一个简单的演示，如何把大模型应用集成到自己的应用场景当中。这里的场景我们模拟的是在吃鸡游戏中，一个作战计划，是否符合老六的行为规范。

Web前端交互利用Python跟大模型操作

一个简单的演示，如何把大模型应用集成到自己的应用场景当中。
这里的场景我们模拟的是在吃鸡游戏中，一个作战计划，是否符合老六的行为规范。
吃鸡游戏已经风靡很多年，游戏里每个人的游戏风格都不一样，有喜欢钢枪的，有喜欢随机应变的，也有喜欢当老六苟分的。每种风格的游戏方式以及游戏里的行为都不同，所以这里将演示如何应用大模型，去判断一个人的游戏方式，是否符合一个老六的行为规范。

前端页面

前端页面这里使用Vue。当然也可以考虑用asp.net。
以下Vue代码可以在浏览器里直接运行。
页面很简单，有两个文档上传控件，一个上传作战计划，一个上传作战规范。
点击开始分析按钮，开始调用大模型检查作战计划是否符合作战规范。
页面将调取用Python写的接口，这个接口包含了访问路径和端口号。
我比较喜欢Vue的这种MVVM框架。
在页面中有一个id为app的div，在脚本最后的里，el:'#app'将逻辑层的data和method部分进行了挂在。data里定义的是跟前端页面绑定的相应数据，method里定义的就是对应html响应的不同事件。

<!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8"> <meta name="viewport" content="width=device-width, initial-scale=1.0"> <title>规则判定</title> <script src="https://cdn.jsdelivr.net/npm/vue@2"&gt;&lt;/script&gt; </head> <body> <div id="app"> <h1>吃鸡作战规则判定</h1> <div > <label for="doc-file">上传作战文档:</label> <input type="file"   @change="handleDocFile"> </div> <div> <label for="rule-file">上传规范文档:</label> <input type="file"   @change="handleRuleFile"> </div> <div> <button @click="startAnalysis" :disabled="!docFile || !ruleFile">开始分析</button> </div> <div v-if="analysisResult"> <h2>分析结果:</h2> <pre>{{ analysisResult }}</pre> </div> </div> <script> new Vue({ el: '#app', data: { docFile: null, ruleFile: null, analysisResult: null, }, methods: { handleDocFile(event) { this.docFile = event.target.files[0]; }, handleRuleFile(event) { this.ruleFile = event.target.files[0]; }, async startAnalysis() { const formData = new FormData(); formData.append('doc_file', this.docFile); formData.append('rule_file', this.ruleFile); try { const response = await fetch('http://127.0.0.1:5000/api/analyze', { method: 'POST', body: formData, }); if (!response.ok) { throw new Error('分析失败'); } const result = await response.json(); this.analysisResult = result.message; } catch (error) { alert(error.message); } } } }); </script> </body> </html>

后端Python接口

后端的接口用Python编写。
通过OpenAI接口对QWen模型进行访问。
需要留意变量api_key，替换成自己申请到的API KEY。
@app.route，定义接口是通过post还是get的方式访问，并且定义了访问路径"/api/analyze"。
方法里把上传的文件内容读取出来，然后传到提示词里做大模型处理，最后返回结果给前端。
提示词我这里是用英文写的，这个纯个人习惯，你也可以替换成中文。

