---

---

前言

????在人工智能的不斷演進中，大模型正成為技術(shù)革新的先鋒。這些模型以其龐大的規(guī)模和深刻的理解力，開啟了智能應(yīng)用的新篇章。本文將精煉地探討大模型的核心概念、發(fā)展歷程，以及它們在多個場景下的實際應(yīng)用。
????我們將重點介紹通義千問，這一前沿的語言模型，它在技術(shù)突破和實際應(yīng)用中展現(xiàn)了卓越的靈活性和廣泛性。從單輪到多輪對話，從實時交互到異步通信，通義千問的應(yīng)用場景廣泛而深遠。
????此外，文章還將討論大模型面對的挑戰(zhàn)，例如實時性問題和特定領(lǐng)域知識的處理，并探索Function call技術(shù)如何幫助提升其性能。這不僅是對大模型現(xiàn)有能力的評估，也是對其未來應(yīng)用潛力的展望。

---

一、大語言模型

1.大模型介紹

????大語言模型（Large Language Model，縮寫LLM），也稱大型語言模型，是一種人工智能模型，旨在理解和生成人類語言。

????通常，大語言模型（LLM）指包含數(shù)百億（或更多）參數(shù)的語言模型，這些模型在大量的文本數(shù)據(jù)上進行訓(xùn)練，例如國外的有GPT-3、GPT-4、PaLM、Galactica和LLaMA等，國內(nèi)的有ChatGLM、文心一言、通義千問、訊飛星火等。

2.大模型的發(fā)展歷程

萌芽期（1950-2005）：以 CNN 為代表的傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型階段

• 1956 年，從計算機專家約翰·麥卡錫提出“人工智能”概念開始，AI 發(fā)展由最開始基于小規(guī)模專家知識逐步發(fā)展為基于機器學(xué)習(xí)。
• 1980 年，卷積神經(jīng)網(wǎng)絡(luò)的雛形 CNN 誕生。
• 1998 年，現(xiàn)代卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu) LeNet-5 誕生，機器學(xué)習(xí)方法由早期基于淺層機器學(xué)習(xí)的模型，變?yōu)榱嘶谏疃葘W(xué)習(xí)的模型,為自然語言生成、計算機視覺等領(lǐng)域的深入研究奠定了基礎(chǔ)，對后續(xù)深度學(xué)習(xí)框架的迭代及大模型發(fā)展具有開創(chuàng)性的意義。
  
  

探索沉淀期（2006-2019）：以 Transformer 為代表的全新神經(jīng)網(wǎng)絡(luò)模型階段

• 2013 年，自然語言處理模型 Word2Vec 誕生，首次提出將單詞轉(zhuǎn)換為向量的“詞向量模型”，以便計算機更好地理解和處理文本數(shù)據(jù)。
• 2014 年，被譽為 21 世紀最強大算法模型之一的 GAN（對抗式生成網(wǎng)絡(luò)）誕生，標志著深度學(xué)習(xí)進入了生成模型研究的新階段。
• 2017 年，Google 顛覆性地提出了基于自注意力機制的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)——Transformer 架構(gòu)，奠定了大模型預(yù)訓(xùn)練算法架構(gòu)的基礎(chǔ)。
• 2018 年，OpenAI 和 Google 分別發(fā)布了 GPT-1 與 BERT 大模型，意味著預(yù)訓(xùn)練大模型成為自然語言處理領(lǐng)域的主流。在探索期，以 Transformer 為代表的全新神經(jīng)網(wǎng)絡(luò)架構(gòu)，奠定了大模型的算法架構(gòu)基礎(chǔ)，使大模型技術(shù)的性能得到了顯著提升。
  
  

