{"repo": "bigwhitefox/essayassistant", "files": {"moonshot.py": {"87b4d56a8d1494d60fd646d292199587bf30e1a5": {"t": 1785674103.277644, "n": 2641, "h": "d15b2a49b7a1e164", "c": "from openai import OpenAI\nfrom pathlib import Path\n\n\ndef paper_analysis(api_key, file):\n    base_url = \"https://api.moonshot.cn/v1\"\n    client = OpenAI(api_key=api_key, base_url=base_url)\n    file_object = client.files.create(file=Path(file.name), purpose=\"file-extract\")\n    file_content = client.files.content(file_id=file_object.id).text\n\n    messages = [\n        {\n            \"role\": \"system\",\n            \"content\": \"你是 Kimi，由 Moonshot AI 提供的人工智能助手，你是一名负责向学生解读论文的教授。\"\n                       \"你会为学生提供安全，有帮助，准确的回答。同时，你会努力做到尽可能的简单易懂并足够深入。\"\n                       \"Moonshot AI 为专有名词，不可翻译成其他语言。\",\n        },\n        {\n            \"role\": \"system\",\n            \"content\": file_content,\n        },\n        {\"role\": \"user\", \"content\": \"请你帮我分析一下这篇论文的内容，你需要从以下角度分析并尽可能的回答问题，此外，字数尽可能多。\"\n                                    \"1. 文章概述：这篇文章的主要研究内容是什么？文章采用了什么方法？研究发现了什么？得出了什么结论？\"\n                                    \"2. 研究背景：为什么要进行这项研究？研究背景是什么？现有的研究有哪些不足或空白？\"\n                                    \"3. 研究目标及价值：这项研究的具体目标是什么？研究的潜在影响和价值是什么？\"\n                                    \"4. 研究方法与手段：研究采用了哪些方法和技术？这些方法是否有创新之处？实验设计和数据收集是如何进行的？\"\n                                    \"5. 研究结果：研究的主要结果是什么？这些结果是如何展示的（图表、数据等）？结果是否支持研究假设？\"\n                                    \"6. 讨论：研究结果与预期是否一致？结果的意义和影响是什么？是否有任何意外的发现？研究的局限性和不足是什么？\"\n                                    \"7. 研究结论：研究得出了哪些主要结论？这些结论对领域的发展有何贡献？\"\n                                    \"8. 研究的创新性及缺点：研究的创新点是什么？研究有哪些不足之处？\"\n                                    \"9. 未来研究方向：基于这项研究，未来的研究方向是什么？有哪些未解决的问题或新的研究机会？\"},\n    ]\n\n    response = client.chat.completions.create(\n        model=\"moonshot-v1-32k\",\n        messages=messages,\n        temperature=0.3,\n        stream=True,\n    )\n    return response\n\n\ndef upload_file_data(api_key, file):\n    base_url = \"https://api.moonshot.cn/v1\"\n    client = OpenAI(api_key=api_key, base_url=base_url)\n    file_object = client.files.create(file=Path(file.name), purpose=\"file-extract\")\n    file_content = client.files.content(file_id=file_object.id).text\n\n    messages = [\n        {\n            \"role\": \"system\",\n            \"content\": \"你负责分析上传的论文并按照模板返回相应信息，如果没有则填暂无。\"\n                       \"模板格式如下所示：\"\n                       \"Title:  , Abstract:  , Journal:  , Doi:  , Authors: \",\n        },\n        {\n            \"role\": \"system\",\n            \"content\": file_content,\n        },\n        {\"role\": \"user\", \"content\": \"请你帮我分析一下上传的论文并按照模板回答，不需要其它额外的任何信息, 也不需要输出换行符，谢谢。\"},\n    ]\n\n    response = client.chat.completions.create(\n        model=\"moonshot-v1-32k\",\n        messages=messages,\n        temperature=0.3,\n        stream=False,\n    )\n    return response.choices[0].message.content\n\n"}}, "messages.py": {"87b4d56a8d1494d60fd646d292199587bf30e1a5": {"t": 1785674170.5484073, "n": 13045, "h": "91f813e426637300", "c": "from zhipuai import ZhipuAI\nimport appbuilder\nimport os\nimport gradio as gr\nimport json\nimport requests\nimport base64\n\n\ndef encode_image(image_path):\n    with open(image_path, \"rb\") as image_file:\n        return base64.b64encode(image_file.read()).decode('utf-8')\n\n\ndef fox_chat_chat(key, message, image_path=None, temperature=0.2, top_p=0.8, max_tokens=1024):\n    client = ZhipuAI(api_key=key)  # 填写您自己的APIKey\n    if image_path is None:\n        # 注意以下示例正确运行依赖的条件包括：\n        # 1. 