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。
本文将继续分享AI助手/AI客服的开发方式，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：
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。
ini复制代码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：
ini复制代码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。
lua复制代码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：
ini复制代码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：
ini复制代码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：
ini复制代码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：
ini复制代码 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：
ini复制代码def extract_message_content(message):
# Extract the message content
message_content = message.content[0].text
annotations = message_content.annotations
# Iterate over the annotations and add footnotes
for 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：
python复制代码# 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 footnote
message_content.value = message_content.value.replace(annotation.text, f' [{index}]')
# Gather citations based on annotation attributes
if (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)
完整示例
我在完整的示例程序中向智能助手循环提出了四个问题，每个问题都需要重新创建一个run，然后再检查状态，获取响应结果。
需要完整代码的同学请访问Github：
以上就是本文的主要内容，有兴趣的同学快去试试吧，效果绝对震惊你的小伙伴！
如需GPT账号、学习陪伴群、AI编程训练营，推荐关注小册：大模型应用开发 | API 实操
关注萤火架构，加速技术提升！