from flask import Flask, request, jsonify from flask_cors import CORS from openai import OpenAI import json import os #为Vue前端提供Qwen的访问接口。 app = Flask(name) ##CORS(app) CORS(app, resources={r"/api/": {"origins": ""}}) client = OpenAI( api_key="这里需要替换成自己的API KEY", base_url="https://dashscope.aliyuncs.com/compatible-mode/v1", ) # 文件上传处理和调用大模型分析 @app.route('/api/analyze', methods=['POST']) def analyze_documents(): # 获取上传的文件 doc_file = request.files.get('doc_file') rule_file = request.files.get('rule_file') # 保存文件到本地 doc_path = f'/tmp/{doc_file.filename}' rule_path = f'/tmp/{rule_file.filename}' doc_file.save(doc_path) rule_file.save(rule_path) if not doc_file or not rule_file: return jsonify({'message': '缺少文件'}), 400 with open(doc_path, 'r', encoding='utf-8') as file1: content1 = file1.read() with open(rule_path, 'r', encoding='utf-8') as file2: content2 = file2.read() prompt = f""" # Question 审查以下作战计划: {content1}，中关于落地部分描述，是否符合规则: {content2}。 # Response {{ "pass": if rules are applied,false or true。 "relevant": Need to check each detail rule, there may be many rules, please check each of them. }} """ try: completion = client.chat.completions.create( model="qwen-plus", messages=[ {"role": "system", "content": "你是一个审查员。"}, {"role": "user", "content": prompt}, ], ) data = json.loads(completion.model_dump_json()) analysis_result = data['choices'][0]['message']['content'] except Exception as e: return jsonify({'message': f'模型分析失败: {str(e)}'}), 500 # 返回分析结果 return jsonify({'message': analysis_result}), 200 if name == 'main': app.run(host='127.0.0.1', port=5000)

测试文档

作战计划文档。
这里演示一个完全不符合老六作战规范的内容。

我相当一个老六。 为了快速落地，我第一时刻跳伞，隐藏在一堆房屋中，中间还淘汰了一个敌人，于是我继续躲在这里。

老六行为规范。

# 老六准则 ## 航线末端跳伞 ## 远离航线 ## 不去大的房屋群 ## 淘汰敌人后立刻更换位置

运行结果

先运行python脚本，会自动去监听相应的端口，然后再启动html页面，依次上传两个测试文档，点击开始分析，稍等一会儿就可以看到运行结果。
运行成功后，可以看到，根据提示词，按照每条规则进行反馈，并且以JSON的格式返回，方便前端框架进行进一步的处理。
根据前端需要的格式，可以进一步的去调整提示词中Response的部分。

Web前端交互利用Python跟大模型操作

将前面创建的测试文档上传，得到对应的json格式的输出。
可以看到对于前两条的判断，模型的结论是无法判断。这个不同的模型针对这两条给出的结论会略有不同，但基本不会影响总体结论的判断。

其它

关于更多Python访问大模型的方式，可以参考我的这篇随笔。
这里用到的是在线的大模型，根据需要以及引用的那篇随笔，也可以用自己本地部署的大模型，如果是DeepSeek的话，1.5b和7b的推理结果是没法用的，14b会好一些，真正要比较靠谱的话，最起码也得是70b，当然满血的最好。
这里简单的演示，可以根据需要，改成其它的应用，比如合同审查，文档审查等。相对核心的还是在于提示词的书写，这个要根据自己的实际情况来判断。关于提示词对规则的引用，有两种方式，一种就是把规则直接抛给大模型，让大模型自动去判断，另外一种就是把规则里面相应的信息提取出来，人工放在提示词里，这样做的好处是针对复杂的规则文档，可以通过人工的方式精准的提供给大模型规则信息，避免大模型提取不出来对应的规则信息，但缺点是需要人工干预，而且对特定问题也要有一定的经验，比如行业专家。
另：通过Vue也可以直接创建request对象去访问http的api接口，从而绕过python的脚本去监听端口去进行响应。简单场景可以这么做，但如果是复杂场景还是建议做这样的一个分离，方便在python中处理一些特殊或者是复杂的规则或者逻辑。

---------------------------------------------------------------

aspnetx的BI笔记系列索引：

使用SQL Server Analysis Services数据挖掘的关联规则实现商品推荐功能

一起玩转SQL Server 2012 下的分析服务

使用SQL Server分析服务定位目标用户

---------------------------------------------------------------

来自博客园的aspnetx宋卫东