企业官网建设流程全解析

3d建模在线制作网站,婚纱摄影团购网站模板,山西人工智能建站系统软件,沈阳网站设计开发公司模型用的Qwen2.5-7B-Instruct#xff0c;快#xff0c;就是比较傻LLM_OPENAI_API_URLhttps://api.siliconflow.cn/v1LLM_MODEL_NAMEQwen/Qwen2.5-7B-Instruct用户: 神乐大战不是格斗游戏是养成游戏AI: 谢谢你的澄清。《神乐大战》实际上是一款养成游戏和模拟游戏的结合#…模型用的Qwen2.5-7B-Instruct快就是比较傻LLM_OPENAI_API_URLhttps://api.siliconflow.cn/v1LLM_MODEL_NAMEQwen/Qwen2.5-7B-Instruct用户: 神乐大战不是格斗游戏是养成游戏 AI: 谢谢你的澄清。《神乐大战》实际上是一款养成游戏和模拟游戏的结合玩家需要培养和管理自己的偶像组合。如果你喜欢这种类型的游戏可以考虑以下几款类似游戏 1. **《BanG Dream! 少女乐团派对》**这是一款模拟乐队养成游戏玩家可以组建自己的乐队训练成员参与演唱会。 2. **《心跳回忆Beatmania IIDJ》**虽然这款游戏主要是音乐节奏游戏但它也包含了一定的养成元素玩家需要培养角色提升技能。 3. **《偶像大师Negima! 偶像大师》**这款游戏也是聚焦于偶像的养成和管理玩家可以收集和培养各种偶像参加各种演出活动。 4. **《Stardew Valley》**虽然不是直接的偶像养成游戏但这款游戏的日常管理和角色互动元素与养成游戏有相似之处可以作为一种不同类型的参考。 如果你还有其他具体的兴趣或偏好欢迎继续分享我可以为你提供更多针对性的建议。 用户: 神乐大战是什么类型的游戏 AI: 《神乐大战》Seikyuu Taisen实际上是一款音乐节奏类游戏但它与传统的节奏游戏有所不同。在游戏中玩家需要管理和培养一支由女孩组成的偶像团体让她们在舞台上演出同时还要处理她们之间的关系和日常生活。 《神乐大战》的游戏类型可以归类为 1. **音乐节奏游戏**玩家需要按照音乐节奏点击屏幕上的图标。 2. **养成游戏**玩家需要管理和发展角色提升她们的各项能力。 3. **模拟游戏**玩家需要模拟和管理一个虚拟的偶像团体的生活和工作。 如果你喜欢这种类型的游戏除了《神乐大战》还有其他一些类似的游戏也值得尝试比如 - **《LoveLive! 学园偶像计划》**这也是一个音乐节奏游戏以管理和培养偶像团体为主题。 - **《偶像大师 虚卡莉》**同样是一款节奏游戏玩家可以培养和管理偶像。 - **《LoveLive! Sunshine!! Rising Star♪Road!!》**这也是一个以培养和管理偶像团体为主题的音乐节奏游戏。 这些游戏通常都包含了养成、表演、角色互动等多个元素非常适合喜欢这种类型游戏的玩家。希望这些推荐能够帮助你找到更多喜欢的游戏import tkinter as tk from tkinter import scrolledtext, messagebox, ttk import os from llm_server import LLMService def chat_with_memory(user_message, memory_fileNone, use_memoryTrue): 简单的记忆聊天函数将对话保存到文件 :param user_message: 用户消息 :param memory_file: 记忆文件路径 :param use_memory: 是否使用记忆功能 :return: AI回复内容 # 如果没有指定记忆文件路径则使用当前脚本所在目录下的memory.txt if memory_file is None: current_dir os.path.dirname(os.path.abspath(__file__)) memory_file os.path.join(current_dir, memory.txt) try: # 创建LLM服务实例 llm_service LLMService() # 准备消息列表 messages [] # 如果启用记忆功能且记忆文件存在读取历史对话 if use_memory and os.path.exists(memory_file): with open(memory_file, r, encodingutf-8) as f: content f.read() # 这里需要解析历史对话将它们转换为messages格式 # 简单示例将历史对话按行分割并转换为消息列表 history_messages parse_history_content(content) messages.extend(history_messages) # 添加当前用户消息 messages.append({role: user, content: user_message}) # 调用LLM服务 result llm_service.create(messages) # 获取AI回复 ai_response result[choices][0][message][content] # 如果启用了记忆功能则保存到记忆文件 if use_memory: try: # 保存到记忆文件追加模式 with open(memory_file, a, encodingutf-8) as f: f.write(f用户: {user_message}\n) f.write(fAI: {ai_response}\n\n) print(f成功写入记忆文件: {memory_file}) except Exception as e: print(f写入文件时出错: {e}) return ai_response except Exception as e: error_msg f连接LLM服务失败: {str(e)} print(error_msg) return error_msg def parse_history_content(content): 解析历史对话内容转换为messages格式 messages [] lines content.strip().split(\n) current_role None current_content [] for line in lines: line line.strip() if line.startswith(用户:): # 保存之前的角色内容 if current_role and current_content: messages.append({ role: current_role, content: \n.join(current_content).strip() }) # 开始新的用户消息 current_role user current_content [line[3:].strip()] # 去掉用户:前缀 elif line.startswith(AI:): # 保存之前的角色内容 if current_role and current_content: messages.append({ role: current_role, content: \n.join(current_content).strip() }) # 开始新的AI消息 current_role assistant current_content [line[3:].strip()] # 去掉AI:前缀 elif line and current_content: # 空行表示对话段结束 if current_role and current_content: messages.append({ role: current_role, content: \n.join(current_content).strip() }) current_role None current_content [] elif current_role: # 继续当前消息的内容 current_content.append(line) # 处理最后一条消息 if current_role and current_content: messages.append({ role: current_role, content: \n.join(current_content).strip() }) return messages class