腾讯云TDSQL-C MySQL Serverless和HAI应用助力电商企业AI海报文案和“数据飞轮”分析方案最佳实践落地

原创

用户10585271

修改于 2024-10-18 21:28:05

1620

修改于 2024-10-18 21:28:05

前言：

近年来，随着深度学习、大数据、人工智能、AI等技术领域的不断发展，机器学习是目前最火热的人工智能分支之一，是使用大量数据训练计算机程序，以实现智能决策、语音识别、图像处理等任务，各种AI技术与产品层出不穷，怎么样结合自身公司业务打造一个AI智能平台呢？

1. AI海报与分享文案生成：

通过TDSQL-C MySQL Serverless存储活动相关提示词，再生成活动任务，通过腾讯云HAI Llama3.1 8B项目的ChatOllama大模型来进行提示词文案解析再生成相关内容，可以通过AI生成海报与分享文案提高文案编辑人员的效率，降低人力成本。

2. AI数据飞轮驱动数据分析：

结合腾讯云HAI提供的各种开箱即用的AI 大模型，降低数据使用门槛，业务人员通过自然语言AI对话即可完成围绕业务指标的分析和洞察，对话内容可保存成文档用于工作汇报，或创建仪表盘进行持续的数据变化跟踪，大幅提升工作效率。

3. AI智能客服查询系统：

结合腾讯云HAI提供的各种开箱即用的AI Llama大模型，通过结合自然语言处理等先进技术，实现与客户之间的自然语言交互，从而提供高效、便捷的客户服务。可以快速响应客户请求，有效解决客户问题，提升服务效率，同时，帮助企业实现自动化办公，降低运营成本。

4. 腾讯云TDSQL-C MySQL Serverless饮水式弹性付费使用：

在业务波动较大的场景下，普通数据库实例和TDSQL-C MySQL Serverless数据库实例资源使用和规格变化情况，可以看出普通实例在波谷期浪费的资源较多，在高峰期资源不足会导致客户业务受损，而TDSQL-C MySQL Serverless数据库实例凭借其极致的弹性，完美的支持了客户不同时段的业务负载，并且在最大程度上避免了资源的浪费，节省了大量的成本。

一、使用腾讯云HAI + TDSQL-C MySQL Serverless实现AI海报文案智能生成：

互联网产品的核心就是流量生意，由于运营活动部门，主要负责公司的活动策划与方案落地，高效的拉来流量并进行转化，经常需要使用小程序中的海报功能用于业务推广，而且活动的类型也比较繁杂，比如清理库存、新品上市、阶梯式折扣、促销活动、秒杀活动等等。

但是，想要写好海报文案和分享文案需要很多技巧，以确保信息清晰、吸引人，并能有效传达意图。同时，也需要花费大量的时间来思考，通常运营人员需要大量百度一些文案来参考，非常的耗费时间、人力、资源。

【实验手册思维发散】：

既然实验手册能通过自然语言AI生成需要分析的SQL语句，那么是不是可以通过一些提示词来给AI来生成所需要的海报、分享的文案呢？顺着这个思路，马上把实验手册Demo的示例改改来实现一下，思路是如下：

①. 定义好提示词，即生成文案的主题、使用场景、受众等信息。
②. 通过ChatOllama模型来AI生成相关需要的海报、分享的文案。

由于也是刚刚接触AI相关的技术领域，对于代码不是很熟悉，刚好腾讯云出品了一款“AI代码助手”，让他来帮助我们一起来帮我学、帮我做、帮我写，有效的加快我们学习的步伐，通过简单的嵌套VsCode IDE中使用，非常方便。

1. 什么是ChatOllama?

Ollama是一个开源的大模型管理工具，提供了丰富的功能，包括模型的训练、部署、监控等。通过Ollama，你可以轻松地管理本地的大模型，提高模型的部署效率。

ChatOllama是一个开源的大模型聊天机器人框架，它允许开发者基于自己的数据集训练出定制化的对话模型，基于大规模对话数据集进行训练，采用高效的算法和硬件加速技术，确保模型训练和推理的速度。以下是ChatOllama的详细描述：

2. 关键代码解释：

在查看手册提示的示例代码时，发现主要逻辑还是在ChatPromptTemplate.from_template和text_2_sql_chain2、text_2_sql_chain.invoke这三块代码逻辑上，这里应该就是AI生成代码的主要逻辑，因为也不太清楚啥意思，放到腾讯云AI代码助手上进行解释：

经过对代码的研究和不断的优化相关提示词的实践过程，最终，改造为以下的代码逻辑后，即可通过ChatOllama模型生成了一些符合要求的文案（是一个持续迭代优化提示词的过程）：

from langchain_community.utilities import SQLDatabase
from langchain_core.prompts import ChatPromptTemplate
from langchain_community.chat_models import ChatOllama
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough
import yaml
import mysql.connector
from decimal import Decimal
import plotly.graph_objects as go
import plotly
import pkg_resources
import matplotlib

#获取llm用于提供AI交互
ollama = ChatOllama(model='llama3.1:8b',base_url='http://150.109.254.40:6399/')

