages 和 Tools。Messages 里放的是 sys prompt、memory、user query；Tools 里放的是一些能力的 Json Scheme，两者组合形成整个完全的 Prompt。Agent 应用开发的本质是动态 Prompt 拼接，通过工程化手段将业务需求转述成新的 prompt。短期记忆是 messages 里的历史 QA 对，长期记忆是 summary 之后的文本再塞回 system prompt。RAG 是向量相似性检索，可放在 system prompt 里或通过 tools 触发检索。Action 是触发 tool_calls 标记，进入请求循环，拿模型生成的请求参数进行 API request，再把结果返回给大模型进行交互，没有 tool_calls 标记则循环结束。Multi Agents 则是更换 system prompt 和 tools。当然，想做深做好肯定还有很多坑需要踩。

以下是关于如何调用 AI 模型的相关内容： Liblibai 简易上手教程： 1. 首页 模型广场：发布了其他用户炼成的模型。收藏和运行数较多的模型在首页前排，点击可查看详细信息，将模型加入模型库可用于生图时快速调用。模型详情下方有返图区。 Checkpoint：生图必需的基础模型，任何生图操作必须选定一个 Checkpoint 模型才能开始。注意与 lora 的区别，两者在模型广场混着展示，Checkpoint 必选，lora 可选可不选。 lora：低阶自适应模型，可理解为 Checkpoint 的小插件，对生图的面部、材质、物品等细节有控制作用，可加入模型库。 VAE：编码器，功能类似于滤镜，调整生图饱和度，选择 840000 即可。 CLIP 跳过层：用于生成图片后控制、调整构图变化，一般设为 2，早期不用过多关注。 Prompt 提示词：想要 AI 生成的内容，需学习。 负向提示词 Negative Prompt：想要 AI 避免产生的内容，需学习。 采样方法：决定让 AI 用何种算法生图。 COW 项目： 1. 调用千问系列的模型：可以直接使用 key、选择 model 进行调用，即直接调用某一个大模型。 2. 调用应用能力：阿里云百炼的“应用”服务。当需要更多能力如工作流、搜索等时，调用百炼的“应用”。在百炼平台里的“应用”类似于 Coze 中的“bot”或 ChatGPT 的 GPTs 概念。有两种调用方式： 直接调用模型：对接简单，调试不方便。 调用应用（bot）：对接相对麻烦，调试简单，推荐使用。修改和调整 Prompt 时，只需要在“百炼”应用里进行调试。 AI 调用外部工具： AI 本身不会直接调用工具，也不是依赖关键词识别。实际流程为： 1. 程序调用 AI 接口，AI 生成 JSON 结构化数据，告知是否需要工具、使用何种工具及参数。 2. 程序解析 JSON 并调用工具，获取结果后返回 AI。 3. AI 根据工具返回的数据生成最终回答。

在 LangChain 应用开发中，Batch 调用是一种处理多个主题的方式。例如，调用笑话对象时，传入一个主题字符串的列表，就可以得到一个笑话字符串的列表，如 joke.batch。它能够同时处理多个任务，提高处理效率。