MemoryChatApp: def __init__(self, root): self.root root self.root.title(AI记忆聊天) self.root.geometry(800x600) # 记忆开关变量 self.use_memory_var tk.BooleanVar(valueTrue) # 创建界面 self.setup_ui() # 记忆文件路径 current_dir os.path.dirname(os.path.abspath(__file__)) self.memory_file os.path.join(current_dir, memory.txt) # 加载历史对话 self.load_history() def setup_ui(self): # 顶部框架 - 记忆开关和清除按钮 top_frame tk.Frame(self.root) top_frame.pack(filltk.X, padx10, pady5) # 记忆开关复选框 memory_check tk.Checkbutton( top_frame, text启用记忆功能, variableself.use_memory_var ) memory_check.pack(sidetk.LEFT) # 清除对话按钮 clear_btn tk.Button( top_frame, text清除对话记录, commandself.clear_history ) clear_btn.pack(sidetk.RIGHT) # 聊天历史显示区域 self.chat_history scrolledtext.ScrolledText( self.root, wraptk.WORD, statedisabled, height25 ) self.chat_history.pack(padx10, pady5, filltk.BOTH, expandTrue) # 输入区域框架 input_frame tk.Frame(self.root) input_frame.pack(padx10, pady5, filltk.X) # 消息输入框 self.input_text tk.Text(input_frame, height5) self.input_text.pack(filltk.X, pady5) # 底部按钮框架 button_frame tk.Frame(input_frame) button_frame.pack(filltk.X) # 发送按钮 send_button tk.Button( button_frame, text发送 (Enter), commandself.send_message ) send_button.pack(sidetk.RIGHT, padx(5, 0)) # 绑定回车键发送消息ShiftEnter 换行 self.input_text.bind(Return, self.on_enter_key) def on_enter_key(self, event): # 检测是否同时按下Shift键如果是则换行否则发送消息 if event.state 0x1: # Shift键被按下 return # 允许正常的换行操作 else: self.send_message() return break # 阻止换行操作 def send_message(self): user_message self.input_text.get(1.0, tk.END).strip() if not user_message: messagebox.showwarning(警告, 请输入消息内容) return # 清空输入框 self.input_text.delete(1.0, tk.END) # 显示用户消息 self.display_message(用户, user_message) # 获取AI回复 use_memory self.use_memory_var.get() try: ai_response chat_with_memory(user_message, self.memory_file, use_memory) # 显示AI回复 self.display_message(AI, ai_response) except Exception as e: error_msg f获取AI回复时出错: {str(e)} self.display_message(系统, error_msg) def display_message(self, sender, message): self.chat_history.config(statenormal) self.chat_history.insert(tk.END, f{sender}: {message}\n\n) self.chat_history.config(statedisabled) # 滚动到底部 self.chat_history.see(tk.END) def load_history(self): 加载历史对话到界面 if os.path.exists(self.memory_file): with open(self.memory_file, r, encodingutf-8) as f: content f.read() # 解析历史内容并显示 history_messages parse_history_content(content) for msg in history_messages: role 用户 if msg[role] user else AI self.display_message(role, msg[content]) def clear_history(self): 清除对话记录 if messagebox.askyesno(确认, 确定要清除所有对话记录吗): try: # 清空记忆文件 with open(self.memory_file, w, encodingutf-8) as f: f.write() # 清空界面显示 self.chat_history.config(statenormal) self.chat_history.delete(1.0, tk.END) self.chat_history.config(statedisabled) messagebox.showinfo(提示, 对话记录已清除) except Exception as e: messagebox.showerror(错误, f清除记录时出错: {str(e)}) def main(): root tk.Tk() app MemoryChatApp(root) root.mainloop() if __name__ __main__: main()llm_server:import os from dotenv import load_dotenv import json import http.client from urllib.parse import urlparse import base64 import requests from io import BytesIO from PIL import Image class LLMService: def __init__(self): # 从环境变量中获取 DeepSeek 参数 # 加载 .env 文件中的环境变量 dotenv_path rE:\code\apikey\.env load_dotenv(dotenv_path) self.api_url os.getenv(LLM_OPENAI_API_URL) self.model_name os.getenv(LLM_MODEL_NAME) self.api_key os.getenv(LLM_OPENAI_API_KEY) # 检查必需的环境变量是否存在 if not self.api_url: raise ValueError(环境变量 deepseek_OPENAI_API_URL 未设置或为空) if not self.model_name: raise ValueError(环境变量 deepseek_MODEL_NAME 未设置或为空) if not self.api_key: raise ValueError(环境变量 deepseek_OPENAI_API_KEY 未设置或为空) print(fLLM服务初始化完成模型: {self.model_name}) def create(self, messages, toolsNone): print(开始调用LLM服务) # 解析 URL去掉协议部分 parsed urlparse(f{self.api_url}/chat/completions) host, path parsed.hostname, parsed.path if not host: raise ValueError(API URL 无效无法解析主机名) # 创建 HTTP 连接 conn http.client.HTTPSConnection(host) # 构造请求体 request_body { model: self.model_name, messages: messages, tools: tools, temperature: 0.9 # 添加温度参数 } # 发送 POST 请求 headers { Content-Type: application/json, Authorization: fBearer {self.api_key} } conn.request( POST, path, bodyjson.dumps(request_body), headersheaders ) # 获取响应 response conn.getresponse() print(fLLM服务响应状态码: {response.status}) if response.status ! 200: error_msg response.read().decode(utf-8) raise Exception(fLLM服务器错误: {response.status} - {error_msg}) # 读取响应内容 response_data response.read().decode(utf-8) data json.loads(response_data) # 确保output目录存在 os.makedirs(output, exist_okTrue) # 将响应保存到文件 (修复路径分隔符问题) output_file_path os.path.join(output, formatted_data.json) with open(output_file_path, w, encodingutf-8) as f: json.dump(data, f, indent4, ensure_asciiFalse) # 关闭连接 conn.close() print(LLM服务调用完成) return data class VLMService: def __init__(self): # 从环境变量中获取 VLM 参数 dotenv_path rE:\code\apikey\.env load_dotenv(dotenv_path) self.api_url os.getenv(VLM_OPENAI_API_URL) self.model_name os.getenv(VLM_MODEL_NAME) self.api_key os.getenv(VLM_OPENAI_API_KEY) # 检查必需的环境变量是否存在 if not self.api_url: raise ValueError(环境变量 VLM_OPENAI_API_URL 未设置或为空) if not self.model_name: raise ValueError(环境变量 VLM_MODEL_NAME 未设置或为空) if not self.api_key: raise ValueError(环境变量 VLM_OPENAI_API_KEY 未设置或为空) print(fVLM服务初始化完成模型: {self.model_name}) def encode_image(self, image_source): 编码图像为base64字符串 支持URL和本地文件路径 try: if image_source.startswith((http://, https://)): # 从URL获取图像 response requests.get(image_source) image_data response.content else: # 从本地文件路径获取图像 with open(image_source, rb) as image_file: image_data image_file.read() return base64.b64encode(image_data).decode(utf-8) except Exception as e: raise Exception(f图像编码失败: {str(e)}) def create_with_image(self, messages, image_sourceNone, toolsNone): print(开始调用VLM服务) # 如果提供了图像源则处理图像 if image_source: # 编码图像 base64_image self.encode_image(image_source) # 在第一条消息中添加图像 if messages and len(messages) 0: # 构建包含图像的消息内容 image_content { type: image_url, image_url: { url: fdata:image/jpeg;base64,{base64_image} } } # 如果第一条消息的内容是字符串转换为列表格式 if isinstance(messages[0][content], str): messages[0][content] [ { type: text, text: messages[0][content] }, image_content ] # 如果已经是列表格式追加图像内容 elif isinstance(messages[0][content], list): messages[0][content].append(image_content) # 解析 URL去掉协议部分 parsed urlparse(f{self.api_url}/chat/completions) host, path parsed.hostname, parsed.path if not host: raise ValueError(API URL 无效无法解析主机名) # 创建 HTTP 连接 conn http.client.HTTPSConnection(host) # 构造请求体 request_body { model: self.model_name, messages: messages, tools: tools, temperature: 0.7 } # 发送 POST 请求 headers { Content-Type: application/json, Authorization: fBearer {self.api_key} } conn.request( POST, path, bodyjson.dumps(request_body), headersheaders ) # 获取响应 response conn.getresponse() print(fVLM服务响应状态码: {response.status}) if response.status ! 200: error_msg response.read().decode(utf-8) raise Exception(fVLM服务器错误: {response.status} - {error_msg}) # 读取响应内容 response_data response.read().decode(utf-8) data json.loads(response_data) # 确保output目录存在 os.makedirs(output, exist_okTrue) # 将响应保存到文件 output_file_path os.path.join(output, vlm_formatted_data.json) with open(output_file_path, w, encodingutf-8) as f: json.dump(data, f, indent4, ensure_asciiFalse) # 关闭连接 conn.close() print(VLM服务调用完成) return data