保姆级教程：如何用Python自制聊天机器人？

导语 | 近日， ChatGPT 作为 2023 年最火的技术之一，它将人工智能的应用和发展推向了一个新的高度。各种大模型也雨后春笋般涌现，基于大模型的聊天机器人层出不穷，腾讯的混元大模型便是其中一大翘楚。如果你连不上混元大模型，本文也给出一种解决方案让你能跑起来代码，看得到效果。今天，我们特邀了小樱桃 CEO 杜金房老师，他将为我们介绍如何使用 Python 连接腾讯混元大模型制作一个聊天机器人，并介绍底层通信协议和实现原理。

作者简介

杜金房，小樱桃 CEO，北京信悦通科技创始人，烟台小樱桃网络科技创始人，FreeSWITCH 中文社区创始人，RTS 社区和 RTSCon 创始人，《FreeSWITCH 权威指南》、《Kamailio 实战》、《深入理解 FFmpeg》作者，FreeSWITCH 开源项目核心 Committer。致力打造 XSwitch 通信云平台，基于腾讯云建设。现在，他正在写一本新书《大道至简，给所有人看的编程书》，旨在带大家洞悉编程本质。写作过程中，以编程课的形式在微信小程序上滚动发布，便于读者追更。

引言

腾讯混元大模型（Tencent Hunyuan）是由腾讯研发的大语言模型，具备强大的中文创作能力，复杂语境下的逻辑推理能力，以及可靠的任务执行能力。可应用于聊天、文档、会议、广告、营销等各种场景。如果你没有用过混元大模型，可以先在微信中搜索微信小程序“腾讯混元助手”体验一下。腾讯混元大模型也支持 API 调用，可以在https://cloud.tencent.com/product/hunyuan 购买。下面的例子需要使用 API。

准备

下面步骤主要基于你已经熟悉 Python 程序，且已经有了一个腾讯云账号，并购买了混元大模型服务。

在第一次使用腾讯云 API 之前，我们首先需要在腾讯云控制台（https://console.cloud.tencent.com/cam/capi）上申请安全凭证，安全凭证包括 SecretID 和 SecretKey, SecretID 是用于标识 API 调用者的身份，SecretKey 是用于加密签名字符串和服务器端验证签名字符串的密钥。SecretKey 必须严格保管，避免泄露。

在https://console.cloud.tencent.com/hunyuan进入控制台，点击左侧菜单栏的“ API 密钥”，然后点击“新建密钥”按钮，生成一个 API 密钥。在后面的代码中我们将用到这个 API 密钥。

确保已经安装了 Python 开发环境，腾讯云 SDK 支持 Python 2 和 Python 3，但建议使用 Python 3。

首先，我们安装腾讯云 Python SDK：

pip install --upgrade tencentcloud-sdk-python

其次，设置环境变量，在终端中输入以下命令，将 SecretID 和 SecretKey 替换成你的 API 密钥：

export TENCENTCLOUD_SECRET_ID=你的SecretID
export TENCENTCLOUD_SECRET_KEY=你的SecretKey

到此，环境就已准备好了。

快速体验

腾讯云提供了一个 Demo，可以从以下地址获取：https://github.com/TencentCloud/tencentcloud-sdk-python/blob/master/examples/hunyuan/v20230901/chat_std.py下载后，运行：pythonchat_std.py 随后，你将看到如下输出：

当然可以！这是一个爆笑笑话：

老师让小明造一句有“哥哥”二字的话。小明：“哥哥昨天晚上又玩游戏了。”

老师：“那你知道哥哥昨天玩什么游戏？”

小明：“不知道，我只知道哥哥又输了。”

这个笑话的笑点在于，它使用了双关语和幽默元素。第一个双关语是“哥哥”，既表示兄弟之间的称呼，也可以表示游戏角色的名称。第二个双关语是“又输了”，既表示游戏输了，也可以表示哥哥输了。这种双关语和幽默元素的结合，使得这个笑话非常搞笑。