在百度智能云千帆AppBuilder官网使用AppBuilderClient创建应用且应用已发布\n        # 2. 密钥正确有效\n        # 3. 密钥需要与发布应用正确对应，即需要使用发布应用的账户下的密钥\n\n        # 配置密钥与应用ID\n        os.environ[\"APPBUILDER_TOKEN\"] = \"bce-v3/ALTAK-cQuNNcvY1DmVHPfPB9qpS/3706e064cd789835e398f1a5aa57f90d6657c3b9\"\n        app_id = \"1e2a9e12-e740-413a-88ec-af2d5cc3e8f1\"\n\n        # 初始化Agent\n        builder = appbuilder.AppBuilderClient(app_id)\n\n        # 创建会话ID\n        conversation_id = builder.create_conversation()\n\n        # 执行对话\n        msg = builder.run(conversation_id, query=message)\n        print(\"助手回答内容：\", msg.content.answer)\n        return msg.content.answer\n    else:\n        base64_image = encode_image(image_path)\n        response = client.chat.completions.create(\n            model=\"glm-4v\",  # 填写需要调用的模型名称\n            messages=[\n                {\n                    \"role\": \"system\",\n                    \"content\": \"你将扮演一位心理疗愈师，通过幽默风趣的对话帮助疲惫的学生缓解压力。\"\n                               \"每个问题之后会附上一张图片，请你耐心地查看并给予幽默风趣的回应。\"\n                },\n                {\n                    \"role\": \"user\",\n                    \"content\": [\n                        {\n                            \"type\": \"text\",\n                            \"text\": message\n                        },\n                        {\n                            \"type\": \"image_url\",\n                            \"image_url\": {\n                                \"url\": f\"data:image/jpeg;base64,{base64_image}\"\n                            }\n                        }\n                    ]\n                }\n            ],\n            # stream=True,  # 是否开启流式输出\n            temperature=temperature,  # 随机性，取值范围[0,1]，值越大表示输出的随机性越小\n            top_p=top_p,  # nucleus sampling的top_p值，取值范围[0,1]，值越大表示输出的随机性越小\n            max_tokens=max_tokens,  # 生成文本的最大长度\n        )\n        return response.choices[0].message.content\n\n\ndef fox_say_read_paper(key, message, image_path=None, temperature=0.2, top_p=0.8, max_tokens=1024):\n    client = ZhipuAI(api_key=key)  # 填写您自己的APIKey\n    if image_path is None:\n        response = client.chat.completions.create(\n            model=\"glm-4-0520\",  # 填写需要调用的模型名称\n            messages=[\n                {\n                    \"role\": \"system\",\n                    \"content\": \"你扮演一位博学的教授，你的角色是耐心解答学生的疑问。\"\n                               \"你的任务是提供深入、全面且易于理解的答案，以便帮助学生解决疑问。\"\n                },\n                {\n                    \"role\": \"user\",\n                    \"content\": message\n                }\n            ],\n            # stream=True,  # 是否开启流式输出\n            temperature=temperature,  # 随机性，取值范围[0,1]，值越大表示输出的随机性越小\n            top_p=top_p,  # nucleus sampling的top_p值，取值范围[0,1]，值越大表示输出的随机性越小\n            max_tokens=max_tokens,  # 生成文本的最大长度\n        )\n        return response.choices[0].message.content\n    else:\n        base64_image = encode_image(image_path)\n        response = client.chat.completions.create(\n            model=\"glm-4v\",  # 填写需要调用的模型名称\n            messages=[\n                {\n                    \"role\": \"system\",\n                    \"content\": \"你扮演一位博学的教授，你的角色是耐心解答学生的疑问。