迅猛發(fā)展期（2020-至今）：以 GPT 為代表的預(yù)訓(xùn)練大模型階段

• 2020 年，OpenAI 公司推出了GPT-3，模型參數(shù)規(guī)模達到了 1750 億，成為當(dāng)時最大的語言模型，并且在零樣本學(xué)習(xí)任務(wù)上實現(xiàn)了巨大性能提升。隨后，更多策略如基于人類反饋的強化學(xué)習(xí)（RHLF）、代碼預(yù)訓(xùn)練、指令微調(diào)等開始出現(xiàn), 被用于進一步提高推理能力和任務(wù)泛化。
• 2022 年 11 月，搭載了GPT3.5的 ChatGPT橫空出世，憑借逼真的自然語言交互與多場景內(nèi)容生成能力，迅速引爆互聯(lián)網(wǎng)。
• 2023 年 3 月，最新發(fā)布的超大規(guī)模多模態(tài)預(yù)訓(xùn)練大模型——GPT-4，具備了多模態(tài)理解與多類型內(nèi)容生成能力。在迅猛發(fā)展期，大數(shù)據(jù)、大算力和大算法完美結(jié)合，大幅提升了大模型的預(yù)訓(xùn)練和生成能力以及多模態(tài)多場景應(yīng)用能力。如 ChatGPT 的巨大成功,就是在微軟Azure強大的算力以及 wiki 等海量數(shù)據(jù)支持下，在 Transformer 架構(gòu)基礎(chǔ)上，堅持 GPT 模型及人類反饋的強化學(xué)習(xí)（RLHF）進行精調(diào)的策略下取得的。
  
  

3.大模型的分類

a.按內(nèi)容分類

• 語言大模型（NLP）：是指在自然語言處理（Natural Language Processing，NLP）領(lǐng)域中的一類大模型，通常用于處理文本數(shù)據(jù)和理解自然語言。 這類大模型的主要特點是它們在大規(guī)模語料庫上進行了訓(xùn)練，以學(xué)習(xí)自然語言的各種語法、語義和語境規(guī)則。例如：GPT 系列（OpenAI）、Bard（Google）、文心一言（百度）。
• 視覺大模型（CV）：是指在計算機視覺（Computer Vision，CV）領(lǐng)域中使用的大模型，通常用于圖像處理和分析。 這類模型通過在大規(guī)模圖像數(shù)據(jù)上進行訓(xùn)練，可以實現(xiàn)各種視覺任務(wù)，如圖像分類、目標檢測、圖像分割、姿態(tài)估計、人臉識別等。例如：VIT 系列（Google）、文心UFO、華為盤古 CV、INTERN（商湯）。
• 多模態(tài)大模型：是指能夠處理多種不同類型數(shù)據(jù)的大模型，例如文本、圖像、音頻等多模態(tài)數(shù)據(jù)。 這類模型結(jié)合了 NLP 和 CV 的能力，以實現(xiàn)對多模態(tài)信息的綜合理解和分析，從而能夠更全面地理解和處理復(fù)雜的數(shù)據(jù)。例如：DingoDB 多模向量數(shù)據(jù)庫（九章云極 DataCanvas）、DALL-E(OpenAI)、悟空畫畫（華為）、midjourney。

b.按應(yīng)用分類

• 通用大模型 L0：是指可以在多個領(lǐng)域和任務(wù)上通用的大模型。 它們利用大算力、使用海量的開放數(shù)據(jù)與具有巨量參數(shù)的深度學(xué)習(xí)算法，在大規(guī)模無標注數(shù)據(jù)上進行訓(xùn)練，以尋找特征并發(fā)現(xiàn)規(guī)律，進而形成可“舉一反三”的強大泛化能力，可在不進行微調(diào)或少量微調(diào)的情況下完成多場景任務(wù)，相當(dāng)于 AI 完成了“通識教育”。
• 行業(yè)大模型 L1：是指那些針對特定行業(yè)或領(lǐng)域的大模型。 它們通常使用行業(yè)相關(guān)的數(shù)據(jù)進行預(yù)訓(xùn)練或微調(diào)，以提高在該領(lǐng)域的性能和準確度，相當(dāng)于 AI 成為“行業(yè)專家”。
• 垂直大模型 L2：是指那些針對特定任務(wù)或場景的大模型。 它們通常使用任務(wù)相關(guān)的數(shù)據(jù)進行預(yù)訓(xùn)練或微調(diào)，以提高在該任務(wù)上的性能和效果。

---

二、通義千問

1.通義千問模型介紹

a.通義千問模型介紹

????通義千問是由阿里云自主研發(fā)的大語言模型，用于理解和分析用戶輸入的自然語言，在不同領(lǐng)域和任務(wù)為用戶提供服務(wù)和幫助。您可以通過提供盡可能清晰詳細的指令，來獲取符合您預(yù)期的結(jié)果。

b.應(yīng)用場景

通義千問憑借其強大的語言處理能力，為用戶帶來高效、智能的語言服務(wù)體驗，其能力包括但不限于文字創(chuàng)作、翻譯服務(wù)和對話模擬等，具體應(yīng)用場景如下：

