当前位置：首页 > news >正文

【NLP 65、实践 ⑯ 基于Agent优化文章】

news 来源：原创 2025/4/20 8:20:07

羁绊由我而起，痛苦也由我承担

—— 25.4.18

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。

参数名	类型	是否必填	默认值	描述
`api_key`	字符串	是	无	智谱 AI 的 API 密钥，用于身份验证（需从智谱 AI 官网申请，示例中为占位符）

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。

参数名	类型	是否必填	默认值	描述
`model`	字符串	是	无	指定使用的模型名称（如`glm-3-turbo`）
`messages`	列表 [字典]	是	无	对话历史列表，每个元素包含`role`（角色）和`content`（内容）
`temperature`	浮点型	否	`0.7`	控制生成文本的随机性（值越高越随机，范围：0-1）
`max_tokens`	整数	否	`1000`	生成文本的最大 tokens 数（控制输出长度）
`top_p`	浮点型	否	`1.0`	核采样参数，与`temperature`共同控制随机性

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.contentreturn response_text

二、主题分析Agent `theme_analysis_agent`

article_text：待分析的文章原文

prompt_analysis：构造的提示词模板，包含：

指令："请分析并输出以下文章的主题"
输入内容：article_text

theme_analysis_result：主题分析结果的字符串

call_large_model()： 通用AI调用接口函数

def theme_analysis_agent(article_text):# 向大模型提问进行文章分析prompt_analysis = f"请分析并输出以下文章的主题：{article_text}"# 调用大模型接口，假设返回的结果是一个字典，包含结构和主题信息theme_analysis_result = call_large_model(prompt_analysis)return theme_analysis_result

三、语言优化Agent `language_optimization_agent`

article_text：待优化的文章原文

theme_analysis_result：主题分析结果的字符串

prompt_language：构造的提示词模板，包含：

指令：语法检查和优化建议
主题信息：theme_analysis_result
输入内容：article_text

language_optimization_suggestions：语言优化建议的字符串

call_large_model()： 通用AI调用接口函数

def language_optimization_agent(article_text, theme_analysis_result):# 根据文章分析结果构建提示词prompt_language = f"请检查下面这篇文章中的语法错误和用词不当之处，并提出优化建议。建议要尽量简练，不超过100字。\n\n文章主题：{theme_analysis_result}\n\n文章内容：{article_text}"language_optimization_suggestions = call_large_model(prompt_language)return language_optimization_suggestions

四、内容丰富Agent `content_enrichment_agent`

article_text：待丰富的文章原文

theme_analysis_result：主题分析结果的字符串

prompt_content：构造的提示词模板，包含：

指令：扩展内容和改进建议
扩展方向示例：案例、数据等
输入内容：article_text + theme_analysis_result

content_enrichment_suggestions：内容增强建议的字符串

call_large_model()： 通用AI调用接口函数

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，根据主题为该文章提出可以进一步扩展和丰富的内容点或改进建议，比如添加案例、引用数据等。建议要尽量简练，不超过100字。\n\n文章主题：{theme_analysis_result}\n\n文章内容：{article_text}"content_enrichment_suggestions = call_large_model(prompt_content)return content_enrichment_suggestions

五、可读性评估 Agent `readability_evaluation_agent`

article_text：待优化的文章原文

theme_analysis_result：主题分析结果的字符串

prompt_readablility：构造的提示词模板，包含：

指令：评估段落/句子复杂度
优化方向：传播性建议
输入内容：article_text + theme_analysis_result

readability_evaluation_result： 可读性改进建议的字符串

call_large_model()： 通用AI调用接口函数

def readability_evaluation_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，根据主题评估该文章的可读性，包括段落长度、句子复杂度等，提出一些有助于文章传播的改进建议。建议要尽量简练，不超过100字。\n\n文章主题：{theme_analysis_result}\n\n文章内容：{article_text}"readability_evaluation_result = call_large_model(prompt_readability)return readability_evaluation_result

