使用 Mistral AI 透過 Go 建立生成式 AI 應用程式

了解如何透過適用於 Go 的 AWS 開發工具包在 Amazon Bedrock 上使用 Mistral AI

Mistral AI 提供的模型在效能、成本等方面具有不同的特徵：

• Mistral 7B - Mistral AI 發布的第一個密集模型，非常適合實驗、客製化和快速迭代。
• Mixtral 8x7B - 專家模型的稀疏混合。
• Mistral Large - 非常適合需要大量推理能力或高度專業化的複雜任務（合成文字產生、程式碼產生、RAG 或代理）。

讓我們逐步了解如何透過 Go 在 Amazon Bedrock 上使用這些 Mistral AI 模型，並在此過程中更好地了解其提示令牌。

米斯特拉爾人工智慧入門

讓我們從使用 Mistral 7B 的簡單範例開始。

請參閱本部落格文章中的**開始之前*部分，以完成運行範例的先決條件。這包括安裝 Go、配置 Amazon Bedrock 存取以及提供必要的 IAM 權限。 *

完整程式碼可以參考這裡

運行範例：

git clone https://github.com/abhirockzz/mistral-bedrock-go
cd mistral-bedrock-go

go run basic/main.go

根據您的情況，回應可能（或可能不會）略有不同：

request payload:
 {"prompt":"\u003cs\u003e[INST] Hello, what's your name? [/INST]"}
response payload:
 {"outputs":[{"text":" Hello! I don't have a name. I'm just an artificial intelligence designed to help answer questions and provide information. How can I assist you today?","stop_reason":"stop"}]}
response string:
  Hello! I don't have a name. I'm just an artificial intelligence designed to help answer questions and provide information. How can I assist you today?

完整程式碼可以參考這裡。

我們先建立 JSON 有效負載 - 它被建模為結構 (MistralRequest)。另外，請注意模型 ID milistral.mistral-7b-instruct-v0:2

const modelID7BInstruct = "mistral.mistral-7b-instruct-v0:2"
const promptFormat = "<s>[INST] %s [/INST]"

func main() {
    msg := "Hello, what's your name?"

    payload := MistralRequest{
        Prompt: fmt.Sprintf(promptFormat, msg),
    }
//...

Mistral 有特定的提示格式，其中：

• 指字串的開頭標記
• 使用者角色的文字位於 [INST]...[/INST] 標記內
• 外面的文字是輔助角色

在上面的輸出日誌中，查看 如何顯示令牌被解釋

這是具有所需屬性的 MistralRequest 結構：

type MistralRequest struct {
    Prompt        string   `json:"prompt"`
    MaxTokens     int      `json:"max_tokens,omitempty"`
    Temperature   float64  `json:"temperature,omitempty"`
    TopP          float64  `json:"top_p,omitempty"`
    TopK          int      `json:"top_k,omitempty"`
    StopSequences []string `json:"stop,omitempty"`
}

InvokeModel 用來呼叫模型。 JSON 回應將轉換為結構體 (MistralResponse)，並從中提取文字回應。

    output, err := brc.InvokeModel(context.Background(), &bedrockruntime.InvokeModelInput{
        Body:        payloadBytes,
        ModelId:     aws.String(modelID7BInstruct),
        ContentType: aws.String("application/json"),
    })

    var resp MistralResponse

    err = json.Unmarshal(output.Body, &resp)

    fmt.Println("response string:\n", resp.Outputs[0].Text)