# 获得schema
def get_schema(db):
    
    schema = mysql_db.get_table_info()
    return schema
def getResult(content):
    global mysql_db
    # 数据库连接
    mysql_db = SQLDatabase.from_uri(f"mysql+mysqlconnector://{'用户名'}:{密码}@{'IP地址'}:{端口号}/{'数据库名称'}")
    # 获得 数据库中表的信息
    #mysql_db_schema = mysql_db.get_table_info()
    #print(mysql_db_schema)
    template = """
    帮我生成海报相关的文案,需要返回4条数据
    Question: {question}
    """
    prompt = ChatPromptTemplate.from_template(template)
    text_2_sql_chain = (
                RunnablePassthrough.assign(schema=get_schema)
                | prompt
                | ollama
                | StrOutputParser()
        )
    
    # 执行langchain 获取操作的sql语句
    sql = text_2_sql_chain.invoke({"question": content})

    print(sql)

getResult("创意主题是上海城市需要进行爱肯拿狗粮的中秋活动，需要生成海报文案，文案需要包括上海的一些地标名称，文案需要包含表情")

最终在修改手册提供的代码后，通过传入不同的主题提示词来生成不同的文案，上面只是一个简单的Demo演示，在生产环境中还是需要不断的优化“tempate” – 即AI中需要用到的Prompt（提示词）。

Prompt在自然语言处理中的应用非常广泛，从简单的问答系统到更复杂的机器翻译和文本生成，甚至包括在法律、金融和医疗领域中的应用。Prompt的设计不仅仅是简单地将问题转换为指令，而且要考虑到上下文、语法和语言风格等多个方面。

【文案生成方案落地】：

①. 活动文案管理模块：将不同活动的提示词存到TDSQL-C MySQL Serverless数据库中。
②. 活动文案详情模块：在不同的活动创建文案记录时，根据提示词调用HAI提供ChatOllama在线API服务来AI生成相关需要的海报、分享的文案，并且处理返回的文本数据结构化。
③. 活动文案审核模块：生成的AI文案，也可以进行修改，在不同的环节也可以进行拒绝和修改，或者AI重新批量生成一批、生成单个。

3. 活动文案管理模块：

不同的活动生成的提示词肯定是不通用的，如果要实现系统化的功能，肯定是需要将不同活动的提示词存到在数据库TDSQL-C MySQL Serverless中，这样的话当进行不同活动调用公共服务HAI ChatOllama模型的时候，可以传入不同的参数，再生成不同的结果文案。

先在TDSQL-C MySQL Serverless中，创建一张活动的主表，id表示活主表的主键ID，activityName表示活动的名称，activityPrompt表示活动的提示词，status表示状态。

CREATE TABLE `activitys` (
  `id` int(11) NOT NULL AUTO_INCREMENT,
  `activityName` varchar(255) COLLATE utf8mb4_unicode_ci DEFAULT NULL,
  `activityPrompt` varchar(255) COLLATE utf8mb4_unicode_ci DEFAULT NULL,
  `status` char(1) COLLATE utf8mb4_unicode_ci DEFAULT 1,
  PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=1 DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci;

创建数据表完成后，即可使用Go的Gin框架代码添加相关Form表单字段写入数据库中，因为ID是自增主键、状态设置了默认值，只需要定义2个字段(activityName、activityPrompt)的Activitys结构体即可，以下是活动主表CURD四种操作的代码：

type Activitys struct {
	ID          int    `json:"id"`
	ActivityName string `json:" activity_name"`
	ActivityPrompt string `json:" activity_prompt "`
}

func createActivity(c *gin.Context) {
	var activity Activity
	if err := c.ShouldBindJSON(&activity); err!= nil {
		c.JSON(http.StatusBadRequest, gin.H{"error": err.Error()})
		return
	}
	activities = append(activities, activity)
	c.JSON(http.StatusCreated, activity)
}

func getActivity(c *gin.Context) {
	id := c.Param("id")
	for _, activity := range activities {
		if activity.ID == id {
			c.JSON(http.StatusOK, activity)
			return
		}
	}
	c.JSON(http.StatusNotFound, gin.H{"error": "Activity not found"})
}

func updateActivity(c *gin.Context) {
	id := c.Param("id")
	var activity Activity
	if err := c.ShouldBindJSON(&activity); err!= nil {
		c.JSON(http.StatusBadRequest, gin.H{"error": err.Error()})
		return
	}
	for i, a := range activities {
		if a.ID == id {
			activity.ID = id
			activities[i] = activity
			c.JSON(http.StatusOK, activity)
			return
		}
	}
	c.JSON(http.StatusNotFound, gin.H{"error": "Activity not found"})
}

func deleteActivity(c *gin.Context) {
	id := c.Param("id")
	for i, activity := range activities {
		if activity.ID == id {
			activities = append(activities[:i], activities[i+1:]...)
			c.JSON(http.StatusOK, gin.H{"message": "Activity deleted"})
			return
		}
	}
	c.JSON(http.StatusNotFound, gin.H{"error": "Activity not found"})
}