六、综合优化Agent `comprehensive_optimization_agent`

article_text：文章原文

theme_analysis_result：主题分析结果

language_optimization_suggestions：语言优化建议

content_enrichment_suggestions：内容增强建议

readability_evaluation_result： 可读性改进建议

final_optimization_plan：构造的最终提示词模板，包含：

指令：整合所有建议重写文章
输入内容：原始文章 + 所有分析结果

final_optimization_result：最终优化后的完整文章

call_large_model()： 通用AI调用接口函数

def comprehensive_optimization_agent(article, theme_analysis_result, language_optimization_suggestions, content_enrichment_suggestions, readability_evaluation_result):# 合并结果的逻辑可以是将各个部分的建议整理成一个结构化的文档final_optimization_plan = f"请阅读下面这篇文章，以及若干个负责专项优化的agent给出的改进建议，重写这篇文章，提升文章的整体质量。\n\n文章原文:{article}\n\n文章主题分析：{theme_analysis_result}\n\n语言优化建议：{language_optimization_suggestions}\n\n内容丰富建议：{content_enrichment_suggestions}\n\n可读改进建议：{readability_evaluation_result}。\n\n优化后文章："final_optimization_result = call_large_model(final_optimization_plan)return final_optimization_result

七、完整代码

代码运行流程

┌─────────────────────────────┐
│         主程序启动           │
└──────────┬──────────────────┘│├─1. 加载文章数据│├─2. 初始化配置│└─3. 并行执行四大分析模块├─主题分析 Agent│    ├─构造Prompt│    ├─调用大模型│    └─输出主题分析结果│├─语言优化 Agent│    ├─构造Prompt│    ├─调用大模型│    └─输出优化建议│├─内容扩展 Agent│    ├─构造Prompt│    ├─调用大模型│    └─输出增强建议│└─可读性评估 Agent├─构造Prompt├─调用大模型└─输出可读性建议│└─4. 综合优化 Agent├─整合所有分析结果├─构造最终Prompt├─调用大模型重写└─生成最终优化方案│├─5. 存储JSON文件│└─6. 控制台输出