聊天範例

繼續進行簡單的對話互動。這就是 Mistral 所說的多回合提示，我們將加上 這是字串結尾標記。

運行範例：

go run chat/main.go

這是我的互動：

完整程式碼可以參考這裡

出於本範例的目的，程式碼本身過於簡化。但是，重要的部分是如何使用標記來格式化提示。請注意，我們在此範例中使用 Mixtral 8X7B (mistral.mixtral-8x7b-instruct-v0:1)。

const userMessageFormat = "[INST] %s [/INST]"
const modelID8X7BInstruct = "mistral.mixtral-8x7b-instruct-v0:1"
const bos = "<s>" 
const eos = "</s>"

var verbose *bool

func main() {
    reader := bufio.NewReader(os.Stdin)

    first := true
    var msg string

    for {
        fmt.Print("\nEnter your message: ")

        input, _ := reader.ReadString('\n')
        input = strings.TrimSpace(input)

        if first {
            msg = bos + fmt.Sprintf(userMessageFormat, input)
        } else {
            msg = msg + fmt.Sprintf(userMessageFormat, input)
        }

        payload := MistralRequest{
            Prompt: msg,
        }

        response, err := send(payload)

        fmt.Println("[Assistant]:", response)

        msg = msg + response + eos + " "

        first = false
    }
}

字串開始 (bos) 標記僅在對話開始時需要一次，而eos (字串結束) 標記結束單一對話交換（用戶和助理）。

與串流媒體聊天

如果您讀過我以前的博客，我總是喜歡包含一個「串流媒體」範例，因為：

1. 從客戶端應用程式的角度來看，它提供了更好的體驗
2. 忽略 InvokeModelWithResponseStream 函數（InvokeModel 的非同步對應函數）是一個常見錯誤
3. 部分模型負載反應可能很有趣（有時也很棘手）

完整程式碼可以參考這裡

讓我們試試這個。此範例使用 Mistral Large - 只需將模型 ID 變更為 milistral.mistral-large-2402-v1:0。運行範例：

go run chat-streaming/main.go

注意 InvokeModelWithResponseStream（而不是 Invoke）的用法：

    output, err := brc.InvokeModelWithResponseStream(context.Background(), &bedrockruntime.InvokeModelWithResponseStreamInput{
        Body:        payloadBytes,
        ModelId:     aws.String(modelID7BInstruct),
        ContentType: aws.String("application/json"),
    })
    //...

為了處理它的輸出，我們使用：

    //...
    resp, err := processStreamingOutput(output, func(ctx context.Context, part []byte) error {
        fmt.Print(string(part))
        return nil
    })

以下是 processStreamingOutput 函數的一些內容 - 您可以在此處查看程式碼。需要理解的重要一點是如何將部分響應收集在一起以產生最終輸出 (MistralResponse)。

func processStreamingOutput(output *bedrockruntime.InvokeModelWithResponseStreamOutput, handler StreamingOutputHandler) (MistralResponse, error) {

    var combinedResult string

    resp := MistralResponse{}
    op := Outputs{}

    for event := range output.GetStream().Events() {
        switch v := event.(type) {
        case *types.ResponseStreamMemberChunk:

            var pr MistralResponse

            err := json.NewDecoder(bytes.NewReader(v.Value.Bytes)).Decode(&pr)
            if err != nil {
                return resp, err
            }

            handler(context.Background(), []byte(pr.Outputs[0].Text))

            combinedResult += pr.Outputs[0].Text
            op.StopReason = pr.Outputs[0].StopReason
    //...
    }

    op.Text = combinedResult
    resp.Outputs = []Outputs{op}

    return resp, nil
}

結論

請記住 - 使用大型語言模型（如 Mistral、Meta Llama、Claude 等）建立 AI/ML 應用程式並不意味著您必須使用 Python。 Amazon Bedrock 等託管平台使用多種程式語言（包括 Go!）的靈活 API 提供對這些強大模型的存取。由於 AWS 開發工具包支持，您可以使用您選擇的程式語言與 Amazon Bedrock 集成，並建立生成式 AI 解決方案。

您可以透過瀏覽 Mistral 官方文件以及 Amazon Bedrock 使用者指南來了解更多資訊。快樂建造！

以上是使用 Mistral AI 透過 Go 建立生成式 AI 應用程式的詳細內容。更多資訊請關注PHP中文網其他相關文章！