前端使用的是Vue3的技术栈写的Form表单与Table列表的代码，使用的是element-ui，以下是前端Vue3的相关代码：

<el-table
        :data="state.tableList"
        border
        style="width: 100%"
        :header-cell-style="{ background: 'linear-gradient(rgb(244, 247, 254) 0%, rgb(228, 237, 255) 100%)', color: '#333333' }"
        header-align="center"
      >
        <el-table-column type="index" label="序号" width="60" header-align="center" align="center"/>
        <el-table-column prop="activityName" label="活动任务名称" width="250" header-align="center" align="center"/>
        <el-table-column prop="activityPrompt" label="活动任务提示词" header-align="center" align="center" />
        <el-table-column prop="status" label="状态" width="160" header-align="center" align="center">
          <template #default="scope">
            <div>{{ state. activityStatus[scope.row.status] || '' }}</div>
          </template>
        </el-table-column>
        <el-table-column label="操作" fixed="right" align="center" width="120">
          <template #default="scope">
            <div style="display: flex;align-items: center;justify-content: center;">
              <div style="color: #409eff;font-size: 14px;font-weight: 500;padding: 0 10px;cursor: pointer;" @click="show(scope.row)">详情</div>
              <div style="color: #409eff;font-size: 14px;font-weight: 500;padding: 0 10px;cursor: pointer;" @click="editor(scope.row)">编辑</div>
            </div>
          </template>
        </el-table-column>
      </el-table>

4. HAI提供ChatOllama在线API服务

高性能应用服务（Hyper Application Inventor，HAI）是一款面向 AI 、科学计算的 GPU 应用服务产品，提供即插即用的澎湃算力与常见环境，助力中小企业及开发者快速部署 LLM。

在(https://cloud.tencent.com/product/hai)高性能应用服务HAI链接可以点击“立即使用”，可以在“算力管理”中进行“新建”，这里支持多种 AI 环境快速部署，如 ChatGLM-6B、StableDiffusion等，使用户可专注业务及应用场景创新。

高性能应用服务 HAI 拥有丰富的预装应用，可以将开源社区的前沿模型快速转化为您专有的部署实践，一键拉起，即开即用。现已支持在HAI购买页的社区应用中，找到Llama 3.1等应用的入口，简单选型后，即可一键启动推理服务。

Llama3.1 8B项目介绍：

该项目利用langchain思想，实现了基于本地知识库的问答应用，支持市面上主流的开源 LLM、 Embedding 模型与向量数据库，可实现全部使用开源模型离线私有部署。与此同时，该项目也支持 OpenAI GPT API 的调用。

开通服务很简单，只需要简简单单的下一步即可，需要注意一下地域的选择，最后选择离你最近的城市，这里最好优化一下，地域默认在“首尔”了，最好是自动选择到离我最近的城市。

通过访问(IP地址+端口号6399)后，如果提示“Ollama is running”的提示，即可表示完成llama 大模型服务准备完毕。

5. 活动任务task生成：

上面已经部署了llama大模型，现在根据活动主表，生成不同的任务，这些任务是有任务流程的，比如说文案环节就是编辑文案和确认文案，到了设计就是根据文案的内容，进行海报的设计，确认海报的内容，最终是项目人员确定发布。

from langchain_community.utilities import SQLDatabase
from langchain_core.prompts import ChatPromptTemplate
from langchain_community.chat_models import ChatOllama
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough
import yaml
import mysql.connector
from decimal import Decimal
import plotly.graph_objects as go
import plotly
import pkg_resources
import matplotlib

#获取llm用于提供AI交互
ollama = ChatOllama(model='llama3.1:8b',base_url='http://150.109.254.40:6399/')

# 获得schema
def get_schema(db):
    
    schema = mysql_db.get_table_info()
    return schema
def getResult(content):
    global mysql_db
    # 数据库连接
    mysql_db = SQLDatabase.from_uri(f"mysql+mysqlconnector://{'用户名'}:{密码}@{'IP地址'}:{端口号}/{'数据库名称'}")
    # 获得 数据库中表的信息
    #mysql_db_schema = mysql_db.get_table_info()
    #print(mysql_db_schema)
    template = """
    帮我生成海报相关的文案,需要返回4条数据
    Question: {question}
    """
    prompt = ChatPromptTemplate.from_template(template)
    text_2_sql_chain = (
                RunnablePassthrough.assign(schema=get_schema)
                | prompt
                | ollama
                | StrOutputParser()
        )
    
    # 执行langchain 获取操作的sql语句
    sql = text_2_sql_chain.invoke({"question": content})

return sql

func getActivity(c *gin.Context) {
	id := c.Param("id")
	for _, activity := range activities {
		if activity.ID == id {
			get_schema(activity.activityPrompt)
			return
		}
	}
	c.JSON(http.StatusNotFound, gin.H{"error": "Activity not found"})
}

通过对HAI的Llama3.1 8B项目和TDSQL-C MySQL Serverless结合起来，可以使用AI的文本处理的能力来完成一个AI海报文案、分享文案的实践。

二、使用腾讯云HAI + TDSQL-C MySQL Serverless实现AI数据飞轮：

试想一下，在0到1的创业公司，在没有技术团队的情况下，如何进行数据报表相关的分析呢，公司也是在早期10人团队中，使用Excel报表时代，陆陆续续成立技术团队，再到后面使用BI大数据系统开发，其中，发现大多数业务需求都是业务在驱动，即业务需要什么纬度的数据展示，就开发哪种数据纬度。甚至，有许多功能都是为了开发而开发。

