本篇文章我将介绍使用智谱 AI 最新开源的 GLM-4-9B 模型和 GenAI 云服务 SiliconCloud 快速构建一个 RAG 应用，首先我会详细介绍下 GLM-4-9B 模型的能力情况和开源限制，以及 SiliconCloud 的使用介绍，最后构建一个编码类智能体应用作为测试。
本文首发自博客 使用智谱 GLM-4-9B 和 SiliconCloud 云服务快速构建一个编码类智能体应用
我的新书《LangChain编程从入门到实践》 已经开售！推荐正在学习AI应用开发的朋友购买阅读，此书围绕LangChain梳理了AI应用开发的范式转变，除了LangChain，还涉及其他诸如 LIamaIndex、AutoGen、AutoGPT、Semantic Kernel等热门开发框架。
GLM-4-9B 有多强
智谱家 GLM-4-9B 模型的发布，可以称得上大模型开源领域的又一个里程碑事件，除了开源行为本身值得肯定，我觉得开源出来的模型可以接入线上应用直接使用，可能对我们做应用层的开发者意义更大。话不多说，看 GLM-4-9B 的介绍：
首先 GLM-4-9B 模型结构与 GLM-3-9B 变化不大，主要是模型层数由 28 增加到 40，词表大小由 65024 扩充到 151552、支持的上下文长度支持从 32K、128K 扩展到 128K、1M（GLM-4-9B-Chat-1M），做应用最关注的就是长上下文（多轮对话记忆保持、各种阅读助手、长文本理解等常见场景）能力和 Function Call 能力（工具调用，构建智能体应用的基础）。
1M 的上下文长度（约 200 万中文字符）方面，GLM-4-9B 在大海捞针测试中全绿。
不过根据英伟达研究团队最近新提出的名为RULER的新基准，这里选用的测试方法（测试的 LWM 声称上下文长度 1M，实际不到 4K）测出来的结果有水分，这个我还会自己测试下。
Function Call 能力也属于 gpt-4-turbo 级别，使用 Berkeley Function-Calling Leaderboard 测试集，这个对我来说比较有说服力，有兴趣的可以看看测试集设计，不过毕竟测试集公开，混在训练集里也不好说，这个我也按照相同思路设计了对应的私有中文测试集，引入之前也会再跑一次作为交叉验证。
| Model | Overall Acc. | AST Summary | Exec Summary | Relevance |
|---|---|---|---|---|
| Llama-3-8B-Instruct | 58.88 | 59.25 | 70.01 | 45.83 |
| gpt-4-turbo-2024-04-09 | 81.24 | 82.14 | 78.61 | 88.75 |
| ChatGLM3-6B | 57.88 | 62.18 | 69.78 | 5.42 |
| GLM-4-9B-Chat | 81.00 | 80.26 | 84.40 | 87.92 |
虽然开源，但也存在限制，就是学术研究免费，商业用途需要登记且必须遵守相关条款和条件，详见 Github 项目介绍：https://github.com/THUDM/GLM-4
SiliconCloud 有多好用
SiliconCloud 是硅基流动推出的 GenAI 云服务，这是国内同类产品中我体验最好的一家，便宜且推理速度还快，国外已经有很多类似服务了，比如 Banana, Replicate, Beam, Modal 、OctoAI、ModelZ、BentoML等，这类服务主要用于私有模型或常见开源模型托管，通过它们自研的推理加速引擎、大模型基础设施优化能力，大幅降低大模型的部署及推理成本，降低 AI 应用的成本，加速 AI 产品的落地 。
SiliconCloud 便宜又快的原因就在于硅基流动自研的 LLM 推理加速引擎 SiliconLLM ，支持 Llama3、Mixtral、DeepSeek、Baichuan、ChatGLM、Falcon、01-ai（零一万物开源的模型）、GPT-NeoX 等模型加速，下面是 SiliconLLM 与推理框架vLLM（伯克利大学 LMSYS 组织开源）、Tensorrt-LLM（英伟达开源）的性能比较。
最后补充一组我自己本地随手测试的 API 调用服务吞吐：
- 首次响应时间与最快响应时间差（
Latency saved 0.03s）： 表示首次响应时间与最快响应时间之间的差异，这个指标可以反映出大模型 API 服务在处理请求时的波动。 - 优化后的首 token 响应时间（
Optimized TTFT 0.36s）：是指在多次请求中，最快的一次首 token 响应时间。 - 首 token 响应时间中位数（
Median TTFT 0.03s）：是指在所有请求中，首 token 响应时间的中位数，即一半的请求首 token 响应时间比这个值快，另一半比这个值慢。中位数可以提供一个更稳健的性能指标，因为它不受极端值的影响。 - 生成的 token 数量（
Tokens: 19）：表示在请求过程中生成的 token 总数。 - token 生成速率（
79 tokens/sec）： 表示每秒生成的 Token 数量，这是衡量大模型 API 服务处理能力的一个指标。 - 总时间（
Total time: 0.59s）： 表示从开始发送 HTTP 请求到接收到最后一个 token 的时间，这是整个请求处理过程的总耗时
构建编码类智能体应用
首先前往官网 👉 https://cloud.siliconflow.cn/auth/login 注册 SiliconCloud 账号，无需手机号，邮箱注册即可（值得一提，新用户注册可以得到 42 元免费额度用于体验，相当于 3 亿 tokens），按流程注册，保存好生成的 API-KEY。
开始之前先设置好 SiliconCloud 的 GLM-4-9B-Chat 模型， API 调用方式也与 OpenAI 兼容 ，所以可以直接使用 OpenAI SDK （langchain_openai）来访问 SiliconCloud 上的任意模型。
import os
from langchain_openai import ChatOpenAI
sc_api_key = os.getenv("SC_API_KEY")
llm = ChatOpenAI(base_url="https://api.siliconflow.cn/v1",api_key=sc_api_key,model="zhipuai/glm4-9B-chat")
后续代码和这篇文章 DeepSeek-V2 到底有多强？写一个 AI 编码 Agent 测测看（附详细代码）基本一致，也有着详细解释过程，这里不再赘述，后台回复 DeepSeek可获取完整代码。
（二）均匀分布简介)
