- 综合排序
- 最热优先
- 最新优先
- 来自专栏XINDOO的专栏
OpenAI Assistants-API简明教程
assistants-api目前还处于beta版本，但从OpenAI的规划来看，后续应该是会支持DALLE3、gpt4-v甚至是plugin的，我们可以期待下。 创建助手 这里首先需要将我们的flower_prices.csv转成Assistant能使用的file，使用如下代码即可：from openai import OpenAIclient = OpenAI (base_url='https://thales.xindoo.xyz/openai/v1/')# 将文件上传至openAI保存file = client.files.create( file=open 那边还没有任何操作，这个可能是OpenAI利用懒加载来减轻对服务端的压力。 完整的代码我已上传至Github上https://github.com/xindoo/openai-examples/blob/main/flower_assistant.ipynb，后续OpenAI其他
2.2K01编辑于 2023-11-19 - 来自专栏山行AI
OpenAI官方提示词教程与实战指南
OpenAI之前的研究[46]使用GPT-3的变体来研究使用这种方法总结书籍的有效性。 这是使用OpenAI模型调用外部函数的推荐方法。要了解更多信息，请参阅我们的文本生成指南中的'函数调用'章节，并在OpenAI Cookbook中查看更多'函数调用示例'。 在Playground中打开[67] 其他资源 访问OpenAI Cookbook[68]以获取更多灵感，其中包含示例代码和第三方资源的链接。 关键词2：OpenAI、语言模型、文本处理、API。 文本3：{text} 关键词3： 微调：请参阅此处[78]的微调最佳实践。 6. with OpenAI API | OpenAI Help Center[88]
1.3K11编辑于 2023-12-28 - 来自专栏数据结构和算法
OpenAI Gym 中级教程——多智能体系统
Python OpenAI Gym 中级教程：多智能体系统 在强化学习中，多智能体系统涉及到多个智能体相互作用的情况。 在本篇博客中，我们将介绍如何在 OpenAI Gym 中构建和训练多智能体系统，并使用 Multi-Agent Deep Deterministic Policy Gradients（MADDPG）算法进行协同训练 安装依赖 首先，确保你已经安装了 OpenAI Gym 和其他必要的依赖： pip install gym pip install numpy pip install tensorflow pip install 训练多智能体系统 train_maddpg(env, model1, model2, optimizer1, optimizer2, num_episodes=500) 通过这个示例，我们演示了如何在 OpenAI 这个示例可以作为入门多智能体强化学习的起点，同时展示了 TensorFlow 和 OpenAI Gym 在多智能体环境中的基本应用。希望这篇博客对你理解和应用多智能体系统有所帮助。
67110编辑于 2024-02-03 - 来自专栏数据结构和算法
OpenAI Gym 中级教程——环境定制与创建
Python OpenAI Gym 中级教程：环境定制与创建 OpenAI Gym 是一个强化学习算法测试平台，提供了许多标准化的环境供用户使用。然而，有时候我们需要定制自己的环境以适应特定的问题。 本篇博客将介绍如何在 OpenAI Gym 中定制和创建环境，并提供详细的代码示例。 1. 安装 OpenAI Gym 首先，确保你已经安装了 OpenAI Gym： pip install gym 2. 创建一个简单的定制环境 让我们从创建一个简单的自定义环境开始。 总结 本篇博客介绍了如何在 OpenAI Gym 中创建和定制环境。通过实现自定义环境，你可以更灵活地适应不同的问题，并使用 Gym 提供的标准化工具来测试和比较强化学习算法。
1.9K10编辑于 2024-01-31 - 来自专栏数据结构和算法
OpenAI Gym 中级教程——深入强化学习算法
Python OpenAI Gym 中级教程：深入强化学习算法 OpenAI Gym 是一个用于开发和比较强化学习算法的工具包，提供了多个环境，包括经典的控制问题和 Atari 游戏。 安装 OpenAI Gym 首先，确保你已经安装了 OpenAI Gym： pip install gym 2. 在 OpenAI Gym 中，智能体在环境中执行动作，观察环境的反馈，并根据反馈调整策略。 3. 深度 Q 网络（DQN） DQN 是一种用于解决离散动作空间问题的强化学习算法。 总结 本篇博客介绍了在 OpenAI Gym 中应用深度 Q 网络（DQN）和深度确定性策略梯度（DDPG）算法的示例。这些算法为解决离散和连续动作空间的强化学习问题提供了基础。 希望这篇博客能够帮助你更深入地理解 OpenAI Gym 中的强化学习算法。