如果看到类似上面的内容，就表示成功了。当然，每次输出的内容都不一样。

输出调试信息

当然，上述示例也会打印一些调试信息，下面是其中的一条 JSON 示例。可以看出，大模型返回了一个 Note，应该是规避一些法律风险。Choices 是一个数组，里面包含了多个候选项；Delta 是增量数据；Role 是角色，这里是 assistant，表示大语言模型助手；而实际的内容在 Content 中。

{
  "Note": "以上内容为AI生成，不代表开发者立场，请勿删除或修改本标记",
  "Choices": [
    {
      "FinishReason": "",
      "Delta": {
        "Role": "assistant",
        "Content": "当"
      }
    }
  ],
  "Created": 1702001460,
  "Id": "bd2df0ed-4766-4478-bf9f-db43e70e7a63",
  "Usage": {
    "PromptTokens": 7,
    "CompletionTokens": 1,
    "TotalTokens": 8
  }
}

GPT 的全称是 Generative Pre-trained Transformer，即生成式预训练大语言模型。这里的生成代表生成内容。一般来说，生成内容需要很高的算力，比较慢，需要一个过程，因此，现阶段几乎所有的大语言模型在成内容时都是渐近生成的。当你在使用 ChatGPT 等聊天的时候，也是看到字或词是一个一个“蹦”出来的。下面是几个 JSON 示例（简单起见，只放了 Delta 部分）："Delta":

{"Role":"assistant","Content":"当"}
"Delta":{"Role":"assistant","Content":"然可"}
"Delta":{"Role":"assistant","Content":"以"}
"Delta":{"Role":"assistant","Content":"！这是一"}
"Delta":{"Role":"assistant","Content":"个爆"}
"Delta":{"Role":"assistant","Content":"笑笑"}
"Delta":{"Role":"assistant","Content":"话"}

代码解析

下面是完整的示例代码，我在其中添加了详细的注释：

# -*- coding: utf-8 -*-
import json
import os
# 导入腾讯云 SDK 相应的包
from tencentcloud.common import credential
from tencentcloud.common.exception.tencent_cloud_sdk_exception import TencentCloudSDKException
from tencentcloud.hunyuan.v20230901 import hunyuan_client, models
from tencentcloud.common.profile.client_profile import ClientProfile

try:
    # 实例化一个认证对象，入参需要传入腾讯云账户 secretId，secretKey ，从环境变量中读取
    cred = credential.Credential(
        os.environ.get("TENCENTCLOUD_SECRET_ID"),
        os.environ.get("TENCENTCLOUD_SECRET_KEY"))
    # 初始化一个客户端，入参需要传入腾讯云服务器地域，这里传入广州地区
    client = hunyuan_client.HunyuanClient(cred, "ap-guangzhou")
    # 为了方便学习，输出一些调试信息
    client.set_stream_logger(level="DEBUG")
    # 创建一个标准请求对象
    req = models.ChatStdRequest()
    # 创建一个消息对象，这里的消息对象可以有多个，这里我们只用一个
    msg = models.Message()
    # 指定角色，这里是用户，相当于用户输入的提问信息
    msg.Role = "user"
    # 具体的提问内容
    msg.Content = "你好，可以讲个笑话吗"
    # 将上面的消息放到一个消息列表（数组）中
    req.Messages = [msg]
    # 从客户端发送请求，得到一个响应（resp）
    resp = client.ChatStd(req)
    full_content = ""
    # 循环从响应中获取内容
    for event in resp:
        print(event) # 输出调试信息
        data = json.loads(event['data'])
        for choice in data['Choices']:
            # 将收到的内容拼接起来，成为一个大的字符串
            full_content += choice['Delta']['Content']
    # 打印完整输出内容
    print(full_content)

except TencentCloudSDKException as err:
    print(err)