#coding:utf-8import os
import json
from zhipuai import ZhipuAI'''
利用agent思想优化文章
'''#pip install zhipuai
#https://open.bigmodel.cn/ 注册获取APIKey
def call_large_model(prompt):client = ZhipuAI(api_key="API Key") # 填写您自己的APIKeyresponse = client.chat.completions.create(model="glm-3-turbo",  # 填写需要调用的模型名称messages=[{"role": "user", "content": prompt},],)response_text = response.choices[0].message.contentreturn response_textdef theme_analysis_agent(article_text):# 向大模型提问进行文章分析prompt_analysis = f"请分析并输出以下文章的主题：{article_text}"# 调用大模型接口，假设返回的结果是一个字典，包含结构和主题信息theme_analysis_result = call_large_model(prompt_analysis)return theme_analysis_resultdef language_optimization_agent(article_text, theme_analysis_result):# 根据文章分析结果构建提示词prompt_language = f"请检查下面这篇文章中的语法错误和用词不当之处，并提出优化建议。建议要尽量简练，不超过100字。\n\n文章主题：{theme_analysis_result}\n\n文章内容：{article_text}"language_optimization_suggestions = call_large_model(prompt_language)return language_optimization_suggestionsdef 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，根据主题为该文章提出可以进一步扩展和丰富的内容点或改进建议，比如添加案例、引用数据等。建议要尽量简练，不超过100字。\n\n文章主题：{theme_analysis_result}\n\n文章内容：{article_text}"content_enrichment_suggestions = call_large_model(prompt_content)return content_enrichment_suggestionsdef readability_evaluation_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，根据主题评估该文章的可读性，包括段落长度、句子复杂度等，提出一些有助于文章传播的改进建议。建议要尽量简练，不超过100字。\n\n文章主题：{theme_analysis_result}\n\n文章内容：{article_text}"readability_evaluation_result = call_large_model(prompt_readability)return readability_evaluation_resultdef comprehensive_optimization_agent(article, theme_analysis_result, language_optimization_suggestions, content_enrichment_suggestions, readability_evaluation_result):# 合并结果的逻辑可以是将各个部分的建议整理成一个结构化的文档final_optimization_plan = f"请阅读下面这篇文章，以及若干个负责专项优化的agent给出的改进建议，重写这篇文章，提升文章的整体质量。\n\n文章原文:{article}\n\n文章主题分析：{theme_analysis_result}\n\n语言优化建议：{language_optimization_suggestions}\n\n内容丰富建议：{content_enrichment_suggestions}\n\n可读改进建议：{readability_evaluation_result}。\n\n优化后文章："final_optimization_result = call_large_model(final_optimization_plan)return final_optimization_resultarticle = """
2024年8月20日，国产游戏《黑神话：悟空》正式上线，迅速引发了全网的热议与追捧，其火爆程度令人惊叹。黑悟空之所以能如此之火，原因是多方面的。
从文化内涵来看，《黑神话：悟空》深深扎根于中国传统文化。《西游记》作为中国文学的经典之作，孙悟空更是家喻户晓的英雄形象，承载着无数国人的童年回忆和文化情感。该游戏以孙悟空为主角，让玩家能够在游戏中亲身扮演齐天大圣，体验其神通广大与英勇无畏，这种文化认同感和情感共鸣是黑悟空火爆的重要基础。它不仅仅是一款游戏，更像是一场文化的回归与盛宴，让玩家在游戏的世界里重新领略中国神话的魅力，使得传统文化以一种全新的、生动的方式呈现在大众面前。
在视觉呈现方面，黑悟空堪称一场视觉盛宴。制作团队不惜投入大量的时间和精力，运用先进的游戏制作技术，精心打造了美轮美奂的游戏画面。从细腻逼真的环境场景，到栩栩如生的角色形象，再到炫酷华丽的技能特效，每一个细节都展现出了极高的制作水准。无论是神秘奇幻的山林洞穴，还是气势恢宏的天庭宫殿，都仿佛让玩家身临其境，沉浸在一个充满想象力的神话世界之中。这种极致的视觉体验，极大地满足了玩家对于游戏画面品质的追求，也是吸引众多玩家的关键因素之一。
游戏品质上，黑悟空也达到了相当高的水平。它拥有丰富多样且极具挑战性的关卡设计，玩家需要运用智慧和技巧，不断探索、战斗，才能逐步推进游戏进程。角色的技能系统丰富且独特，玩家可以通过不同的技能组合，发挥出孙悟空的各种强大能力，增加了游戏的可玩性和策略性。同时，游戏的剧情紧凑且富有深度，在遵循原著故事框架的基础上，进行了大胆的创新和拓展，为玩家呈现了一个既熟悉又充满新鲜感的西游世界，让玩家在享受游戏乐趣的同时，也能感受到一个精彩绝伦的故事。
再者，宣传推广策略也为黑悟空的火爆添了一把柴。从 2020 年开始，制作方每年 8 月 20 日都会公开最新的实机视频，这些视频在网络上广泛传播，引发了大量关注和讨论，成功地为游戏上线预热造势。在社交媒体上，关于黑悟空的话题热度持续攀升，玩家们纷纷自发地宣传分享，形成了强大的传播效应。此外，针对海外市场，黑悟空也积极开展宣传活动，通过号召海外网友参与视频投稿、与博主合作推广等方式，有效地扩大了游戏在国际上的影响力。
《黑神话：悟空》的火爆并非偶然，而是其在文化内涵、视觉呈现、游戏品质以及宣传推广等多个方面共同发力的结果。它的成功，不仅为国产游戏树立了新的标杆，也证明了中国游戏产业在技术和创意上的巨大潜力。相信在黑悟空的带动下，未来会有更多优秀的国产游戏涌现，推动中国游戏产业不断向前发展，让中国的游戏文化在全球舞台上绽放更加耀眼的光芒。同时，黑悟空也为传统文化的传承与创新提供了新的思路和途径，让传统文化在现代社会中焕发出新的活力与生机。它不仅仅是一款游戏的成功，更是中国文化与现代科技融合发展的一个精彩范例，其影响力必将深远而持久。
"""theme_analysis_result = theme_analysis_agent(article)
language_optimization_suggestions = language_optimization_agent(article, theme_analysis_result)
content_enrichment_suggestions = content_enrichment_agent(article, theme_analysis_result)
readability_evaluation_result = readability_evaluation_agent(article, theme_analysis_result)
final_optimization_plan = comprehensive_optimization_agent(article, theme_analysis_result, language_optimization_suggestions, content_enrichment_suggestions, readability_evaluation_result)
results = {"主题分析结果": theme_analysis_result, "语言优化建议": language_optimization_suggestions, "内容丰富建议": content_enrichment_suggestions, "可读性评价结果": readability_evaluation_result, "最终优化方案": final_optimization_plan}
#存储json文件
with open('results.json', 'w', encoding='utf-8') as f:json.dump(results, f, ensure_ascii=False, indent=4)print(f"最终优化方案：{final_optimization_plan}")