• 文字創(chuàng)作：撰寫故事、公文、郵件、劇本和詩歌等。
• 文本處理：潤色文本和提取文本摘要等。
• 編程輔助：編寫和優(yōu)化代碼等。
• 翻譯服務(wù)：提供各類語言的翻譯服務(wù)，如英語、日語、法語或西班牙語等。
• 對話模擬：扮演不同角色進行交互式對話。
• 數(shù)據(jù)可視化：圖表制作和數(shù)據(jù)呈現(xiàn)等。

c.模型概覽

模型名稱	模型簡介	模型輸入/輸出限制
qwen-turbo	通義千問超大規(guī)模語言模型，支持中文、英文等不同語言輸入。	模型支持8k tokens上下文，為了保證正常的使用和輸出，API限定用戶輸入為6k tokens。
qwen-plus	通義千問超大規(guī)模語言模型增強版，支持中文、英文等不同語言輸入。	模型支持32k tokens上下文，為了保證正常的使用和輸出，API限定用戶輸入為30k tokens。
qwen-max	通義千問千億級別超大規(guī)模語言模型，支持中文、英文等不同語言輸入。隨著模型的升級，qwen-max將滾動更新升級。如果希望使用固定版本，請使用歷史快照版本。當(dāng)前qwen-max模型與qwen-max-0428快照版本等價，均為最新版本的qwen-max模型，也是當(dāng)前通義千問2.5產(chǎn)品版本背后的API模型。	模型支持8k tokens上下文，為了保證正常的使用和輸出，API限定用戶輸入為6k tokens。
qwen-max-0428	通義千問千億級別超大規(guī)模語言模型，支持中文、英文等不同語言輸入。該模型與當(dāng)前的qwen-max版本對齊，為qwen-max的2024年4月28號的歷史快照，預(yù)期維護到下個快照版本發(fā)布時間（待定）后一個月。
qwen-max-0403	通義千問千億級別超大規(guī)模語言模型，支持中文、英文等不同語言輸入。該模型為qwen-max的2024年4月3號的歷史快照穩(wěn)定版本，預(yù)期維護到下個快照版本發(fā)布時間（待定）后一個月。
qwen-max-0107	通義千問千億級別超大規(guī)模語言模型，支持中文、英文等不同語言輸入。該模型為qwen-max的2024年1月7號的歷史快照穩(wěn)定版本，僅推薦特定需求客戶訪問。
qwen-max-longcontext	通義千問千億級別超大規(guī)模語言模型，支持中文、英文等不同語言輸入。	模型支持30k tokens上下文，為了保證正常的使用和輸出，API限定用戶輸入為28k tokens。

2.對話

a.對話的兩種方式

可以通過兩種方式來調(diào)用模型：通過messages調(diào)用或通過prompt調(diào)用。如果有多輪對話的需求，更推薦通過messages調(diào)用

通義千問API的使用

步驟流程：

1.去阿里云 DashScope 模型服務(wù)靈積 創(chuàng)建API-KEY
https://dashscope.console.aliyun.com/apiKey

2.在 DashScope 模型服務(wù)靈積/模型廣場 選擇通義千問模型 - 快速開始
https://dashscope.console.aliyun.com/model

3.進入后，有通義千問API詳細且完整的使用文檔
PS：測試API前記得安裝DashScope SDK，通過環(huán)境變量配置API-KEY

b.單輪對話

????單輪對話是指用戶提出一個問題或請求，系統(tǒng)立即給出回答或響應(yīng)，不涉及后續(xù)的多輪追問或討論。 這種形式常見于搜索引擎查詢、聊天機器人等場景。它的優(yōu)勢在于高效和便捷，能夠快速提供信息或答案。然而，單輪對話可能無法完全理解復(fù)雜的用戶需求或提供深入的解答。因此，在實際應(yīng)用中，單輪對話常與其他交互方式結(jié)合使用，以提高服務(wù)的全面性和準確性。