聊天

为了能愉快地聊天，我们还需要一个循环，这样可以不断地从控制台输入问题，然后得到回答。不过，控制台输入不是我们的重点，篇幅关系，在此就忽略了。

下面，我们讲一下聊天的逻辑。理论上，每次运行时，只需要更换 msg.Content = "你好，可以讲个笑话吗"部分的代码，大模型就会输出不同的内容。这部分就是大家常说的“提示词”。

但是，大模型是非常健忘的。也就是说，它不记得它说过什么。如果你想跟大模型优雅地对话，你需要替它记住聊过的内容。我们将代码改成如下的样子：

msg = models.Message()
msg.Role = "user"
msg.Content = "你好，可以讲个笑话吗"

msg2 = models.Message()
msg2.Role = "assistant"
msg2.Content = '''
当然可以！这是一个爆笑笑话：

老师让小明造一句有“哥哥”二字的话。小明：“哥哥昨天晚上又玩游戏了。”

老师：“那你知道哥哥昨天玩什么游戏？”

小明：“不知道，我只知道哥哥又输了。”

这个笑话的笑点在于，它使用了双关语和幽默元素。第一个双关语是“哥哥”，既表示兄弟之间的称呼，也可以表示游戏角色的名称。第二个双关语是“又输了”，既表示游戏输了，也可以表示哥哥输了。这种双关语和幽默元素的结合，使得这个笑话非常搞笑。
'''

msg3 = models.Message()
msg3.Role = "user"
msg3.Content = "不好笑，再讲一个"

req.Messages = [msg, msg2, msg3]

从上述代码中，我们给 req.Messages 提供了三条信息，前两条是第一次的用户提问和应答，第三条是用户的第二次追问。这样，大模型就能根据对话的上下文生成新的内容。

在实际应用中，可以将问答交互的流程保存到内存列表对象中，也可以保存到数据库中，在下次提问时附上前面的内容就可以了。关于这一点，我们就不特别举例了。

值得一提的是，大模型对上下文的支持是有限制的，因此，列表不能无限的长。下面部分来自官方文档说明，供参考：
● 长度最多为 40, 按对话时间从旧到新在数组中排列。
● Message 的 Role 当前可选值：user、assistant，其中，user 和 assistant 需要交替出现 (一问一答)，最后一个为 user 提问，且 Content 不能为空。
● Messages 中 Content 总长度不超过 16000 token，超过则会截断最前面的内容，只保留尾部内容。建议不超过 4000 token。

Token

大模型一般都使用 Token 做为输入和输出的计量单位，它代表了大模型计算能力。混元大模型中，1 token 约等于 1.8 个中文汉字或 3 个英文字母。在腾讯云平台上有一个 Token 计算器，可以帮助你计算 Token 数量。

进阶上面我们讲了使用 Python 跟大模型聊天的关键点，并给出了一个完整的示例代码。考虑到篇幅关系，我们并没有写一个完整的客户端程序。下面的几种建议读者可以自行练习：
● 把聊天的历史记录记在内存中，每次请求提供上下文。
● 让 Python 脚本接受命令行输入，通过命令行版聊天。
● 使用 PyGUI 之类的客户端库做一个 GUI 程序，让用户可以更方便地使用。
● 在 Python 程序中增加一个 HTTP Server，然后再写一个前端的网页输入框，在浏览器中聊天。

自制大模型

考虑到现在腾讯混元大模型还需要申请才能使用，而且也并不是所有读者都能立即申请到大模型体验。

下面，我们自己动手做一个简单的大模型，用于测试我们的程序，同时，也学习一下相应的底层交互原理。实现HTTP Server我们先实现一个简单的 HTTP Server，用于接收用户的输入，然后模拟大模型返回输出。这里我们使用一个轻量级的 Web 服务器。下面是完整的代码及注释：