在最近研究的“数据飞轮”能够帮助企业激活数据的潜在价值，可以将“沉睡”的数据转化为实实在在的业务价值，通过全面关注数据生命周期的各个阶段：源数据收集、二次数据清选、结构化加工、数据模型分析、数据挖掘，实现数据的有效利用和业务价值的提升‌。

那么，数据飞轮如何有效的进行“唤醒”数据，让数据中台继续焕发活力？企业如何利用数据飞轮实现数据驱动呢？通过对手册学习后，发现可以使用AI 技术手段的应用极大地提升了运营效率，并为电商行业带来了个性化推荐、用户行为分析、库存管理和市场趋势预测等关键领域的数据分析能力，在这种背景下，构建一个高效、可靠的AI电商数据分析系统显得尤为关键。

2.1 公司业务背景介绍：

公司是一家宠物饲料生产及销售商的新零售公司，线下有一部分实体店，线上通过互联网、电商模式帮助实体零售店改善线上下单流程，提升销售数据（下图为最近公司的相关展厅活动）。

2.2 公司BI系统业务痛点分析：

公司从最早期的excel统计时代，到后面成立技术部，经过公司不同的发展阶段，也迭代开发出了几个版本的数字化平台体系建设，在目前现有的OLTP数据分析场景中，将数据统一汇聚到一个数据BI系统平台中。

目前数据中台的架构方案：

(1). 通过ETL开发后，源数据管理中定义好数据映射的相关字段，从非结构化数据提取并整合成自定义预期的结构化数据。
(2). 通过DW数据仓库，将元数据经过数据治理方案，对接到下游的数字化体系应用，如驾驶舱、数据大屏、BI系统、数据可视化系统中。

【痛点一】：在此过程中，企业的数据分散于多个系统中，由于数据标准不统一，时间标签缺失等问题，导致数据质量问题。另外，随着企业的业务技术改造和业务流程的不断变化，原有数据可能失去时效性而不再适用，容易造成“假数据”、“脏数据”、“死数据”。

【痛点二】：另外一个现象是过度依赖IT技术团队，经常认为只要开发了某个东西就一定能提高业绩，需知系统只是辅助业务的一种手段，经常存在IT与业务脱节的现象，即IT人员缺乏对业务理解转换，业务人员又不懂IT技术，这严重阻碍了数据价值的充分挖掘与转化，只是为了开发而开发。

企业需要加大力度培养既懂业务又懂IT的复合型人才，形成一股数据文化，让AI数据驱动决策的理念深入人心，数据应用的真正挑战在于理念的转变与深化。

2.3 如何改造现有平台改为AI驱动数据分析平台：

首先准备一个商城的订单表做为数据源来进行分析，帮助我们使用AI的查询方式来，将自然语言的语句AI转化为SQL语句，再通过结果转换为可视化的图表功能。

环境安装篇：

首先项目中需要使用到python3的环境，并且需要使pip包管理工具可以进行安装一些python的库与包，以下为安装命令：

apt install -y python3
apt install -y python3-pip

pip3安装相关的包与库：

pip3 install openai langchain langchain-core langchain-community mysql-connector-python streamlit plotly numpy pandas watchdog matplotlib kaleido

pip install --upgrade pip
# 查看版本信息
python3 -V
pip3 -V

在安装完成需要的软件完成后，可以使用pip3 list来查看所有的安装过的python包。

在TDSQL-C MySQL Serverless准备一张订单orders相关的数据表，里面有订单的一些信息，比如商品名称、订单时间、订单的数量、订单的总价格(订单数据 * 商品数量)等字段的相关信息：

【场景一】：查询最近一年销量前10名的商品？

提问之后自动帮我生成相关的SQL语句：

SELECT 
  goods_name, 
  COUNT(*) AS sales_volume
FROM orders
WHERE order_time >= DATE_SUB(CURDATE(), INTERVAL 1 YEAR)
GROUP BY goods_name
ORDER BY sales_volume DESC
LIMIT 10;

import plotly.graph_objects as go
import numpy as np

# data
data = [('2瓶东古一品鲜酱油', 5110), ('无荧光剂洗衣液5斤', 3972), ('1瓶东古一品鲜酱油', 1354), ('大连鸿淼海蜇皮200*5', 976), ('铁棍山药龙须面100g*5', 594), ('盐水猪肝2袋共1斤', 365), ('大连虾片160g*3', 297), ('星厨汇盐水肠480克', 286), ('真心罐头760克*2', 252), ('喜润汇猪梅花肉400g', 249)]

# extract names and sales volumes
names = [item[0] for item in data]
sales_volumes = [item[1] for item in data]

# create a figure with multiple bars for each category
fig = go.Figure(data=[go.Bar(
    name='Sales Volume',
    x=names,
    y=sales_volumes,
    marker_color=['red', 'green', 'blue', 'yellow', 'purple', 'orange', 'pink', 'brown', 'gray', 'black']
)])

