前言

    编写代码一直是计算机科学和软件开发的核心活动。然而，随着AIGC领域的兴起，我们正迎来一场革命，它将永久性地改变我们编写代码的方式！今天就让我们来一起体验体验，AI能给我们带来什么便利和变化。

正文

Colaboratory

    Colaboratory（通常简称Colab）是由Google开发和提供的免费的云端Jupyter笔记本环境。适用于Python编程、数据分析和机器学习，使用户能够无需担心本地计算资源的限制，轻松进行各种计算任务。在我们拥有一个Google账号之后，我们将使用Colab来进行我们的学习。

    首先让我们进入官网：colab.research.google.com/ 。随后让我们找到文件-->然后新建笔记本（如下图）：

    跳转到之后的界面我们就可以开始编写我们的代码了，点击左边的“播放按钮”可以运行当前框内的代码，当然运行完每次的代码后，通过点击“+代码”来进行新的代码编写（如下图）：

    这样你就学会了基本的使用方法啦~

Customer_service

    我们先来试试一个最简单的AI客服的例子。

    我们先让新建的笔记本安装一个openai：

!pip install openai==0.10.2

    再进行客服模块的一系列调试：

# 基于openai 的大模型来强化客服
import openai
# api_key
openai.api_key="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"
# 常量 文本生成的模型
COMPLETION_MODEL="text-davinci-003"
# 系统后台生成了一条记录，再调用我们这个AIGC来生成客服
prompt="""请你使用朋友的语气回复客户，并称他为亲，他的订单已经发货在路上了，
预计在三天之内会送达，订单号2021AEDG，我们很抱歉因为天气的原因物流时间比原来长，
感谢他选购我们的商品。"""
# 封装了openai回复的功能
def get_response(prompt, temperature=1.0):
  # Completion模块
  # 生成内容 同步的
  # 调用openai库的Completion模块，创建一个新的
  # 字典 {key:value}
  completions = openai.Completion.create(
      engine=COMPLETION_MODEL,
      prompt=prompt,
      max_tokens=1024, # 最大算力
      n=1, # 返回一条结果
      # null True
      stop=None, # 内容没有执行完不要停下来
      temperature=temperature
  )
  # 返回的结果由JSON返回为text
  print(completions)
  message = completions.choices[0].text
  return message

    最后让我们来看看效果：

print(get_response(prompt))

    “亲爱的客人，您的订单2021AEDG已经发货在路上啦！我们确信它会在三天内送达，以及比原来的时间预计长点。我们很抱歉给您带来了不便，但是感谢您给予我们的信任和支持，用了我们的商品。如果您有任何问题，我们将尽快为您解决。再次感谢您的惠顾！”这一段就是我们想要拿到的结果，也就是客户得到的反馈。怎么样？是不是很简单？让我们再来试试其他的。

Sentiment-analysis

    情绪分析（sentiment-analysis），根据字面意思我们就能理解这个模块就是用来进行分析情绪的，比如分辨出是积极的还是消极的，程度如何等等。接下来我们来试试这个模块：

!pip install transformers  # 安装一个transformers --- huggingface的核心库

    然后我们来安装一下情绪分析和派发模块：

from transformers import pipeline # pipeline 派发模块，用于分发任务 —— pipeline(task, model)
classifer = pipeline('sentiment-analysis') # 情感分析

    接下来我们就可以试一试对于各个词AI对它的认识是怎样的，然后运行看看：

result = classifer('I love you')
result

    返回结果：[{'label': 'POSITIVE', 'score': 0.9998656511306763}]

result = classifer('thank you')
result

    返回结果：[{'label': 'POSITIVE', 'score': 0.9998352527618408}]

result = classifer('shut up')
result

    返回结果：[{'label': 'NEGATIVE', 'score': 0.9992936849594116}]

result = classifer('遥遥领先')
result

    返回结果：[{'label': 'NEGATIVE', 'score': 0.8616330027580261}]

    'label'给我们展示了这个词是积极的还是消极的，'score'是一个相似值让我们有一个值能够参考。

    前面几个例子属于正常，但我们在最后一个'遥遥领先'的词时，在我们现有的理解应该是积极的，但AI可能由于数据不足等原因导致了误判。有什么解决办法吗？当然有：

# 中文模型 大众点评的亿万条数据训练出来的
classifer = pipeline('sentiment-analysis', model="uer/roberta-base-finetuned-dianping-chinese") # pipeline 派发一个任务

    让我们安装一个经过训练的中文模型，这样AI就能更好地理解中文的意思。现在让我们再来看看调教之后的结果：

result = classifer('遥遥领先')
result

    返回结果：[{'label': 'positive (stars 4 and 5)', 'score': 0.941333532333374}]

    这时我们就能很明显地看到返回结果被“矫正”过来了。

结语

    今天我们简单体验了一下AI的使用和调试，是不是感觉很新奇？这仅仅是一个开始，之后还会带大家进行更多地尝试！如果对文章感兴趣的话，还希望能给博主一个免费的小心心♡呀~