¡Después de OpenAI, POC sobre Mistral AI, el competidor francés!
Introducción
Este artículo explora un script de Python desarrollado como Prueba de Concepto (POC) para interactuar con Mistral AI, una alternativa francesa a OpenAI. Retoma el principio del script desarrollado previamente para interactuar con OpenAI.
Colaboración con GPT-4 para el desarrollo del script
Este proyecto ha sido una “colaboración” con ChatGPT-4, la última versión de la IA conversacional de OpenAI. Juntos, hemos diseñado el script de Python, aprovechando la capacidad de GPT-4 para comprender y generar código. Esta sinergia entre la experiencia humana y la inteligencia artificial abre el camino a nuevos métodos de desarrollo e innovación.
Objetivos del Script
La intención principal era experimentar con la API de Mistral AI en Python para desarrollar mis competencias sobre el tema.
- Probar Mistral AI : Explorar las funcionalidades de Mistral AI y comprender cómo utilizarlo eficazmente.
- Automatización con Python : Mostrar cómo Python puede ser utilizado para automatizar las interacciones con las APIs de IA.
- Enriquecimiento de los Prompts : Experimentar con el enriquecimiento de los prompts integrando contenido web recuperado a través de Selenium.
Potencial del Script
Este script abre el camino a diversas aplicaciones, en particular:
- Generación de contenido enriquecido : Enriquecer dinámicamente los prompts con información relevante extraída de la web.
- Asistencia virtual personalizada : Utilizar la IA para crear respuestas personalizadas basadas en el contenido web.
- Mejora de las herramientas de automatización : Integrar la IA en las herramientas existentes para un mejor rendimiento.
Funcionamiento del Script
El script mistral-ai.py
utiliza el modelo mistral-small
para generar respuestas. Aquí está su funcionamiento:
- Recuperación del Contenido Web : Utiliza Selenium para extraer el contenido de las URLs especificadas en el prompt.
- Generación de las Respuestas : Envía el prompt enriquecido a Mistral AI para obtener una respuesta.
Observaciones Importantes
- Este script es un POC : Está destinado a fines educativos y de experimentación, no para un uso en producción.
- Siempre respetar las reglas de uso de las API y de los sitios web : Al utilizar la API de MistralAI y el scraping de sitios web, asegúrese de respetar las condiciones de uso y las políticas de privacidad.
Código del Script mistral-ai.py
#!/usr/bin/env python3
import re
import sys
import os
from selenium import webdriver
from selenium.webdriver.chrome.options import Options
from mistralai.client import MistralClient
from mistralai.models.chat_completion import ChatMessage
def get_web_content(url):
if not url:
return ""
# Configure Chrome options
chrome_options = Options()
# Create a new browser instance with the configured options
driver = webdriver.Chrome(options=chrome_options)
# Make a request to the web page
driver.get(url)
# Retrieve the JavaScript content of the page
web_content = driver.execute_script("return document.documentElement.innerText")
# Don't forget to close the browser when you're done
driver.quit()
return web_content
def get_response(question, client):
urls = re.findall(r'(https?://\S+)', question)
if urls: # Vérifiez si une URL a été fournie
for url in urls:
web_content = get_web_content(url)
if web_content:
# Remplacez l'URL par le contenu du web dans le prompt
question = question.replace(url, web_content)
messages = [ChatMessage(role="user", content=question)]
response = client.chat(model=model, messages=messages, safe_mode=False)
for choice in response.choices:
print(f"{choice.message.content}")
# Récupération de la question depuis l'argument de la ligne de commande
question = sys.argv[1] if len(sys.argv) > 1 else "Quelle est votre question ?"
api_key = os.getenv("MISTRAL_API_KEY", "YOUR_MISTRAL_API_KEY")
model = "mistral-small"
try:
client = MistralClient(api_key=api_key)
get_response(question, client)
except Exception as e:
print(f"Une erreur est survenue : {e}")
try:
del client
except TypeError:
pass
Explicación Detallada del Script
Importación de los Módulos
- os, sys : Utilizados para las interacciones con el sistema operativo.