# layout
fig.update_layout(
    title_text='Sales Volume of Top 10 Goods',
    xaxis_title_text='Goods Name',
    yaxis_title_text='Sales Volume'
)

# save to file
fig.write_image('图表.png')

【场景二】：分析一下每个季度销量趋势？

提问之后自动帮我生成相关的SQL语句：

SELECT 
  EXTRACT(YEAR FROM STR_TO_DATE(order_time, '%Y-%m-%d %H:%i:%s')) AS year,
  EXTRACT(QUARTER FROM STR_TO_DATE(order_time, '%Y-%m-%d %H:%i:%s')) AS quarter,
  COUNT(*) AS sales
FROM orders
GROUP BY year, quarter
ORDER BY year, quarter;

plotly图表代码:

import plotly.graph_objects as go
import pandas as pd

# 生成虚拟数据
data = [(2023, 4, 2), (2024, 1, 19466), (2024, 2, 5150), (2024, 3, 35)]

# 将数据转换为数据框
df = pd.DataFrame(data, columns=['year', 'quarter', 'sales'])

# 根据季度进行分类
df['quarter_name'] = df['quarter'].apply(lambda x: 'Q1' if x == 1 else 'Q2' if x == 2 else 'Q3' if x == 3 else 'Q4')

# 对 sales 进行排序
df = df.sort_values(by='year').sort_values(by='quarter_name')

# 根据季度进行分组
grouped_df = df.groupby('quarter_name')['sales'].sum().reset_index()

# 使用不同颜色区分每个季度
colors = ['red', 'green', 'blue', 'purple']

# 生成柱状图
fig = go.Figure(data=[go.Bar(x=grouped_df['quarter_name'], y=grouped_df['sales'], marker_color=colors)])

# 设定字体
fig.update_layout(
    font_family='WenQuanYi Zen Hei',
    title_text="每季度销量趋势",
    xaxis_title="季度",
    yaxis_title="销量"
)

# 保存图表为图片
fig.write_image("图表.png") import plotly.graph_objects as go
import pandas as pd

# 生成虚拟数据
data = [(2023, 4, 2), (2024, 1, 19466), (2024, 2, 5150), (2024, 3, 35)]

# 将数据转换为数据框
df = pd.DataFrame(data, columns=['year', 'quarter', 'sales'])

# 根据季度进行分类
df['quarter_name'] = df['quarter'].apply(lambda x: 'Q1' if x == 1 else 'Q2' if x == 2 else 'Q3' if x == 3 else 'Q4')

# 对 sales 进行排序
df = df.sort_values(by='year').sort_values(by='quarter_name')

# 根据季度进行分组
grouped_df = df.groupby('quarter_name')['sales'].sum().reset_index()

# 使用不同颜色区分每个季度
colors = ['red', 'green', 'blue', 'purple']

# 生成柱状图
fig = go.Figure(data=[go.Bar(x=grouped_df['quarter_name'], y=grouped_df['sales'], marker_color=colors)])

# 设定字体
fig.update_layout(
    font_family='WenQuanYi Zen Hei',
    title_text="每季度销量趋势",
    xaxis_title="季度",
    yaxis_title="销量"
)

# 保存图表为图片
fig.write_image("图表.png")

【场景三】：分析一下商品库存情况，前10名商品？

提问之后自动帮我生成相关的SQL语句：

SELECT goods_name, goods_number FROM orders ORDER BY goods_number DESC LIMIT 10;

plotly图表代码:

import plotly.graph_objects as go
from typing import Tuple

# Your data
data = [
    ('2瓶东古一品鲜酱油', 10394),
    ('测试1', 3454),
    ('测试1', 3394),
    ('测试31', 2222),
    ('测试商品002', 1239),
    ('测试168', 432),
    ('测试1', 432),
    ('2瓶东古一品鲜酱油', None),
    ('2瓶东古一品鲜酱油', None),
    ('2瓶东古一品鲜酱油', None)
]

# Extract names and numbers
names = [item[0] for item in data]
numbers = [item[1] for item in data]

# Filter out None values
numbers = [num for num in numbers if num is not None]

# Sort the data by numbers in descending order
sorted_data = sorted(zip(names, numbers), key=lambda x: x[1], reverse=True)

# Separate names and numbers into lists
names, numbers = zip(*sorted_data)

# Create a color palette
color_palette = ["red", "green", "blue", "yellow", "purple", "orange", "pink"]

# Generate the plot
fig = go.Figure(data=go.Bar(x=[name for name in names], y=numbers, marker_color=color_palette[:len(numbers)]))

# Set font family and size
fig.update_layout(
    title='商品库存情况前10名',
    xaxis_title='商品名称',
    yaxis_title='库存数量',
    font_family='Wqy Zen Hei',
    font_size=12,
)

# Save the plot as an image file
fig.write_image("图表.png")

在传统消费行业，时间都用来找数据、对指标、学工具了？专业 BI 工具又难又贵？信息滞后且分析难度大，数据飞轮通过综合AI分析实时数据和历史数据，帮助企业高效洞察用户真实需求，制定更加精准的销售计划和营销策略。

