简介
在OpenAI推出GPT系列大模型以后，市场上各种类似的大模型也层出不穷，这些大模型也基本都会兼容OpenAI的接口，在开发基于大模型的应用时，选择使用OpenAI接口作为和后端大模型通讯的标准，可以更好的适配不同厂家的模型。本节将开发一个简单的智能助手，可以支持OpenAI兼容的大模型作为后端使用，本示例将演示如何使用RCP模块调用OpenAI兼容接口，如何把一个对象实例转换为Json字符串作为传递的参数，以及在接收到HTTP响应的字符串后，如何转换为对象实例。
1. 智能助手演示
本示例运行后的界面如图所示：
输入使用的模型信息，包括BaseUrl、API-KEY以及模型名称，示例中使用的是阿里的百炼大模型平台，读者可以根据实际需要选择合适的大模型。输入模型信息后，再输入要提问的问题，然后单击“提问”按钮就可以调用大模型的接口了，提问后的响应界面如下所示：
当然，也可以继续提问，助手会继续回答
2. 智能助手示例编写
下面详细介绍创建该示例的步骤。
步骤1：创建Empty Ability项目。
步骤2：在module.json5配置文件加上对权限的声明：
"requestPermissions": [
{
"name": "ohos.permission.INTERNET"
}
]这里添加了访问互联网的权限。
步骤3：添加OpenAI.ets文件定义OpenAI接口需要的类型，代码如下：
//指定角色提供的消息
export class Message {
//角色，在OpenAI里一般有system、user、assistant三种，这里只用到了user和assistant
public role: string = ""
public content: string = ""
constructor(role: string, content: string) {
this.role = role
this.content = content
}
}
//提交给AI的问题
export class ChatInfo {
public model: string = ""
public messages: Array<Message> = new Array()
constructor(model: string, messages: Array<Message>) {
this.model = model
this.messages = messages
}
}
//AI的一个回答
export class Choice {
public finish_reason: string = ""
public message: Message = new Message("", "")
constructor(finish_reason: string, message: Message) {
this.finish_reason = finish_reason
this.message = message
}
}
//Token消耗情况
export class Usage {
public prompt_tokens: number = 0
public completion_tokens: number = 0
public total_tokens: number = 0
constructor(prompt_tokens: number, completion_tokens: number, total_tokens: number) {
this.prompt_tokens = prompt_tokens
this.completion_tokens = completion_tokens
this.total_tokens = total_tokens
}
}
//AI正常返回的信息
export class ChatResponse {
public choices: Array<Choice> = new Array()
public object: string = ""
public usage: Usage = new Usage(0, 0, 0)
public created: number = 0
public system_fingerprint: string = ""
public model: string = ""
public id: string = ""
constructor(choices: Array<Choice>, object: string, usage: Usage, created: number
, system_fingerprint: string, model: string, id: string) {
this.choices = choices
this.object = object
this.usage = usage
this.created = created
this.system_fingerprint = system_fingerprint
this.model = model
this.id = id
}
}步骤4：在Index.ets文件里添加如下的代码：
import { rcp } from '@kit.RemoteCommunicationKit';
import { BusinessError } from '@kit.BasicServicesKit';
import { ChatInfo, ChatResponse, Message } from './OpenAI';
import { ArrayList } from '@kit.ArkTS';
@Entry
@Component
struct Index {
@State title: string = '使用RCP调用OpenAI接口实现智能助手';
//连接、通讯历史记录
@State msgHistory: string = ''
//提问的问题
@State question: string = "二的三次方等于几"
//基地址
@State baseUrl: string = "https://dashscope.aliyuncs.com/compatible-mode/v1"
//API KEY
@State apiKey: string = "sk-b7f3f4ec7a1845159de1a1bcf27aad1a"
//模型名称
@State modelName: string = "qwen-plus"
chatHistory: ArrayList<Message> = new ArrayList()
chatAPI: string = "/chat/completions"
scroller: Scroller = new Scroller()
build() {
Row() {
Column() {
Text(this.title)
.fontSize(14)
.fontWeight(FontWeight.Bold)
.width('100%')
.textAlign(TextAlign.Center)
.padding(10)
Flex({ justifyContent: FlexAlign.Start, alignItems: ItemAlign.Center }) {
Text("Base Url：")
.fontSize(14)
.width(80)
TextInput({ text: this.baseUrl })
.onChange((value) => {
this.baseUrl = value
})
.width(110)
.fontSize(11)
.flexGrow(1)
}
.width('100%')
.padding(10)
Flex({ justifyContent: FlexAlign.Start, alignItems: ItemAlign.Center }) {
Text("API KEY：")
.fontSize(14)
.width(80)
TextInput({ text: this.apiKey })
.onChange((value) => {
this.apiKey = value
})
.width(110)
