GitHub_Trending/ai/aici情感控制：用约束解码调整文本情感倾向
【免费下载链接】aici 
项目地址: https://gitcode.com/GitHub_Trending/ai/aici
你是否遇到过这样的困境：明明只需要一个简单的"是/否"回答，AI却给出长篇大论的解释？或者希望生成积极正面的产品描述，结果AI却用了大量中性甚至消极的词汇？传统提示工程往往需要反复调整话术，效果却不尽如人意。现在，借助AICI（Artificial Intelligence Controller Interface）的约束解码技术，你可以直接通过代码精确控制AI的情感倾向和输出格式，让AI真正成为你的得力助手。
AICI情感控制原理与架构
AICI是一个强大的AI控制器接口，它允许你构建控制器来实时约束和引导大型语言模型（LLM）的输出。情感控制的核心在于利用AICI的约束解码能力，通过编写控制器程序来动态调整文本的情感倾向。
AICI的架构设计为情感控制提供了坚实基础。整个系统由rLLM服务器、AICI运行时和控制器三部分组成，它们协同工作以实现对LLM输出的精确控制：
这个架构的关键优势在于，控制器程序运行在CPU上，与GPU上的LLM推理并行工作。这意味着情感控制逻辑不会影响LLM的推理速度，同时还能实时干预每一个生成的token。
AICI支持多种控制器开发方式，包括Python和JavaScript脚本。对于情感控制任务，我们主要使用PyCtrl，它允许你用Python编写控制逻辑，轻松实现复杂的情感约束。
情感控制基础：从简单选项到情感词典
实现情感控制的第一步是掌握AICI的基本约束能力。让我们从一个简单的例子开始，看看如何限制AI只能输出"是"或"否"：
import pyaici.server as aici
async def main():
tokens = await aici.GetPrompt()
assert len(tokens) > 2, "prompt too short"
await aici.FixedTokens("\n")
await aici.gen_tokens(options=["Yes", "No"])
aici.start(main())
这个yesno.py示例展示了AICI最基本的约束能力。通过gen_tokens方法的options参数，我们直接限制了AI的输出只能是"Yes"或"No"。
要实现更复杂的情感控制，我们需要引入情感词典。情感词典是包含具有明确情感倾向词汇的列表，如积极词汇（"优秀"、"出色"、"卓越"）、消极词汇（"糟糕"、"低劣"、"差劲"）和中性词汇。通过控制AI对这些词汇的使用，我们可以有效调整文本的情感色彩。
以下是一个简单的积极情感控制示例：
import pyaici.server as aici
async def main():
# 积极情感词汇表
positive_words = ["优秀", "出色", "卓越", "完美", "精彩", "令人惊叹", "顶级", "非凡"]
# 初始提示
prompt = "这款产品的特点是：\n"
await aici.FixedTokens(prompt)
# 生成5个产品特点，每个特点使用积极词汇开头
for i in range(5):
# 生成列表编号
await aici.FixedTokens(f"{i+1}. ")
# 强制使用积极词汇开头
await aici.gen_tokens(options=positive_words)
# 生成特点描述的其余部分
await aici.gen_text(stop_at="\n")
await aici.FixedTokens("\n")
aici.start(main())
在这个示例中，我们通过gen_tokens方法的options参数，强制AI在每个产品特点的开头使用我们指定的积极词汇，从而整体提升文本的积极情感色彩。
高级情感控制：动态调整与上下文感知
基础的情感词汇控制虽然有效，但在实际应用中，我们往往需要更精细、更动态的情感调整。AICI提供了丰富的API，让我们能够实现上下文感知的情感控制。
情感强度控制
不同场景需要不同强度的情感表达。例如，产品宣传可能需要强烈的积极情感，而产品评测则需要适度的积极情感。我们可以通过控制积极/消极词汇的比例来实现这一点：
import pyaici.server as aici
import random
async def main():
# 定义不同强度的积极词汇
weak_positive = ["良好", "不错", "可以", "还行", "满意"]
medium_positive = ["优秀", "出色", "很好", "很棒", "优质"]
strong_positive = ["卓越", "完美", "精彩", "令人惊叹", "顶级"]
# 根据需求选择情感强度（可通过参数动态调整）
sentiment_strength = "medium" # "weak", "medium", or "strong"
# 选择相应强度的词汇表
if sentiment_strength == "weak":
positive_words = weak_positive
elif sentiment_strength == "strong":
positive_words = strong_positive
else:
positive_words = medium_positive
# 生成产品评价
await aici.FixedTokens("产品评价：\n")
await aici.gen_tokens(options=positive_words)
await aici.FixedTokens("的产品，")
await aici.gen_text(stop_at=".")