AI 帮你快速分析全渠道店铺（淘宝、京东、拼多多以及电商）运营指标，用低成本和低门槛获得更快数据洞察，加速改善运营流程：

运营部门可以通过高频数据消费制定合理的销售计划，比如换季狗粮、套餐狗粮、满减活动
仓库部门可以通过滞销的货物，进行有效的促销活动
业务部门可以快速测试新品市场接受度
供应链部门则能了解市场现状，提高排产准确性，实现产销协同

三、使用腾讯云HAI + TDSQL-C MySQL Serverless实现AI智能客服系统：

绝大多数提供互联网应用的公司都会存在在线客服的岗位，以往客服单位需要招在大量专业人员，经过内部培训一段周期再上岗作业，往往会存在一些问题：

序号	分类	描述
1	人工座席高强负荷运转	人工座席无法应对高峰期海量访客，造成服务响应缓慢、排队等待过长及服务专业性不足等各种情况
2	核心数据外泄风险	人工座席能够触及的客户资料数据覆盖面广，部分敏感业务数据存在暴露风险，可能导致数据信息外泄
3	7*24服务	很多时候，客服人员在下班或者休假的时候，还要频繁工作，导致客服工作时长久
4	业务“Serverless化服务”	当遇到业务比较忙时，需要招大量的人力来支撑业务发展，当业务低谷期，又需要减员来保证公司的正常支出

通过使用腾讯云HAI + TDSQL-C MySQL Serverless实现AI智能客服系统，可以有效的通过AI的技术，为客户提供交互式服务的智能客服系统。这种系统通过自然语言处理技术、语音识别技术、机器学习技术等，能够理解客户的需求、回答客户的问题、提供解决方案等

from langchain_community.utilities import SQLDatabase
from langchain_core.prompts import ChatPromptTemplate
from langchain_community.chat_models import ChatOllama
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough
import yaml
import mysql.connector
from decimal import Decimal
import plotly.graph_objects as go
import plotly
import pkg_resources
import matplotlib

yaml_file_path = 'config.yaml'

with open(yaml_file_path, 'r') as file:
    config_data = yaml.safe_load(file)

#获取所有的已安装的pip包
def get_piplist(p):
    return [d.project_name for d in pkg_resources.working_set]


#获取llm用于提供AI交互
ollama = ChatOllama(model=config_data['hai']['model'],base_url=config_data['hai']['base_url'])

# 获得schema
def get_schema(db):
    schema = mysql_db.get_table_info()
    return schema

def getResult(content):
    global mysql_db
    # 数据库连接
    mysql_db = SQLDatabase.from_uri(f"mysql+mysqlconnector://{db_user}:{db_password}@{db_host}:{db_port}/{db_name}")
    # 获得 数据库中表的信息
    #mysql_db_schema = mysql_db.get_table_info()
    #print(mysql_db_schema)
    template = """基于下面提供的数据库schema, 根据用户提供的要求编写sql查询语句,要求尽量使用最优sql,每次查询都是独立的问题，不要收到其他查询的干扰:
    {schema}
    Question: {question}
    只返回sql语句，不要任何其他多余的字符，例如markdown的格式字符等:
    如果有异常抛出不要显示出来
    """
    prompt = ChatPromptTemplate.from_template(template)
    text_2_sql_chain = (
                RunnablePassthrough.assign(schema=get_schema)
                | prompt
                | ollama
                | StrOutputParser()
        )
    
    # 执行langchain 获取操作的sql语句
    sql = text_2_sql_chain.invoke({"question": content})

    print(sql)

    #连接数据库进行数据的获取
    # 配置连接信息
    conn = mysql.connector.connect(
        host=db_host,
        port=db_port,
        user=db_user,
        password=db_password,
        database=db_name
    )
    print(conn)
    # 创建游标对象
    cursor = conn.cursor()
    # 查询数据
    cursor.execute(sql.strip("```").strip("```sql"))
    info = cursor.fetchall()
    # 打印结果
    # for row in info:
        # print(row)
    # 关闭游标和数据库连接
    cursor.close()
    conn.close()
    #根据数据生成对应的图表
    print(info)

    template2 = """
    根据返回的{info}信息查找{question}的相关信息
    返回数据要求:
仅仅返回python代码，不要有额外的字符
对于返回的{info}，不对nil、空值、null做处理
    """
    prompt2 = ChatPromptTemplate.from_template(template2)
    data_2_code_chain = (
                RunnablePassthrough.assign()
                | prompt2
                | ollama
                | StrOutputParser()
        )
    
    # 执行langchain 获取操作的sql语句
    code = data_2_code_chain.invoke({'question':content})
    
    #删除数据两端可能存在的markdown格式
    print(code)

先将代码进行修改，主要的逻辑功能分为3步：

①. 通过第一步，匹配自己的用户是wangwu，并且通过ollama查询我的订单信息
②. Python代码原生SQL查询结果，通过生成的SQL在TDSQL-C MySQL Serverless中查询到需要的结果
③. 再通过ollama进行python代码逻辑处理