1.2K10编辑于 2024-01-30 - 来自专栏数据结构和算法
OpenAI Gym 中级教程——强化学习实践项目
Python OpenAI Gym 中级教程：强化学习实践项目 1. 安装依赖 首先，确保你已经安装了必要的依赖： pip install gym[box2d] tensorflow 2. 总结 通过这个实际项目，我们演示了如何在 OpenAI Gym 中使用深度 Q 网络（DQN）来解决经典的 CartPole 问题。 这个项目为初学者提供了一个实践的起点，同时展示了在强化学习任务中使用 TensorFlow 和 OpenAI Gym 的基本步骤。希望这篇博客能够帮助你更好地理解和应用强化学习算法。
51510编辑于 2024-02-03 - 来自专栏WTSolutions
OpenAI Agents SDK 中文文档 中文教程 （1）
英文文档原文详见 OpenAI Agents SDK https://openai.github.io/openai-agents-python/ 本文是OpenAI-agents-sdk-python 使用翻译软件翻译后的中文文档/教程。 分多个帖子发布，帖子的目录如下： (1) OpenAI 代理 SDK， 介绍及快速入门 (2)OpenAI agents sdk, agents，运行agents，结果，流，工具，交接 目录 OpenAI API 密钥 如果您没有，请按照这些说明创建 OpenAI API 密钥。 export OPENAI_API_KEY=sk-...
2.4K30编辑于 2025-03-13 - 来自专栏WTSolutions
OpenAI Agents SDK 中文文档 中文教程 （2）
英文文档原文详见 https://openai.github.io/openai-agents-python/ 本文是OpenAI-agents-sdk-python使用翻译软件翻译后的中文文档/教程。 分多个帖子发布，帖子的目录如下： (1) OpenAI 代理 SDK， 介绍及快速入门 (2) OpenAI agents sdk, agents，运行agents，结果，流，工具，交接 代理 代理是应用程序中的核心构建块 model model_provider：用于查找模型名称的模型提供程序，默认为 OpenAI。 model_settings：覆盖特定于代理的设置。 托管工具 OpenAI 在使用 OpenAIResponsesModel 时提供了一些内置工具： WebSearchTool 允许代理搜索 Web。 FileSearchTool 允许从您的 OpenAI 矢量存储中检索信息。 ComputerTool 允许自动执行计算机使用任务。
1.9K21编辑于 2025-03-13 - 来自专栏数据结构和算法
OpenAI Gym 中级教程----深入解析 Gym 代码和结构
Python OpenAI Gym 中级教程：深入解析 Gym 代码和结构 OpenAI Gym 是一个用于开发和测试强化学习算法的工具包。 希望本篇博客能够帮助你更好地利用 OpenAI Gym 进行强化学习的研究和实践。
1.4K11编辑于 2024-02-01 - 来自专栏数据结构和算法
OpenAI Gym高级教程——领域自适应强化学习
Python中的OpenAI Gym高级教程——领域自适应强化学习 导言 OpenAI Gym是一个为强化学习任务提供统一接口的开源平台，它允许研究人员和开发者使用标准化的环境进行实验和开发。 本教程将介绍OpenAI Gym的高级用法，重点关注领域自适应强化学习，通过代码示例帮助您理解如何在不同环境中实现自适应性。 安装OpenAI Gym 首先，确保您已经安装了Python和pip。 然后，您可以通过以下命令安装OpenAI Gym： pip install gym 了解OpenAI Gym的基本概念 在开始之前，让我们简要回顾一下OpenAI Gym的基本概念： 环境（Environment 结论 本教程介绍了如何使用OpenAI Gym进行高级强化学习任务，并重点讨论了领域自适应。通过自定义环境和实现自适应Agent，您可以更好地理解如何应对不同类型的强化学习问题。 通过这篇博客教程，您可以详细了解OpenAI Gym的高级用法，特别是如何在不同环境中实现自适应性强化学习。您可以根据需要对代码进行修改和扩展，以满足特定问题的需求。
66610编辑于 2024-02-08 - 来自专栏WTSolutions
OpenAI Agents SDK 中文文档 中文教程 （7）