await aici.FixedTokens("。")
aici.start(main())
上下文感知的情感调整
更高级的情感控制需要考虑上下文。例如，在描述产品优点时使用积极情感，在描述改进空间时使用中性情感，而不是一味地使用积极词汇。AICI的gen_text和FixedTokens方法的组合使用，可以实现这种精细的情感控制：
import pyaici.server as aici
async def main():
# 情感词汇表
positive_words = ["优秀", "出色", "卓越", "完美", "精彩"]
neutral_words = ["一般", "普通", "常规", "标准", "基础"]
# 产品描述模板
template = "产品特点：\n"
await aici.FixedTokens(template)
# 优点部分 - 使用积极情感
await aici.FixedTokens("1. 优点：")
await aici.gen_tokens(options=positive_words)
await aici.FixedTokens("的性能，")
await aici.gen_text(stop_at="\n")
await aici.FixedTokens("\n")
# 改进空间 - 使用中性情感
await aici.FixedTokens("2. 改进空间：")
await aici.gen_tokens(options=neutral_words)
await aici.FixedTokens("的设计，")
await aici.gen_text(stop_at="\n")
await aici.FixedTokens("\n")
aici.start(main())
情感控制实战：打造个性化产品评价
现在，让我们将前面学到的知识整合起来，实现一个完整的情感可控的产品评价生成器。这个生成器将允许我们：
- 设置整体情感倾向（积极、中性、消极）
- 控制情感强度（弱、中、强）
- 指定要强调的产品特性
- 设置评价的结构和长度
import pyaici.server as aici
async def main():
# 情感词汇表
sentiment_words = {
"positive": {
"weak": ["良好", "不错", "可以", "满意"],
"medium": ["优秀", "出色", "很好", "很棒"],
"strong": ["卓越", "完美", "精彩", "令人惊叹"]
},
"neutral": {
"weak": ["一般", "普通", "常规"],
"medium": ["适中", "标准", "平衡"],
"strong": ["客观", "中立", "不偏不倚"]
},
"negative": {
"weak": ["不足", "欠缺", "有待改进"],
"medium": ["糟糕", "低劣", "差劲"],
"strong": ["极差", "恶劣", "无法接受"]
}
}
# 设置评价参数
overall_sentiment = "positive" # 整体情感倾向
sentiment_strength = "medium" # 情感强度
features = ["性能", "设计", "价格", "用户体验"] # 产品特性
# 生成评价
await aici.FixedTokens("产品评价：\n")
# 整体评价
await aici.FixedTokens("总体评价：")
await aici.gen_tokens(options=sentiment_words[overall_sentiment][sentiment_strength])
await aici.FixedTokens("\n\n")
# 特性评价
await aici.FixedTokens("详细特性：\n")
for feature in features:
await aici.FixedTokens(f"- {feature}：")
# 可以为不同特性设置不同情感倾向
await aici.gen_tokens(options=sentiment_words[overall_sentiment][sentiment_strength])
await aici.gen_text(stop_at="\n")
await aici.FixedTokens("\n")
# 总结
await aici.FixedTokens("总结：这款产品 ")
await aici.gen_tokens(options=sentiment_words[overall_sentiment][sentiment_strength])
await aici.FixedTokens("，")
await aici.gen_text(stop_at="。")
await aici.FixedTokens("。")
aici.start(main())
运行这个控制器的命令与运行列表生成示例类似：
./aici.sh run product_review.py
通过调整overall_sentiment和sentiment_strength参数，我们可以轻松生成不同情感倾向和强度的产品评价。
情感控制的性能与优化
AICI的情感控制不仅功能强大，性能也十分出色。根据AICI的性能数据，常见的约束操作如正则表达式匹配只需约0.3ms，远低于LLM生成一个token所需的20-50ms时间窗口。这意味着情感控制逻辑几乎不会增加额外的生成时间。
为了进一步优化情感控制的效果，我们可以：
- 优化情感词典：使用更精准、更丰富的情感词汇，包括程度副词和情感短语。
- 结合语义分析：不仅控制单个词汇，还考虑词汇组合和上下文语义。
- 动态权重调整：根据生成内容的上下文，动态调整不同情感词汇的权重。
- 反馈循环：将生成结果的情感分析反馈给控制器，实现闭环优化。
AICI的性能文档中详细介绍了各种约束操作的性能指标，为我们优化情感控制提供了参考。
总结与展望
AICI为我们提供了一种全新的情感控制方式，通过约束解码技术，我们可以精确、高效地调整AI生成文本的情感倾向。从简单的选项控制到复杂的上下文感知情感调整，AICI都能胜任。
随着AICI的不断发展，未来我们可以期待更先进的情感控制技术，如基于情感计算模型的自动情感调整、多维度情感控制（不仅是积极/消极，还包括兴奋/平静、正式/随意等维度），以及情感迁移（将一段文本的情感风格迁移到另一段文本）。
如果你对AICI的情感控制功能感兴趣，不妨从PyCtrl和JsCtrl开始探索，尝试构建自己的情感控制器。AICI的综合指南提供了更深入的学习资源，帮助你掌握更多高级技巧。
立即开始使用AICI，让AI生成的文本真正符合你的情感需求！
【免费下载链接】aici 项目地址: https://gitcode.com/GitHub_Trending/ai/aici
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