Vue頁面代碼：

<template><div><el-form :inline="true" :model="formInline" class="demo-form-inline"><el-form-item label="問題"><el-input v-model="formInline.askmes" placeholder="請輸入問題"></el-input></el-form-item><el-form-item><el-button type="primary" @click="onSubmit">查詢</el-button></el-form-item>
</el-form><div>{{mes}}</div></div>
</template><script>
export default {data() {return {formInline: {askmes:'',},mes:''}},methods: {onSubmit() {console.log('submit!');this.$axios.post('tongyi/',{"question":this.formInline.askmes}).then(res=>{this.mes = res.data.mes})}}}
</script><style></style>

Django接口代碼

import random
from http import HTTPStatus
from dashscope import Generation  # 建議dashscope SDK 的版本 >= 1.14.0class TongyiView(APIView):def post(self,request):question = request.data.get('question')messages = [{'role': 'system', 'content': 'You are a helpful assistant.'},{'role': 'user', 'content': question}]response = Generation.call(model="qwen-turbo",messages=messages,# 設(shè)置隨機數(shù)種子seed，如果沒有設(shè)置，則隨機數(shù)種子默認為1234seed=random.randint(1, 10000),# 將輸出設(shè)置為"message"格式result_format='message')if response.status_code == HTTPStatus.OK:print(response)print(response['output']['choices'][0]['message']['content'])resmes= response['output']['choices'][0]['message']['content']# response = json.loads(response.message)# resmes = response['output']['choices']['message']['content']else:print('Request id: %s, Status code: %s, error code: %s, error message: %s' % (response.request_id, response.status_code,response.code, response.message))resmes = response.messagereturn Response({"code":200,'mes':resmes})

c.多輪對話

比于單輪對話，多輪對話可以參考歷史聊天信息，更符合日常交流的場景。但由于調(diào)用時會引入歷史聊天信息，使用的token量會增多。

實現(xiàn)流程分析：

• 1.設(shè)計問題，定義角色role為user
• 2.獲取響應(yīng)解析，判斷
• 3.如果成功將assistant的回復(fù)添加到messages列表中
• 4.如果響應(yīng)失敗，將最后一條user message從messages列表里刪除，確保user/assistant消息交替出現(xiàn)
• 5.將新一輪的user問題添加到messages列表中
• 6.進行第二輪模型的響應(yīng)

from http import HTTPStatus
from dashscope import Generationdef multi_round():messages = [{'role': 'system', 'content': 'You are a helpful assistant.'},{'role': 'user', 'content': '如何做西紅柿燉牛腩？'}]response = Generation.call(model="qwen-turbo",messages=messages,# 將輸出設(shè)置為"message"格式result_format='message')if response.status_code == HTTPStatus.OK:print(response)# 將assistant的回復(fù)添加到messages列表中messages.append({'role': response.output.choices[0]['message']['role'],'content': response.output.choices[0]['message']['content']})else:print('Request id: %s, Status code: %s, error code: %s, error message: %s' % (response.request_id, response.status_code,response.code, response.message))# 如果響應(yīng)失敗，將最后一條user message從messages列表里刪除，確保user/assistant消息交替出現(xiàn)messages = messages[:-1]# 將新一輪的user問題添加到messages列表中messages.append({'role': 'user', 'content': '不放糖可以嗎？'})# 進行第二輪模型的響應(yīng)response = Generation.call(model="qwen-turbo",messages=messages,result_format='message',  # 將輸出設(shè)置為"message"格式)if response.status_code == HTTPStatus.OK:print(response)else:print('Request id: %s, Status code: %s, error code: %s, error message: %s' % (response.request_id, response.status_code,response.code, response.message))if __name__ == '__main__':multi_round()

---

3.實時交互功能

實現(xiàn)流程分析

• 1.導(dǎo)入 Generation類
• 2.封裝對話應(yīng)用的模型和消息
• 3.定義消息messages
• 4.定義對話的輪數(shù)
• 5.輸入問題，創(chuàng)建角色為role
• 6.獲取結(jié)果響應(yīng)，把結(jié)果添加到messages中

from dashscope import Generationdef get_response(messages):response = Generation.call(model="qwen-turbo",messages=messages,# 將輸出設(shè)置為"message"格式result_format='message')return responsemessages = [{'role': 'system', 'content': 'You are a helpful assistant.'}]# 您可以自定義設(shè)置對話輪數(shù)，當(dāng)前為3
for i in range(3):user_input = input("請輸入：")messages.append({'role': 'user', 'content': user_input})assistant_output = get_response(messages).output.choices[0]['message']['content']messages.append({'role': 'assistant', 'content': assistant_output})print(f'用戶輸入：{user_input}')print(f'模型輸出：{assistant_output}')print('\n')