来自 LLM 的流式处理事件。这些是 “原始” 事件，即它们直接传递 来自 LLM。
48010编辑于 2025-03-18 - 来自专栏大模型
OpenAI 开源模型 gpt-oss 本地部署详细教程
OpenAI最近发布了其首个开源的开放权重模型gpt-oss，这在AI圈引起了巨大的轰动。对于广大开发者和AI爱好者来说，这意味着我们终于可以在自己的机器上，完全本地化地运行和探索这款强大的模型了。 本教程将一步一步指导你如何在Windows和Linux系统上，借助极其便捷的本地大模型运行框架Ollama，轻松部署和使用gpt-oss模型。 ==当然我自己电脑的性能要差点==二、了解gpt-oss模型gpt-oss是OpenAI发布的开放权重语言模型，截止到2025年8月8日，提供了gpt-oss-120b和gpt-oss-20b两个版本。 官方GitHub仓库:https://github.com/openai/gpt-oss三、安装Ollama：本地部署的神器Ollama是一个开源框架，它极大地简化了在本地运行Llama,Mistral 总结通过本教程，我们成功地在一台普通的Windows电脑上，使用Ollama轻松部署了OpenAI的gpt-oss模型。
1.4K21编辑于 2025-11-24 - 来自专栏WTSolutions
OpenAI Agents SDK 中文文档 中文教程 （4）
英文文档原文详见 OpenAI Agents SDK 本文是OpenAI-agents-sdk-python使用翻译软件翻译后的中文文档/教程。 分多个帖子发布，帖子的目录如下： (1) OpenAI 代理 SDK， 介绍及快速入门 (2)OpenAI agents sdk, agents，运行agents，结果，流，工具，交接 (3) OpenAi 模型 代理 SDK 提供对 OpenAI 模型的开箱即用支持，有两种风格： 推荐：OpenAIResponsesModel，它使用新的响应 API 调用 OpenAI API。 OPENAI_API_KEY from agents import set_default_openai_key set_default_openai_key("sk-...") ", api_key="...") set_default_openai_client(custom_client) 最后，您还可以自定义使用的 OpenAI API。
1.8K10编辑于 2025-03-14 - 来自专栏WTSolutions
OpenAI Agents SDK 中文文档 中文教程 （5）
代理模块 set_default_openai_key set_default_openai_key( key: str, use_for_tracing: bool = True ) -> None 这是 仅当尚未设置 OPENAI_API_KEY 环境变量时才需要。 如果提供，将使用此键而不是 OPENAI_API_KEY 环境变量。 参数： 名字 类型 描述 违约 key str 要使用的 OpenAI 密钥。 必填 use_for_tracing bool 是否也使用此 key 向 OpenAI 发送跟踪。 True 源码 src/agents/__init__.py set_default_openai_client set_default_openai_client( 如果提供，则此 client 而不是默认的 OpenAI 客户端。 参数： 名字 类型 描述 违约 client AsyncOpenAI 要使用的 OpenAI 客户端。
79500编辑于 2025-03-15 - 来自专栏WTSolutions
OpenAI Agents SDK 中文文档 中文教程 （8）
Items TResponse module-attribute TResponse = Response OpenAI SDK 中 Response 类型的类型别名。 TResponseInputItem module-attribute TResponseInputItem = ResponseInputItemParam OpenAI SDK 中 ResponseInputItemParam TResponseOutputItem module-attribute TResponseOutputItem = ResponseOutputItem OpenAI 开发工具包中 ResponseOutputItem TResponseStreamEvent 模块属性 TResponseStreamEvent = ResponseStreamEvent OpenAI SDK 中 ResponseStreamEvent openai.types.responses.ResponseOutputItemopenai.types.responses.ResponseInputItemParam to_input_item