但是逻辑得到的结果，就是查出来数据库的一些字段返回，但是得到的是一些字段信息，用户无法去理解。

再将代码进行修改，主要的逻辑功能分为4步：

①. 通过第一步，匹配自己的用户是wangwu，并且通过ollama查询我的订单信息
②. Python代码原生SQL查询结果，通过生成的SQL在TDSQL-C MySQL Serverless中查询到需要的结果
③. 再通过ollama进行python代码逻辑处理
④. Python代码进行逻辑处理，主要是把返回的数据，通过自然语言映射出需要的字段，其中不需要处理的数据字段空值、nil值、null值等等

与传统的客户服务相比，基于“高性能应用服务HAI”应用式AI功能能够利用自然语言提示词进行自动化机器人程序开发，在大语言模型（LLM）的加持下，<font color="red"><b>提升智能化问题解决效率，加速问题的有效处理</b></font>。

三、腾讯云TDSQL-C MySQL Serverless“饮水机式”使用云数据库：

传统的数据库服务并不能很好的解决“数据库的访问量存在高峰期和低谷期”，只能依赖反复的人工升降配，即不安全稳定，又会造成额外的IT运维成本以及人力资源成本，因此在客户的强烈的降本增效呼声之中，腾讯云TDSQL-C MySQL Serverless数据库应运而生。

业务的高峰期：
①. 客户选择的小规格的数据库服务无法承载业务的高额负载。
②. 为避免出现数据库服务不可用的情况，需要做临时的规格升配。
③. 或者在一开始就选择够买大规格的云数据库实例。
业务的低谷期：
①. 客户又会发现大规格的数据库服务在每天产生高额的账单。
②. 导致了很多不必要的费用。

3.1 TDSQL-C MySQL Serverless数据库实例的优势：

与普通MySQL数据库实例相比，TDSQL-C MySQL Serverless数据库实例有如下6点明显的优势：

①. 由于其规格随业务需求量随时调整，总体浪费的资源很少，提升了资源利用率，降低了资源使用量。
②. 在高峰期也能完全满足业务需求，保证业务不受损，提高了系统的稳定性。
③. 打破固定资源付费的模式，做到真正负载与资源动态匹配的按量付费，可节省大量成本。
④. 无需手动变配，提高了运维效率，降低了运维管理人员和开发人员的运维成本。
⑤. 支持自动启停能力，当没有连接时，实例自动暂停，释放计算成本；当请求连接时，自动无感启动。
⑥. 对高吞吐写入场景和高并发业务进行了设计优化，同时提供了弹性伸缩能力，适合业务数据量大、并具有典型的业务访问波峰波谷场景。

TDSQL-C MySQL Serverless数据库可以根据业务负载自动扩缩容实例，开发者无需关心底层资源问题，支持自定义自动暂停时间，在业务不间断情况下实现秒级冷启动，提供多种灵活计费方式供用户选择。

Serverless计费方式无需按固定资源付费，按照实际使用量进行收费，不使用不付费，根据业务负载自适应动态匹配资源，秒级弹性升降资源与计费，助力企业降本增效，最高可降低成本90%。

3.2 TDSQL-C MySQL Serverless数据库服务特性：

TDSQL-C MySQL 版提供 Serverless 服务以满足企业对特定业务场景的数据库服务要求，助力企业降本增效。

TDSQL-C MySQL Serverless数据库实例提供计算资源按需计费的能力，具有资源用量低、简单易用、弹性灵活和价格低廉等优点，赋能用户面向业务峰谷时对计算能力进行快速且独立的扩缩要求，做到快速响应业务变化的同时，合理优化使用成本，进一步助务企业降本增效。

3.3 TDSQL-C MySQL Serverless的总体架构：

Serverless 服务是腾讯云自研的新一代云原生关系型数据库 TDSQL-C MySQL 版的无服务器架构版，是全 Serverless 架构的云原生数据库。Serverless 服务支持按实际计算和存储资源使用量收取费用，不用不付费，将腾讯云云原生技术普惠用户。

上图为TDSQL-C MySQL Serverless的总体架构，核心模块为中控节点（svls scheduler）。中控节点接收计算层采集的内存/CPU/访问情况等监控数据，根据策略决定是否扩缩容，启停实例，以及按照计费规则上报云控制台计费。

TDSQL-C MySQL Serverless有faker模块，暂停计算节点时会把四层的vip:vport绑定到faker端口，用户请求过来后，识别为有效的MySQL协议，则通知中控模块将实例重新拉起，其优点在于用户不需要为代理节点付费。

3.4 资源扩缩范围（CCU）：

可调整 CCU 弹性扩缩容的范围，Serverless 集群会在该范围内根据实际业务压力自动增加或减少 CCU。

CCU（TDSQL-C Compute Unit）为 Serverless 的计算计费单位，一个 CCU 近似等于1个CPU和2GB内存的计算资源，每个计费周期的 CCU 使用数量为：数据库所使用的 CPU 核数与内存大小的1/2 二者中取最大值。

Serverless 服务需要设定弹性范围，详细弹性范围区间可参考 (算力配置)https://cloud.tencent.com/document/product/1003/81821。

通过TDSQL-C MySQL Serverless实例资源的算力配置，最低可选择0.25CCU，代表0.25的CPU以及0.5GB内存，最高可选择64CCU，代表64的CPU以及128G的内存，足以应付很多场景的覆盖。