4.流式響應(yīng)

????大模型并不是一次性生成最終結(jié)果，而是逐步地生成中間結(jié)果，最終結(jié)果由中間結(jié)果拼接而成。非流式輸出方式等待模型生成結(jié)束后再將生成的中間結(jié)果拼接后返回，而流式輸出可以實時地將中間結(jié)果返回，您可以在模型進行輸出的同時進行閱讀，減少等待模型回復(fù)的時間。使用流式輸出需要您進行一些配置，DashScope Python SDK中需要設(shè)置stream為True，DashScope Java SDK中需要使用streamCall接口調(diào)用。

流式輸出的流程和正常的一樣，在響應(yīng)中指定 stream=True, # 設(shè)置輸出方式為流式輸出

from http import HTTPStatus
from dashscope import Generationdef call_with_stream():messages = [{'role': 'user', 'content': '如何做西紅柿燉牛腩？'}]responses = Generation.call(model="qwen-turbo",messages=messages,result_format='message',  # 設(shè)置輸出為'message'格式stream=True,  # 設(shè)置輸出方式為流式輸出incremental_output=True  # 增量式流式輸出)for response in responses:if response.status_code == HTTPStatus.OK:print(response.output.choices[0]['message']['content'], end='')else:print('Request id: %s, Status code: %s, error code: %s, error message: %s' % (response.request_id, response.status_code,response.code, response.message))if __name__ == '__main__':call_with_stream()

5.異步Asyncio接口

如果使用Dashscope Python SDK，可以使用asyncio調(diào)用實現(xiàn)并發(fā)，提高程序的效率。（Dashscope Python SDK版本需要不低于 1.19.0）

import asyncio
from http import HTTPStatus
import platformfrom dashscope import Generation
from dashscope.aigc.generation import AioGenerationasync def async_dashscope_sample():response = await AioGeneration.call("qwen-turbo",prompt='今天天氣好嗎？')if response.status_code == HTTPStatus.OK:print('Result is: %s' % response.output)else:print('Failed request_id: %s, status_code: %s, code: %s, message:%s' %(response.request_id, response.status_code, response.code,response.message))async def async_dashscope_stream_sample():responses = await AioGeneration.call(model="qwen-turbo",prompt='今天天氣好嗎？',stream=True)# responses是async迭代器，需要用async for循環(huán)來遍歷async for response in responses:print(response)async def main():response = await async_dashscope_sample()print(response)await async_dashscope_stream_sample()
if __name__ == '__main__':# 如果當(dāng)前操作系統(tǒng)為Windows，則使用WindowsSelectorEventLoopPolicy作為事件循環(huán)策略if platform.system() == 'Windows':asyncio.set_event_loop_policy(asyncio.WindowsSelectorEventLoopPolicy())loop = asyncio.new_event_loop()asyncio.set_event_loop(loop)asyncio.run(main(), debug=False)

6.Function call

????大模型在面對實時性問題、私域知識型問題或數(shù)學(xué)計算等問題時可能效果不佳。您可以使用function call功能，通過調(diào)用外部工具來提升模型的輸出效果。您可以在調(diào)用大模型時，通過tools參數(shù)傳入工具的名稱、描述、入?yún)⒌刃畔?。大模型在收到提示詞以及工具信息后，會判斷是否需要使用工具：

• 如果不需要使用工具，大模型不會返回tool_calls參數(shù)，您的程序可以直接返回大模型的回答。
• 如果需要使用工具，大模型會返回一個包含tool_calls字段的信息，您的程序可以根據(jù)此信息判斷需要調(diào)用工具。您的程序需要解析tool_calls信息中包含的工具函數(shù)名和入?yún)?#xff0c;并將入?yún)⑤斎氲焦ぞ吆瘮?shù)來得到工具調(diào)用的結(jié)果。

