【NLP 66、实践 ⑰ 基于Agent + Prompt Engineering文章阅读】

你用什么擦干我的眼泪

莎士比亚全集

工业纸巾

还是你同样泛红的眼睛

                                —— 4.19

一、⭐【核心函数】定义大模型调用函数 call_large_model

prompt：用户传入的提示词（如 “请分析这篇作文的主题”），指导模型执行任务

client：ZhipuAI客户端实例，用于发起 API 请求，api_key需从智谱 AI 官网申请

model：指定使用智谱 AI 的glm-3-turbo模型（支持对话式交互）。

messages：输入格式为列表，每个元素是包含role（角色，此处为user）和content（内容，即prompt）的字典，符合智谱 AI 对话模型的输入规范。

response：模型返回的原始响应。

response_text：提取第一个生成结果的文本内容。

ZhipuAI()：初始化智谱 AI（ZhipuAI）的客户端实例，用于与智谱 AI 的大模型服务进行交互，支持调用模型 API 发送请求并获取响应。

chat.completions.create()：调用智谱 AI 的大模型（如glm-3-turbo）生成响应，支持对话式交互，传入对话历史和提示词，获取模型的文本生成结果。

def call_large_model(prompt):
    client = ZhipuAI(api_key="填写你自己的智谱API")
    response = client.chat.completions.create(
        model="glm-3-turbo",
        messages=[
            {"role": "user", "content": prompt}
        ]
    )
    response_text = response.choices[0].message.content
    return response_text

二、主题分析函数 language_optimization_agent

article_text：待分析的文章内容（从文件读取或用户输入）

prompt_analysis：提示词拼接结果，格式为 “请分析这篇作文的主题：[文章内容]”，明确告知模型任务是提取文章主题。

language_optimization_suggestions：模型生成的主题描述（如 “文章主题是：人与宠物的温情陪伴”）

call_large_model()：大模型调用

def language_optimization_agent(article_text):
    prompt_analysis = "请分析这篇作文的主题：" + article_text
    language_optimization_suggestions = call_large_model(prompt_analysis)
    return language_optimization_suggestions

三、定义内容丰富函数 content_enrichment_agent

article_text：待分析的文章内容（从文件读取或用户输入）

theme_analysis_result：通过language_optimization_agent得到的主题分析结果（如 “宠物陪伴与成长”）。

prompt_content：提示词结构为 “根据主题 [主题结果]，提出可扩展的内容点 [文章内容]”，引导模型结合主题给出具体扩展方向（如 “增加宠物互动细节”）。

content_enrichment_suggestions：模型生成的内容丰富建议（如 “可补充宠物生病时的照顾细节”）

call_large_model()：大模型调用

def content_enrichment_agent(article_text, theme_analysis_result):
    # 根据文章分析结果构建提示词
    prompt_content = f"请阅读下面这篇文章，根据主题{theme_analysis_result},为该文章提出可以进一步扩展和丰富的内容点" + article_text
    content_enrichment_suggestions = call_large_model(prompt_content)
    return content_enrichment_suggestions

四、定义可读性优化函数

article_text：待分析的文章内容（从文件读取或用户输入）

theme_analysis_result：通过language_optimization_agent得到的主题分析结果（如 “宠物陪伴与成长”）。

prompt_readablity：提示词结构为 “根据主题 [主题结果]，总结主旨为 30 字以内通俗语言 [文章内容]”，明确任务是简洁概括。

readability_suggestions：模型生成的主旨总结（如 “讲述与金毛宠物大福的相遇、成长及相互陪伴的温暖故事”）。

call_large_model()：大模型调用

def readability_agent(article_text, theme_analysis_result):
    # 根据文章分析结果构建提示词
    prompt_readability = f"请阅读下面这篇文章，根据主题{theme_analysis_result},将文章主旨大意总结成三十字以内通俗易懂的话：" + article_text
    readability_suggestions = call_large_model(prompt_readability)
    return readability_suggestions

五、定义仿写文章函数 imitate_article_agent

article_text：待分析的文章内容（从文件读取或用户输入）

theme_analysis_result：通过language_optimization_agent得到的主题分析结果（如 “宠物陪伴与成长”）。

prompt_imitate：提示词结构为 “根据主题 [主题结果]，仿写同主题文章 [文章内容]”，引导模型模仿原文风格和主题生成新内容。

imitate_article_suggestions： 模型生成的仿写文章（如以其他宠物为对象，重复 “相遇 - 成长 - 陪伴” 的叙事结构）。

call_large_model()：大模型调用

def imitate_article_agent(article_text, theme_analysis_result):
    # 根据文章分析结果构建提示词
    prompt_imitate = f"请阅读下面这篇文章，根据主题{theme_analysis_result},请参照同样主题仿写一篇相似的文章：" + article_text
    imitate_article_suggestions = call_large_model(prompt_imitate)
    return imitate_article_suggestions