# ! -*- coding: utf-8 -*-
from http.server import HTTPServer, BaseHTTPRequestHandler
import json

# 监听地址和端口
host = ('0.0.0.0', 8080)
# 当收到HTTP请求时执行如下内容
class Resquest(BaseHTTPRequestHandler):
    def handler(self):
        print("data:", self.rfile.readline().decode())
        self.wfile.write(self.rfile.readline())
    # 当收到GET请求时返回 Hello World，主要是为了测试服务器的正确性，可有可无
    def do_GET(self):
        data = {
            'Hello': 'World',
        }
        self.send_response(200)
        self.send_header('Content-type', 'application/json')
        self.end_headers()
        self.wfile.write(json.dumps(data).encode())
    # 当收到POST请求时，返回结果
    def do_POST(self):
        # 返回 200 OK
        self.send_response(200)
        # 返回 event-stream 模式的数据，这是SSE协议要求的，后面还有解释
        self.send_header('Content-type', 'text/event-stream')
        self.end_headers()
        # 将一句话拆成多个词返回，模拟大模型的输出
        texts = ['这', '是', '一个', '笑话', '。']
        # 输出的JSON大致的结构
        data = {
            'Choices': [
                {
                    'Delta': {
                        'Role': 'assistant',
                        'Content': '',
                    },
                },
            ],
        }
        # 循环输出每一个词
        for i in range(texts.__len__()):
            # 将本次要输出的字符放到 Content 中
            data.get('Choices')[0].get('Delta')['Content'] = texts[i]
            if i == texts.__len__() - 1:
                # 是后一个输出，加上个 stop 标志，表示说话完成
                data.get('Choices')[0]['FinishReason'] = 'stop'
            self.wfile.write('data: '.encode('utf-8'))
            self.wfile.write(json.dumps(data).encode('utf-8'))
            # 每次输出完毕，加上两个换行符
            self.wfile.write(b'\n\n')

if __name__ == '__main__':
    # 启动服务器，监听相应的HTTP端口
    server = HTTPServer(host, Resquest)
    print("Starting server, listen at: %s:%s" % host)
    server.serve_forever()

写好后，存成 mock_server.py，执行pythonmock_server.py可以启动一个 Web 服务器，监听8080端口。接下来，我们可以打开另一个终端窗口，使用 curl 命令发一个请求，就可以看到返回的结果：

`curl localhost:8080

{"hello": "world"}`

如果相看更详细的 HTTP 信息（包括请求和返回的 HTTP 头域），可以使用-v 参数：

curl -v localhost:8080
*   Trying 127.0.0.1:8080...
* Connected to localhost (127.0.0.1) port 8080 (#0)
> GET / HTTP/1.1
> Host: localhost:8080
> User-Agent: curl/7.85.0
> Accept: */*
>
* Mark bundle as not supporting multiuse
* HTTP 1.0, assume close after body
< HTTP/1.0 200 OK
< Server: BaseHTTP/0.6 Python/3.10.9
< Date: Fri, 08 Dec 2023 07:00:04 GMT
< Content-type: application/json
<
* Closing connection 0
{"hello": "world"}

发一个 POST 请求试试，随便传一个参数：

curl -XPOST -d a=1 localhost:8080

data: {"Choices": [{"Delta": {"Role": "assistant", "Content": "这"}}]}

data: {"Choices": [{"Delta": {"Role": "assistant", "Content": "是"}}]}

data: {"Choices": [{"Delta": {"Role": "assistant", "Content": "一个"}}]}

data: {"Choices": [{"Delta": {"Role": "assistant", "Content": "笑话"}}]}

data: {"Choices": [{"Delta": {"Role": "assistant", "Content": "。"}, "FinishReason": "stop"}]}

注意，在实际操作中，你看到的中文可能是 JSON 编码器转义过的，如\u8fd9就是 “这” 这个字。

让聊天程序连接我们自己的大模型

上面我们已经准备好了一个大模型的模拟器，现在我们来修改一下聊天程序，让它连接我们自己的大模型。首先，打开 chat_std.py，找到如下一行：

client = hunyuan_client.HunyuanClient(cred, "ap-guangzhou")