- argparse : Permite gestionar los argumentos de línea de comandos.
- re : Módulo para el tratamiento de expresiones regulares.
- webdriver : Permite utilizar Selenium para automatizar las acciones en un navegador web.
Función get_web_content
- Esta función utiliza Selenium para navegar hacia una URL y recuperar su contenido.
- Es esencial para enriquecer los prompts con información extraída de Internet.
Función get_response
- Trata las URLs encontradas en el prompt.
- Recupera su contenido a través de
get_web_content
. - Envía el prompt enriquecido a Mistral AI para obtener una respuesta.
Bloque main
- Punto de entrada del script.
- Gestiona los argumentos de línea de comandos.
- Inicializa el cliente Mistral AI y trata la respuesta.
Utilización de Mistral AI
- El script interactúa con el modelo
mistral-small
. - Envía el prompt, enriquecido por el contenido web, a Mistral AI para obtener una respuesta pertinente. Esta vista previa del script da una idea de su funcionamiento y de su estructura, permitiendo comprender cómo utiliza Python, Selenium y Mistral AI para automatizar y enriquecer las interacciones con la IA.
Exemples d’Usage
# Optionnel - Vous aurez peut être besoin d'installer les dépendances :
pip install selenium
pip install mistralai
# Définir la clé API Mistral AI
export MISTRAL_API_KEY="votre_clé_api"
# on rend le script executable
chmod 700 mistral-ai.py
./mistral-ai.py "Résume en français ce contenu : https://platform.openai.com/docs/guides/prompt-engineering"
Ce guide partage des stratégies et tactiques pour obtenir de meilleurs résultats des grands modèles linguistiques (parfois appelés modèles GPT, tels que GPT-4). Les méthodes décrites peuvent être déployées en combinaison pour un effet plus important. L'expérimentation est encouragée pour trouver les méthodes qui fonctionnent le mieux pour vous.
Certains des exemples présentés fonctionnent actuellement uniquement avec le modèle le plus capable, gpt-4. En général, si vous constatez qu'un modèle échoue à une tâche et qu'un modèle plus capable est disponible, il vaut souvent la peine d'essayer à nouveau avec le modèle plus capable.
Des exemples de invites sont également fournis pour montrer ce que les modèles sont capables de faire.
Voici les six stratégies présentées dans le guide :
1. Rédiger des instructions claires
2. Fournir des détails dans votre requête pour obtenir des réponses plus pertinentes
3. Demander au modèle d'adopter une personnalité
4. Utiliser des délimiteurs pour indiquer distinctement les parties de l'entrée
5. Spécifier les étapes requises pour terminer une tâche
6. Fournir des exemples et spécifier la longueur de la sortie
Le guide décrit également des tactiques pour améliorer les performances des modèles, telles que la décomposition de tâches complexes en tâches plus simples, l'utilisation de références textuelles pour aider les modèles à fournir des réponses moins fabriquées, et l'utilisation de l\'exécution de code pour effectuer des calculs plus précis ou appeler des API externes.
Enfin, le guide présente des stratégies pour tester systématiquement les changements apportés aux systèmes en évaluant les sorties des modèles par rapport aux réponses standardisées.
# Sans url dans le prompt :
./mistral-ai.py "que sais tu faire ?"
Je suis capable de comprendre et de générer du langage naturel, ce qui me permet de répondre à une grande variété de questions,
de traduire du texte d'une langue à une autre, de résumer du texte, de répondre à des demandes de manière polie, et bien plus encore.
Je peux également effectuer des tâches telles que la recherche de informations sur le web, la programmation, la création de contenu
et l'automatisation de tâches.
Cependant, il est important de noter que mes compétences et connaissances sont limitées à ce qui m'a été appris et je suis dépendant
de la qualité de l'information avec laquelle je suis entrainé.
Este documento ha sido traducido de la versión fr a la lengua es utilizando el modelo claude-3-opus-20240229. Para más información sobre el proceso de traducción, consulte https://gitlab.com/jls42/ai-powered-markdown-translator