六、读取文件并调用函数

open()：打开一个文件并返回文件对象，用于读取、写入或操作文件内容，支持处理不同编码和模式的文件。

read()：从已打开的文件对象中读取内容，返回字符串（文本文件）或字节数据（二进制文件），支持按指定长度读取。

article： 存储从文本文件中读取的文章内容，作为后续函数（如主题分析、内容丰富）的输入数据，类型为字符串。

with open("F:/人工智能NLP/NLP/HomeWork/demo14.3_Prompt优化+Agent优化文章/《我的宠物》.txt", "r", encoding="utf-8") as file:
    article = file.read()
print("文章主题是：",language_optimization_agent(article))
print("————————————————————————————————————————————————————————————————————————————————————")
print("文章内容点是：",content_enrichment_agent(article, language_optimization_agent(article)))
print("————————————————————————————————————————————————————————————————————————————————————")
print("文章主旨大意是：",readability_agent(article, language_optimization_agent(article)))
print("————————————————————————————————————————————————————————————————————————————————————")
print("仿写文章是：",imitate_article_agent(article, language_optimization_agent(article)))

七、完整代码

代码运行流程

┌─────────────────────────────┐
│      主程序开始              │
└──────────┬──────────────────┘
           │
           ├─1. 读取文件
           │    ├─文件路径: F:/人工智能NLP/.../《我的宠物》.txt
           │    └─存储内容到变量 `article`
           │
           ├─2. 执行语言优化分析
           │    ├─调用 `language_optimization_agent(article)`
           │    │    ├─构造Prompt: 分析主题
           │    │    └─调用大模型 → 返回主题结果
           │    └─打印结果: "文章主题是：{主题}"
           │
           ├─3. 执行内容扩展分析
           │    ├─调用 `content_enrichment_agent(article, 主题)`
           │    │    ├─构造Prompt: 基于主题扩展内容
           │    │    └─调用大模型 → 返回扩展建议
           │    └─打印结果: "文章内容点是：{建议}"
           │
           ├─4. 执行可读性分析
           │    ├─调用 `readability_agent(article, 主题)`
           │    │    ├─构造Prompt: 总结主旨（30字内）
           │    │    └─调用大模型 → 返回摘要
           │    └─打印结果: "文章主旨大意是：{摘要}"
           │
           └─5. 执行仿写分析
                ├─调用 `imitate_article_agent(article, 主题)`
                │    ├─构造Prompt: 基于主题仿写
                │    └─调用大模型 → 返回仿写文章
                └─打印结果: "仿写文章是：{仿写内容}"

from zhipuai import ZhipuAI


def call_large_model(prompt):
    client = ZhipuAI(api_key="填写你自己的智谱API")
    response = client.chat.completions.create(
        model="glm-3-turbo",
        messages=[
            {"role": "user", "content": prompt}
        ]
    )
    response_text = response.choices[0].message.content
    return response_text


def language_optimization_agent(article_text):
    prompt_analysis = "请分析这篇作文的主题：" + article_text
    language_optimization_suggestions = call_large_model(prompt_analysis)
    return language_optimization_suggestions


def content_enrichment_agent(article_text, theme_analysis_result):
    # 根据文章分析结果构建提示词
    prompt_content = f"请阅读下面这篇文章，根据主题{theme_analysis_result},为该文章提出可以进一步扩展和丰富的内容点" + article_text
    content_enrichment_suggestions = call_large_model(prompt_content)
    return content_enrichment_suggestions


def readability_agent(article_text, theme_analysis_result):
    # 根据文章分析结果构建提示词
    prompt_readability = f"请阅读下面这篇文章，根据主题{theme_analysis_result},将文章主旨大意总结成三十字以内通俗易懂的话：" + article_text
    readability_suggestions = call_large_model(prompt_readability)
    return readability_suggestions

def imitate_article_agent(article_text, theme_analysis_result):
    # 根据文章分析结果构建提示词
    prompt_imitate = f"请阅读下面这篇文章，根据主题{theme_analysis_result},请参照同样主题仿写一篇相似的文章：" + article_text
    imitate_article_suggestions = call_large_model(prompt_imitate)
    return imitate_article_suggestions


with open("F:/人工智能NLP/NLP/HomeWork/demo14.3_Prompt优化+Agent优化文章/《我的宠物》.txt", "r", encoding="utf-8") as file:
    article = file.read()
print("文章主题是：",language_optimization_agent(article))
print("————————————————————————————————————————————————————————————————————————————————————")
print("文章内容点是：",content_enrichment_agent(article, language_optimization_agent(article)))
print("————————————————————————————————————————————————————————————————————————————————————")
print("文章主旨大意是：",readability_agent(article, language_optimization_agent(article)))
print("————————————————————————————————————————————————————————————————————————————————————")
print("仿写文章是：",imitate_article_agent(article, language_optimization_agent(article)))