改成如下的样子，详见代码内注释。

 # 创建一个客户端配置对象
    client_profile = ClientProfile()
    # 将服务器地址改成我们自己的服务器地址
    client_profile.httpProfile.endpoint = "localhost:8080"
    # 默认是 https，改成 http 协议
    client_profile.httpProfile.protocol = "http"
    client_profile.httpProfile.scheme = "http"
    # 增加一个 client_profile 参数，将上述设置传入底层的 HTTP 客户端
    client = hunyuan_client.HunyuanClient(cred, "ap-guangzhou", client_profile)

保存后，运行 pythonchat_std.py，你将看到如下输出：

python chat_std.py
2023-12-08 15:09:04,374 10230 request.py L109 DEBUG GetResponse <Response [200]>
{'data': ' {"Choices": [{"Delta": {"Role": "assistant", "Content": "这"}}]}'}
{'data': ' {"Choices": [{"Delta": {"Role": "assistant", "Content": "是"}}]}'}
{'data': ' {"Choices": [{"Delta": {"Role": "assistant", "Content": "一个"}}]}'}
{'data': ' {"Choices": [{"Delta": {"Role": "assistant", "Content": "笑话"}}]}'}
{'data': ' {"Choices": [{"Delta": {"Role": "assistant", "Content": "。"}}]}'}
{'data': ' {"Choices": [{"Delta": {"Role": "assistant", "Content": ""}, "FinishReason": "stop"}]}'}
这是一个笑话。

这就表示，我们的聊天机器人程序成功连接到了我们自制的大模型。这种通过 Mock 方式模拟的 API 服务器在开发中经常用到，它可以简化开发过程，人为制造一些流程和场景，甚至在做压力测试时也可以大大节省 Token 的费用。正所谓“磨刀不误砍柴工”。

SSE

最后，我们来说一下 SSE 协议。SSE 的全称是 Server-Sent Event，即服务端推送事件，是一个流式协议，用于 HTTP 长连接中的服务端事件推送。大模型类的聊天程序广泛使用了该协议，包括 ChatGPT 和腾讯混元大模型。

SSE 协议很简单，在 HTTP 输出头中增加Content-Type: text/event-stream，然后在每次输出的数据前面加data:（注意这里有一个空格），并在每次输出的数据后面加上两个换行符 \n\n。这样，客户端就可以通过 data: 来判断每次输出的数据了。上面例子中的数据输出就是 SSE，下面再写一遍加深印象：

data: {"Choices": [{"Delta": {"Role": "assistant", "Content": 
"这"}}]}

data: {"Choices": [{"Delta": {"Role": "assistant", "Content": 
"是"}}]}

如果一行数据比较长，也可以分成多行输出，但每行都要以 data: 开头，以 \n 结尾，最后一行以 \n\n 结尾。如（注意，下面是一个句子）：

`data: 这
data: 是一个
data: 很长的句子。`

前面可以加一个id:，表示数据的序号，这样客户端就可以判断数据的顺序了。如：
`id: 1
data: Hello`

也可以给这个句子（事件）起个名字，如：

`event: 笑话101
data: 这是一个很好笑的笑话。`

以冒号开头的行是一个注释，如：

: 这是一个注释

HTTP 请求只能发送一次，服务端在 HTTP 连接不断开的情况下，可以一直推送数据，这也就是你在使用 ChatGPT 时经常看到的慢慢往外“蹦”字的效果。同样，用户的每次询问都需要重新发起一个新的 HTTP 请求。

理解SSE协议有助于理解程序跟大模型间的通信原理，从而更好地理解大模型及其API。

小结

本文带你手把手使用 Python 语言写了一个简单的大模型聊天程序，并介绍了相应的调用流程和底层通信协议。如果你连不上混元大模型，也可以使用文中的模拟程序（Mock）来测试你的聊天机器人程序。

在「腾讯云TVP」公众号后台回复「聊天机器人」，即可下载本文完整的源代码，并订阅老师新书《大道至简，给所有人看的编程书》。