格式配置

{"name": "$工具名","role": "tool","content": "$工具輸出"
}

流程分析：

• 1.定義工具列表，模型在選擇使用哪個工具時會參考工具的name和description
• 2.工具1 獲取當(dāng)前時刻的時間
• 3.工具2 獲取指定城市的天氣
• 4.查詢天氣時需要提供位置，因此參數(shù)設(shè)置為location
• 5.模擬天氣查詢工具。返回結(jié)果示例：“北京今天是晴天。”
• 6.查詢當(dāng)前時間的工具。返回結(jié)果示例：“當(dāng)前時間：2024-04-15 17:15:18?！?/li>
• 7.封裝模型響應(yīng)函數(shù)

from dashscope import Generation
from datetime import datetime
import random
import json# 定義工具列表，模型在選擇使用哪個工具時會參考工具的name和description
tools = [# 工具1 獲取當(dāng)前時刻的時間{"type": "function","function": {"name": "get_current_time","description": "當(dāng)你想知道現(xiàn)在的時間時非常有用。","parameters": {}  # 因為獲取當(dāng)前時間無需輸入?yún)?shù)，因此parameters為空字典}},  # 工具2 獲取指定城市的天氣{"type": "function","function": {"name": "get_current_weather","description": "當(dāng)你想查詢指定城市的天氣時非常有用。","parameters": {  # 查詢天氣時需要提供位置，因此參數(shù)設(shè)置為location"type": "object","properties": {"location": {"type": "string","description": "城市或縣區(qū)，比如北京市、杭州市、余杭區(qū)等。"}}},"required": ["location"]}}
]# 模擬天氣查詢工具。返回結(jié)果示例：“北京今天是晴天?！?/span>
def get_current_weather(location):return f"{location}今天是晴天。 "# 查詢當(dāng)前時間的工具。返回結(jié)果示例：“當(dāng)前時間：2024-04-15 17:15:18?！?/span>
def get_current_time():# 獲取當(dāng)前日期和時間current_datetime = datetime.now()# 格式化當(dāng)前日期和時間formatted_time = current_datetime.strftime('%Y-%m-%d %H:%M:%S')# 返回格式化后的當(dāng)前時間return f"當(dāng)前時間：{formatted_time}。"# 封裝模型響應(yīng)函數(shù)
def get_response(messages):response = Generation.call(model='qwen-max',messages=messages,tools=tools,seed=random.randint(1, 10000),  # 設(shè)置隨機數(shù)種子seed，如果沒有設(shè)置，則隨機數(shù)種子默認為1234result_format='message'  # 將輸出設(shè)置為message形式)return responsedef call_with_messages():print('\n')messages = [{"content": input('請輸入：'),  # 提問示例："現(xiàn)在幾點了？" "一個小時后幾點" "北京天氣如何？""role": "user"}]# 模型的第一輪調(diào)用first_response = get_response(messages)assistant_output = first_response.output.choices[0].messageprint(f"\n大模型第一輪輸出信息：{first_response}\n")messages.append(assistant_output)if 'tool_calls' not in assistant_output:  # 如果模型判斷無需調(diào)用工具，則將assistant的回復(fù)直接打印出來，無需進行模型的第二輪調(diào)用print(f"最終答案：{assistant_output.content}")return# 如果模型選擇的工具是get_current_weatherelif assistant_output.tool_calls[0]['function']['name'] == 'get_current_weather':tool_info = {"name": "get_current_weather", "role":"tool"}location = json.loads(assistant_output.tool_calls[0]['function']['arguments'])['properties']['location']tool_info['content'] = get_current_weather(location)# 如果模型選擇的工具是get_current_timeelif assistant_output.tool_calls[0]['function']['name'] == 'get_current_time':tool_info = {"name": "get_current_time", "role":"tool"}tool_info['content'] = get_current_time()print(f"工具輸出信息：{tool_info['content']}\n")messages.append(tool_info)# 模型的第二輪調(diào)用，對工具的輸出進行總結(jié)second_response = get_response(messages)print(f"大模型第二輪輸出信息：{second_response}\n")print(f"最終答案：{second_response.output.choices[0].message['content']}")if __name__ == '__main__':call_with_messages()

上面示例代碼中天氣工具返回結(jié)果是固定的，可以使用高德地圖提供的接口進行完善天氣工具的代碼完善。很簡單~ 感興趣的友友們可以自己完善一下~

• 高德天氣查詢接口文檔如下：https://lbs.amap.com/api/webservice/guide/api/weatherinfo

---