实验要求 4

实验指导文档：利用Python和LLM解决实际问题

一、实验目的

理解大语言模型（LLM）的基本原理与API调用方式。掌握使用Python通过HTTP请求与开源LLM接口交互的技能。学会利用LLM完成信息抽取、摘要生成、情感分析等典型任务。能够将AI能力嵌入现实应用场景的能力。

二、实验环境

• Python 3.8+
• requests库
• pandas、json 等基础库
• Jupyter Notebook 或 PyCharm/VS Code

三、数据资源

• news_data.json: 包含若干条新闻，用于利用LLM生成新闻摘要
• reviews.txt: 包含若干条产品评论文本，用于利用LLM进行产品评论的情感分析
• context.txt：包含一段产品介绍背景文字，用于基于这段文字利用LLM进行问答

四、LLM API资源

• OpenRouter（多种大模型免费调用接口）：
  • 网站：https://openrouter.ai/
  • 先进行注册（Sign Up），使用邮箱注册，进入邮箱激活账号
  • 进入网站获取API Keys，Keys -> Create API Keys -> 复制key到自己代码中
  • key示例：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
  • 在Python代码中调用API获得LLM能力（可参考说明文档：https://openrouter.ai/docs/quickstart）
  • 请自己选择一个免费的支持中文的模型进行实验（如：qwen/qwen3-8b:free）

五、实验场景描述

假设你正在开发一个“智能内容理解系统”，它可以： - 对新闻内容进行摘要提取 - 对产品评论进行情感分析 - 智能回答用户基于产品文档的提问

六、实验步骤

实验一：使用Python调用LLM进行对话（基础接口测试）

任务要求：

• 注册并获取OpenRouter的API Key
• 编写Python脚本调用API，向模型发送简单提问，如“今天天气如何？”
• 输出模型返回结果，并格式化显示

输出内容：

• 展示出你对LLM输入的问题和LLM给你的输出文本

实验二：新闻摘要生成任务（文本摘要）

任务要求：

• 加载本地文件 news_data.json，其中包含若干篇新闻的标题与正文
• 编写程序，使用LLM对每篇新闻生成一句话摘要（要求长度控制在30个字以内）
• 将结果输出为 summary_results.json 文件，结构如：

[
  {
    "title": "xxx",
    "summary": "这是一条自动生成的摘要"
  },
  ...
]

输出内容：

• 存储为结构化JSON文件中的每一条新闻的摘要内容

实验三：评论情感分析（情感分类）

任务要求：

• 加载 reviews.txt，每行为一条用户评论
• 使用LLM判断每条评论是“积极”还是“消极”（注意对于LLM生成额外信息的处理）
• 将结果输出为 review_sentiment.csv，包含原始文本和情感标签

输出内容：

• 输出每条评论及其对应的分类标签（积极 / 消极）CSV文件，格式如下：

text,sentiment
"这个产品太棒了！",积极
"差评，完全没用",消极
...

实验四：基于文档问答（开放问答）

任务要求：

• 模拟用户上传一段背景材料（如新闻或产品说明 context.txt）
• 用户输入一个问题，系统利用大语言模型回答
• 举例问题如：“该产品最吸引用户的特点是什么？”
• 能够支持用户上传不同的文档（设置文档文件为参数，灵活输入给LLM）
• 能够支持用户同时输入多个问题，一次性给出多个答案

输出内容：

• 输入问题+输出答案的成对的列表（列表字典）

[
    {"question": "问题1", "answer": "LLM生成的回答1"},
    {"question": "问题2", "answer": "LLM生成的回答2"},
    ...
]

五、实验提交内容

请将以下文件打包提交：

• 所有 .py 实验代码文件（可附在报告后面）
• 所有实验步骤中要求输出的内容（可附在报告对应位置中）
• 实验报告（使用模板填写）

六、注意事项

• 实验报告参考报告模板撰写，并将word格式的报告发到老师邮箱：zongchang@zust.edu.cn（报告文件名格式：姓名_学号_报告3）