39010编辑于 2025-03-20 - 来自专栏WTSolutions
OpenAI Agents SDK 中文文档 中文教程 （3）
英文文档原文详见 OpenAI Agents SDK https://openai.github.io/openai-agents-python/ 本文是OpenAI-agents-sdk-python 使用翻译软件翻译后的中文文档/教程。 分多个帖子发布，帖子的目录如下： (1) OpenAI 代理 SDK， 介绍及快速入门 (2)OpenAI agents sdk, agents，运行agents，结果，流，工具，交接 (3) OpenAi 除了将跟踪发送到 OpenAI 的后端之外，您还可以进行自己的处理。 set_trace_processors（） 允许您将默认处理器替换为自己的跟踪处理器。 这意味着跟踪不会发送到 OpenAI 后端，除非您包含这样做的 a。
1K10编辑于 2025-03-14 - 来自专栏WTSolutions
OpenAI Agents SDK 中文文档 中文教程 （6）
英文文档原文详见 OpenAI Agents SDK https://openai.github.io/openai-agents-python/ Tools 工具 module-attribute 目前仅支持 OpenAI 模型，使用响应 API。 目前仅支持 OpenAI 模型， 使用响应 API。 我们使用的是 OpenAI 响应 API，所以这些是语义事件：每个事件都有一个字段 描述事件的类型以及该事件的数据。
54310编辑于 2025-03-17 - 来自专栏数据结构和算法
OpenAI Gym高级教程——解决实际问题与研究探索
Python中的OpenAI Gym高级教程：解决实际问题与研究探索 导言 OpenAI Gym是一个强化学习的标准工具包，可用于解决各种实际问题和进行研究探索。 本教程将深入探讨如何利用OpenAI Gym解决实际问题，并进行相关研究。我们将使用代码示例来说明这些概念，帮助您更好地理解和应用。 安装OpenAI Gym 首先，请确保您已经安装了Python和pip。 ，您学习了如何使用OpenAI Gym解决实际问题，并进行研究探索。 通过这篇博客教程，您可以详细了解如何使用OpenAI Gym解决实际问题，并进行相关研究探索。您可以根据需要对代码进行修改和扩展，以满足特定问题的需求。
43110编辑于 2024-02-08 - 来自专栏机器之心
教程 | Keras+OpenAI强化学习实践：行为-评判模型
、黄小天 本文先给出行为-评判模型（actor-critic model）的基本原理，包括链式求导法则等，随后再从模型的参数、模型的训练和模型的测试等方面用代码段解释行为-评判模型，最后，文章给出了该教程的全部代码 像之前的教程一样，我们首先快速了解一下已取得的惊人成果：在一个连续的输出空间场景下，从完全不明白「胜利」的含义开始，现在我们可以探索环境并「完成」试验。 将自身置身于模拟环境中。 我不会详细介绍它的工作原理，因为 tensorflow.org 教程的材料相当全面。 再来看看评判网络，基本上我们面临着相反的问题。即，网络定义稍微复杂一些，但是训练比较简单。 == "__main__": main() 原文地址：https://medium.com/towards-data-science/reinforcement-learning-w-keras-openai-actor-critic-models-f084612cfd69
1.1K90发布于 2018-05-08 - 来自专栏山行AI
OpenAI官方提示词教程与实战指南修正版
OpenAI之前的研究[48]使用GPT-3的变体来研究使用这种方法总结书籍的有效性。 这是使用OpenAI模型调用外部函数的推荐方法。要了解更多信息，请参阅我们的文本生成指南中的'函数调用'章节，并在OpenAI Cookbook中查看更多'函数调用示例'。 本文为之前整理的官方教程的修正版，如果本文对您有帮助，请帮忙点赞、关注、收藏。 更多内容参考：https://platform.openai.com/docs/guides/prompt-engineering和https://help.openai.com/en/articles /6654000-best-practices-for-prompt-engineering-with-openai-api
1.7K12编辑于 2023-12-28
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号