.type(InputType.Password)
.fontSize(11)
.flexGrow(1)
}
.width('100%')
.padding(10)
Flex({ justifyContent: FlexAlign.End, alignItems: ItemAlign.Center }) {
Text("模型名称：")
.fontSize(14)
.width(80)
TextInput({ text: this.modelName })
.onChange((value) => {
this.modelName = value
})
.width(110)
.fontSize(11)
.flexGrow(1)
Button("提问")
.onClick(() => {
this.chat()
})
.width(100)
.fontSize(14)
}
.width('100%')
.padding(10)
Flex({ justifyContent: FlexAlign.Start, alignItems: ItemAlign.Center }) {
Text("您的问题：")
.fontSize(14)
.width(80)
TextInput({ text: this.question })
.onChange((value) => {
this.question = value
})
.width(110)
.fontSize(11)
.flexGrow(1)
}
.width('100%')
.padding(10)
Scroll(this.scroller) {
Text(this.msgHistory)
.textAlign(TextAlign.Start)
.padding(10)
.width('100%')
.backgroundColor(0xeeeeee)
}
.align(Alignment.Top)
.backgroundColor(0xeeeeee)
.height(300)
.flexGrow(1)
.scrollable(ScrollDirection.Vertical)
.scrollBar(BarState.On)
.scrollBarWidth(20)
}
.width('100%')
.justifyContent(FlexAlign.Start)
.height('100%')
}
.height('100%')
}
//对话
async chat() {
let cfg: rcp.SessionConfiguration = {
headers: {
'Authorization': `Bearer ${this.apiKey}`,
'Content-Type': 'application/json'
}
}
let chatInfo = this.getChatInfo()
let postInfo = JSON.stringify(chatInfo)
const session = rcp.createSession(cfg);
session.post(this.baseUrl+this.chatAPI, postInfo)
.then(resp => {
if(resp.statusCode==200){
let chatResp = resp.toJSON() as ChatResponse;
this.msgHistory += `我：${this.question}\r\n`
this.msgHistory += `AI：${chatResp.choices[0].message.content}\r\n`
this.msgHistory += `(共消耗token:${chatResp.usage.total_tokens}，其中提问：${chatResp.usage.prompt_tokens},回答：${chatResp.usage.completion_tokens})\r\n`
}
})
.catch((err: BusinessError) => {
console.error(`err: err code is ${err.code}, err message is ${JSON.stringify(err)}`);
});
}
//获取提交给AI的问题
getChatInfo() {
let newMessage = new Message("user", this.question)
this.chatHistory.add(newMessage)
let chatInfo: ChatInfo = new ChatInfo(this.modelName, this.chatHistory.convertToArray())
return chatInfo
}
}步骤5：编译运行，可以使用模拟器或者真机。
步骤6：按照本节第1部分“智能助手演示”操作即可。
3. 代码分析
在OpenAI.ets文件里定义了OpenAI兼容接口需要的类型，理解这一部分代码需要读者仔细研究OpenAI接口的定义，这里就不展开了。在调用大模型HTTP接口提问的时候，需要传递的参数形式如下所示（以通义千问为例）：
curl --location 'https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
"model": "qwen-plus",
"messages": [
{
"role": "system",
"content": "You are a helpful assistant."
},
{
"role": "user",
"content": "你是谁？"
}
]
}'也就是说要传递两个首部，其中一个包含API_KEY信息，另外还需要在body中传递Json格式的提问信息。定义首部的代码如下：
let cfg: rcp.SessionConfiguration = {
headers: {
'Authorization': `Bearer ${this.apiKey}`,
'Content-Type': 'application/json'
}
}这里把首部信息放入了创建Session时传递的参数里。传递作为body的提问信息代码如下：
let chatInfo = this.getChatInfo()
let postInfo = JSON.stringify(chatInfo)
const session = rcp.createSession(cfg);
session.post(this.baseUrl+this.chatAPI, postInfo)这里把提问信息的实例chatInfo通过JSON.stringify函数转为了Json字符串，然后把这个字符串通过session.post函数传递给了大模型。大模型响应问题的时候，返回的也是字符串，为方便后续调用，把它转为了ChatResponse类型的实例，代码如下所示：
session.post(this.baseUrl+this.chatAPI, postInfo)
.then(resp => {
if(resp.statusCode==200){
let chatResp = resp.toJSON() as ChatResponse;
this.msgHistory += `我：${this.question}\r\n`
this.msgHistory += `AI：${chatResp.choices[0].message.content}\r\n`
this.msgHistory += `(共消耗token:${chatResp.usage.total_tokens}，其中提问：${chatResp.usage.prompt_tokens},回答：${chatResp.usage.completion_tokens})\r\n`
}
})（本文作者原创，除非明确授权禁止转载）
本文源码地址：
https://gitee.com/zl3624/harmonyos_network_samples/tree/maste...
本系列源码地址：
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用。你还可以使用@来通知其他用户。