建议在第一次设置弹性范围时，最小容量配置为0.25 CCU，最大容量选择较高的值。较小的容量设置可以让集群在完全空闲时最大限度地进行缩减，避免产生额外的费用，较大的容量可以在集群负载过大时最大限度地进行扩展，稳定度过业务峰值。

通过指定实例资源波动的上下限，以CCU作为单位，让数据库服务变的更加灵活，切实的帮助企业达成降本增效的目标。

3.5 弹性策略：

Serverless 集群会持续监控用户的 CPU、内存等 workload 负载情况，根据一定的规则触发自动扩缩容策略。

3.5.1 传统Serverless架构中的自动扩缩容方案：

下图左侧传统Serverless架构中会有一个共享的虚拟机池，里面存放的是不同大小的规格，假设需要从1核2G扩大到2核4G，则从池子里面找到2核4G的虚拟机，将对应的数据盘挂载到虚拟机，并将访问切到该虚拟机，即可完成自动扩容。

传统Serverless架构中自动扩容存在的问题点：

①. 假设用户就只需要4核8G，传统Serverless架构仍需要从1核2G、2核4G、4核8G逐渐递增上去，扩容耗时偏长。
②. 由于选择新的虚拟机扩容，会导致BP失效，访问将经历一次冷启动过程，用户体验不是太友好。

3.5.2 传统TDSQL-C Serverless架构中的自动扩缩容方案：

而上图右侧TDSQL-C Serverless架构中，用户在购买时选择最小规格为1核2G，最大规格为4核8G。TDSQL-C Serverless会在初始就给用户提供最大CPU规格，内存则从最小规格开始。可以看出，TDSQL-C Serverless的CPU资源不会受限，可以在设置的最大规格内任意使用。优点是用户性能不受限，引入的缺点是可能整机出现满负载。

基于以下两点，TDSQL-C Serverless可以很好应对自动扩缩容：

①. 由于TDSQL-C采用存算分离架构，一旦监控到整机资源超过阈值，就进行快速迁移，迅速在另外一台相对空闲的机器重新拉起实例，秒级完成，在资源负载上可以精准控制。
②. 云数据库整机利用率偏低。

3.6 自动启停：

Serverless 服务支持自定义实例自动暂停时间，无连接时实例会自动暂停。当有任务连接接入时，实例会秒级无间断自动唤醒。

当没有数据库请求时，监控服务会触发计算资源的回收，并通知接入层。当用户再次访问时，接入层则会唤醒集群，再次提供访问。

四、腾讯云高性能应用服务HAI介绍：

腾讯云推出了一款“高性能应用服务HAI”，是一款面向 Al、科学计算的 GPU 应用服务产品，以应用为中心，匹配GPU云算力资源，AI 2.0时代 GPU 新品，预装LLM、AI作画、数据科学等高性能应用，实现即插即用，助力中小企业及开发者快速部署LLM、AI作画、数据科学等高性能应用。

4.1 高性能应用服务HAI介绍：

“高性能应用服务HAI”，它具有澎湃算力，即开即用，基于腾讯云GPU云服务器底层算力，提供开箱即用的高性能云服务。以应用为中心，匹配GPU云算力资源，助力中小企业及开发者快速部署LLM、AI作画、数据科学等高性能应用。

尤其值得一提的是针对开发者，使用可视化的webUI界面和“可视化IDE”的jupyterlab大大的降低了调试的复杂度、降低应用使用的门槛，甚至经过简单的培训，让非开发者(运维人员)也可以参与到使用中来。

4.2 高性能应用服务HAI的产品的价值：

大幅降低GPU云服务器使用门槛，多角度优化产品使用体验，低门槛、开箱即用。

4.3 多种高性能应用部署场景，轻松拿捏：

可以看出以下的对比，“自己选购部署”与“高性能应用服务HAI”在以下7点存在业务痛点，“高性能应用服务HAI”大大的降低了使用的门槛、降低了学习的成本，让更多的企业、开发者能够加入到AI应用的行业中来。

通过“腾讯云高性能应用服务HAI”实践了AI作画、AI深度学习、AI LLM模型的案例，可以体验到简易部署、便捷维护，减少工作量、步骤繁琐、效率低和时间成本的问题，同时提升系统整体性能和用户体验。

以下为在体验过程中，个人觉得非常提效的几个点：

以下是公司经过了初创期、爬坡期，在行业内快速的吸引客户，并且占有一定的业务量，后续在原有的业务基础上，提高市场的竞争力，以及对公司一些CostDown原则的实施，希望能通过更多的AIGC的工具链路，帮助企业实施AI的战略布局。

高性能应用服务(Hyper Application Inventor，HAI)是一款面向AI、科学计算的GPU应用服务产品，提供即插即用的澎湃算力与常见环境。助力中小企业及开发者快速部署LLM、AI作画、数据科学等高性能应用，原生集成配套的开发工具与组件，大幅提高应用层的开发生产效率、降低运营成本、提高产品质量和优化资源利用等。

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

TDSQL MySQL 版

AI 互动体验展

aigc

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

TDSQL MySQL 版

AI 互动体验展

aigc