\"\n                               \"在每个问题的末尾，学生提供了一张可能揭示其疑问来源或理解难点的论文截图。\"\n                               \"你的任务是结合论文相关截图，提供深入、全面且易于理解的答案，以便帮助学生解决疑问。\"\n                },\n                {\n                    \"role\": \"user\",\n                    \"content\": [\n                        {\n                            \"type\": \"text\",\n                            \"text\": message\n                        },\n                        {\n                            \"type\": \"image_url\",\n                            \"image_url\": {\n                                \"url\": f\"data:image/jpeg;base64,{base64_image}\"\n                            }\n                        }\n                    ]\n                }\n            ],\n            # stream=True,  # 是否开启流式输出\n            temperature=temperature,  # 随机性，取值范围[0,1]，值越大表示输出的随机性越小\n            top_p=top_p,  # nucleus sampling的top_p值，取值范围[0,1]，值越大表示输出的随机性越小\n            max_tokens=max_tokens,  # 生成文本的最大长度\n        )\n        return response.choices[0].message.content\n\n\ndef fox_say_read_paper_combine_with_analysis(key, message, analysis_input, image_path=None,\n                                             temperature=0.2, top_p=0.8, max_tokens=1024):\n    client = ZhipuAI(api_key=key)\n    if image_path is None:\n        response = client.chat.completions.create(\n            model=\"glm-4-0520\",  # 填写需要调用的模型名称\n            messages=[\n                {\n                    \"role\": \"system\",\n                    \"content\": \"你扮演一位博学的教授，你的角色是耐心解答学生的疑问。\"\n                               \"在你面前是一篇人工智能生成的论文摘要，学生针对这篇论文提出了一些问题。\"\n                               + analysis_input +\n                               \"你的任务是结合论文摘要，提供深入、全面且易于理解的答案，以便帮助学生解决疑问。\"\n                },\n                {\n                    \"role\": \"user\",\n                    \"content\": message\n                }\n            ],\n            # stream=True,  # 是否开启流式输出\n            temperature=temperature,  # 随机性，取值范围[0,1]，值越大表示输出的随机性越小\n            top_p=top_p,  # nucleus sampling的top_p值，取值范围[0,1]，值越大表示输出的随机性越小\n            max_tokens=max_tokens,  # 生成文本的最大长度\n        )\n        return response.choices[0].message.content\n    else:\n        base64_image = encode_image(image_path)\n        response = client.chat.completions.create(\n            model=\"glm-4v\",  # 填写需要调用的模型名称\n            messages=[\n                {\n                    \"role\": \"system\",\n                    \"content\": \"你扮演一位博学的教授，你的角色是耐心解答学生的疑问。\"\n                               \"在你面前是一篇人工智能生成的论文摘要，学生针对这篇论文提出了一些问题。\"\n                               + analysis_input +\n                               \"在每个问题的末尾，学生提供了一张可能揭示其疑问来源或理解难点的论文截图。\"\n                               \"你的任务是结合论文摘要和相关截图，提供深入、全面且易于理解的答案，以便帮助学生解决疑问。\"\n                },\n                {\n                    \"role\": \"user\",\n                    \"content\": [\n                        {\n                            \"type\": \"text\",\n                            \"text\": message\n                        },\n                        {\n                            \"type\": \"image_url\",\n                            \"image_url\": {\n                                \"url\": f\"data:image/jpeg;base64,{base64_image}\"\n                            }\n                        }\n                    ]\n                }\n            ],\n            # stream=True,  # 是否开启流式输出\n            temperature=temperature,  # 随机性，取值范围[0,1]，值越大表示输出的随机性越小\n            top_p=top_p,  # nucleus sampling的top_p值，取值范围[0,1]，值越大表示输出的随机性越小\n            max_tokens=max_tokens,  # 生成文本的最大长度\n        )\n        return response.choices[0].message.content\n\n\ndef summary_paper(key, message):\n    client = ZhipuAI(api_key=key)\n    response = client.chat.completions.create(\n        model=\"glm-4-flash\",  # 填写需要调用的模型名称\n        messages=[\n            {\n                \"role\": \"system\",\n                \"content\": \"您将收到一篇文章的标题和对应的摘要。\"\n                           \"请仔细阅读这些信息，将其提炼成一个简短且精准的句子，以概括文章的主要内容。\"\n                           \"确保您的回答只包含一句话，并且尽可能简洁明了。\"\n                           \"此外，如果原文是英文，请用英文回答，如果是中文，请用中文回答。\"\n                           \"现在，请根据提供的标题和摘要生成一句话概要。\"\n            },\n            {\n                \"role\": \"user\",\n                \"content\": message\n            }\n        ],\n        stream=False,  # 是否开启流式输出\n    )\n    return response.choices[0].message.content\n\n\ndef fox_find_chat(key, message, results, temperature=0.2, top_p=0.8, max_tokens=1024):\n    url = 'https://internlm-chat.intern-ai.org.cn/puyu/api/v1/chat/completions'\n    header = {\n        'Content-Type':\n            'application/json',\n        \"Authorization\":\n            \"Bearer eyJ0eXBlIjoiSldUIiwiYWxnIjoiSFM1MTIifQ.eyJqdGkiOiI0MDA3MzgyOCIsInJvbCI6IlJPTEVfUkVHSVNURVIiLC\"\n            \"Jpc3MiOiJPcGVuWExhYiIsImlhdCI6MTcxODEwNTUwNCwiY2xpZW50SWQiOiJlYm1ydm9kNnlvMG5semFlazF5cCIsInBob25lI\"\n            \"joiMTgwNjE0Mjg4MDEiLCJ1dWlkIjoiZWM1ODY0NWMtZWQ4NS00MjFkLWFiYTktYzVmN2EzOGI5NjVmIiwiZW1haWwiOiJiaWdf\"\n            \"d2hpdGVfZm94QHFxLmNvbSIsImV4cCI6MTczMzY1NzUwNH0.8ddtMAsEvDMvhYeJHOTe2Zki8KdYZyI-yoMvTwbgBAeMWCSXv78\"\n            \"Kc-zQ87W_PPBbSzdWvBrX0MGpB2ZDpt06Tw\"\n    }\n    data = {\n        \"model\": \"internlm2-latest\",\n        \"messages\": [\n            {\n                \"role\": \"user\",\n                \"text\": message +\n                        \"你是一名专业的学术研究助手，你的任务是帮助用户寻找相关论文。\"\n                        \"你将会接收到一系列从向量数据库中检索出的论文信息，\"\n                        \"每条信息都包含以下字段：'Title', 'Authors', 'Abstract', 'DOI'。\"\n                        \"这些论文信息是基于用户查询自动检索得到的，并且已经按照相关性排序。\"\n                        + str(results) +\n                        \"你的任务是根据这些论文信息，选取内容合适的部分回答用户问题，请不要全选，也不要只选取一两个。\"\n                        \"语言应该适合学术交流，清晰、准确、客观。\"\n                        \"对每篇论文的推荐和解说，应当包含个人的见解和点评，而不是罗列其内容。\"\n\n            }\n        ],\n        \"temperature\": temperature,\n        \"top_p\": top_p,\n        \"max_tokens\": max_tokens,\n    }\n\n    res = requests.post(url, headers=header, data=json.dumps(data))\n    print(res.status_code)\n    print(res.json())\n    print(res.json()[\"choices\"][0][\"message\"][\"content\"])\n    return res.json()[\"choices\"][0][\"message\"][\"content\"]\n\n\ndef fox_write_chat(key, message, results, temperature=0.2, top_p=0.8, max_tokens=1024):\n    url = 'https://internlm-chat.intern-ai.org.cn/puyu/api/v1/chat/completions'\n    header = {\n        'Content-Type':\n            'application/json',\n        \"Authorization\":\n            \"Bearer eyJ0eXBlIjoiSldUIiwiYWxnIjoiSFM1MTIifQ.eyJqdGkiOiI0MDA3MzgyOCIsInJvbCI6IlJPTEVfUkVHSVNURVIiLC\"\n            \"Jpc3MiOiJPcGVuWExhYiIsImlhdCI6MTcxODEwNTUwNCwiY2xpZW50SWQiOiJlYm1ydm9kNnlvMG5semFlazF5cCIsInBob25lI\"\n            \"joiMTgwNjE0Mjg4MDEiLCJ1dWlkIjoiZWM1ODY0NWMtZWQ4NS00MjFkLWFiYTktYzVmN2EzOGI5NjVmIiwiZW1haWwiOiJiaWdf\"\n            \"d2hpdGVfZm94QHFxLmNvbSIsImV4cCI6MTczMzY1NzUwNH0.8ddtMAsEvDMvhYeJHOTe2Zki8KdYZyI-yoMvTwbgBAeMWCSXv78\"\n            \"Kc-zQ87W_PPBbSzdWvBrX0MGpB2ZDpt06Tw\"\n    }\n    data = {\n        \"model\": \"internlm2-latest\",\n        \"messages\": [\n            {\n                \"role\": \"user\",\n                \"text\": message +\n                        \"你是一名专业的学术研究助手，你的任务是帮助用户撰写基于相关学术论文的综述。\"\n                        \"你将会接收到一系列从向量数据库中检索出的论文信息，\"\n                        \"每条信息都包含但不限于以下字段：'Title', 'Authors', 'Abstract', 'DOI'。\"\n                        \"这些论文信息是基于用户查询自动检索得到的，并且已经按照相关性排序。\"\n                        + str(results) +\n                        \"你的任务是根据这些论文信息，撰写一篇全面、准确且连贯的综述，涵盖关键发现、研究主题、趋势以及任何其他相关的重要信息。\"\n                        \"综述应该是对所提供论文的精华总结，同时也要确保信息的准确性和完整性。\"\n                        \"请遵循以下步骤来撰写综述：\"\n                        \"1. 仔细阅读并理解每篇论文的标题、作者、摘要、DOI和出版年份。\"\n                        \"2. 分析论文之间的联系和差异，识别核心主题和研究趋势。\"\n                        \"3. 撰写综述，确保综述的结构清晰，内容有逻辑性，语言流畅。\"\n                        \"4. 在综述中引用具体的研究成果时，请注明作者和出版年份，以增加综述的权威性。\"\n                        \"5. 如果有额外的见解或分析，可以在综述中适当提出，但要确保这些内容是基于所提供论文信息的合理推断。\"\n                        \"综述要求：\"\n                        \"- 综述应该是对学术论文的综合总结，而不是单纯的论文列表。\"\n                        \"- 综述应该包含对研究领域的深入分析和对未来研究方向的展望。\"\n                        \"- 综述应该是有机结合多篇论文信息的产物，而不是孤立地介绍每篇论文。\"\n                        \"- 综述的语言应该适合学术交流，清晰、准确、客观。\"\n            }\n        ],\n        \"temperature\": temperature,\n        \"top_p\": top_p,\n        \"max_tokens\": max_tokens,\n    }\n\n    res = requests.post(url, headers=header, data=json.dumps(data))\n    print(res.status_code)\n    print(res.json())\n    print(res.json()[\"choices\"][0][\"message\"][\"content\"])\n    return res.json()[\"choices\"][0][\"message\"][\"content\"]\n\n\n\ndef fox_write_arxiv(message):\n    # 配置密钥与应用ID\n    os.environ[\"APPBUILDER_TOKEN\"] = \"bce-v3/ALTAK-cQuNNcvY1DmVHPfPB9qpS/3706e064cd789835e398f1a5aa57f90d6657c3b9\"\n    app_id = \"0dd7ed8a-f977-4ac6-a3eb-c5ec1b955c6c\"\n\n    # 初始化Agent\n    builder = appbuilder.AppBuilderClient(app_id)\n\n    # 创建会话ID\n    conversation_id = builder.create_conversation()\n\n    # 执行对话\n    msg = builder.run(conversation_id, query=message, stream=True)\n    print(\"助手回答内容：\", msg)\n    return msg\n\n\n# 定义一个简单的函数，它接受两个输入并返回一个输出\n# def process_inputs(input1, input2):\n#     # 在这里处理输入，例如进行一些计算或数据操作\n#     response = fox_chat_chat(input1, input2)\n#     collected_messages = []\n#     for idx, chunk in enumerate(response):\n#         chunk_message = chunk.choices[0].delta\n#         if not chunk_message.content: continue\n#         collected_messages.append(chunk_message)  # save the message\n#         yield ''.join([m.content for m in collected_messages])\n#\n#\n# # 创建 Gradio 界面\n# iface = gr.Interface(\n#     fn=process_inputs,  # 指定处理函数\n#     inputs=[\"text\", \"text\"],  # 指定两个输入框，类型为文本\n#     outputs=\"chatbot\",  # 指定一个输出框，类型为文本\n#     title=\"简单的输入输出界面\",  # 界面的标题\n#     description=\"请输入两个文本，然后查看结果\"  # 界面的描述\n# )\n#\n# # 启动界面\n# iface.launch()\n"}}}}