基于MOONSHOT AI的api，我们可以用它来做许多事情，例如：

1、自然语言处理（NLP）

应用于例如客服系统：分析用户提问，匹配最优答案。智能写作工具：如文章摘要、生成邮件或报告等

2、图像处理与计算机视觉

图像分类、目标检测、利用生成对抗网络（GAN），生成艺术风格图片，修复图像，去除背景、OCR（光学字符识别）、在图像中检测并识别人脸，验证身份等

3、数据分析与预测

例如工业或金融上的预测模型、聚类与推荐系统、异常检测等

还有许多功能这里不一一赘述。在这里我们使用MOONSHOT AI来处理上传表单，并解析成JSON文本。使用这个JSON文本更新ErpNext里的表单以及子表。以下是官方的API文档以及示例代码
文件接口 - Moonshot AI 开放平台

from pathlib import Path
from openai import OpenAI
 
client = OpenAI(
    api_key = "$MOONSHOT_API_KEY",
    base_url = "https://api.moonshot.cn/v1",
)
 
# xlnet.pdf 是一个示例文件, 我们支持 pdf, doc 以及图片等格式, 对于图片和 pdf 文件，提供 ocr 相关能力
file_object = client.files.create(file=Path("xlnet.pdf"), purpose="file-extract")
 
# 获取结果
# file_content = client.files.retrieve_content(file_id=file_object.id)
# 注意，之前 retrieve_content api 在最新版本标记了 warning, 可以用下面这行代替
# 如果是旧版本，可以用 retrieve_content
file_content = client.files.content(file_id=file_object.id).text
 
# 把它放进请求中
messages = [
    {
        "role": "system",
        "content": "你是 Kimi，由 Moonshot AI 提供的人工智能助手，你更擅长中文和英文的对话。你会为用户提供安全，有帮助，准确的回答。同时，你会拒绝一切涉及恐怖主义，种族歧视，黄色暴力等问题的回答。Moonshot AI 为专有名词，不可翻译成其他语言。",
    },
    {
        "role": "system",
        "content": file_content,
    },
    {"role": "user", "content": "请简单介绍 xlnet.pdf 讲了啥"},
]
 
# 然后调用 chat-completion, 获取 Kimi 的回答
completion = client.chat.completions.create(
  model="moonshot-v1-32k",
  messages=messages,
  temperature=0.3,
)
 
print(completion.choices[0].message)

现在，我们正式开始说明讲解Agent Assistant

首先我们定义了一个函数get_json_data_from_freight_booking，文件的路径作为形参

在第11行中调用了 client.files.create 方法来上传一个文件。这个方法需要两个参数：一个是 file，它是通过 Path(file_path) 创建的路径对象，另一个是 purpose，在这里被设置为 "file-extract"，表示这个文件的用途是用于提取内容。

Path(file_path) 是一个 Path 类的实例，它代表了文件在文件系统中的路径。这个路径对象不仅可以存储文件路径，还提供了一些方法来进行文件操作，比如读取、写入等。

接下来，代码通过 client.files.content(file_id=file_object.id) 获取刚刚上传文件的内容。这里的 file_object.id 是上传后返回的文件对象的唯一标识符。调用 content 方法后，返回的内容被提取为文本格式，存储在 file_content 变量中。这一过程确保了文件的内容可以被后续的代码使用。

我们再从Frappe的缓存里拿到预设提示词的数据setting = frappe.get_cached_doc，提示词已经用一个实体初始设定好。把他放入msssages这个结构体里，就可以正式调用KIMI了。

最后get_json_data_from_freight_booking 会返回的是一个JSON

接着，我们调用这个函数

validate是Frappe里封装好的钩子函数，表示在表单执行前

我们调用get_json_data_from_freight_booking 这个函数，通过字典同步更新当前表单

完整代码：

# Copyright (c) 2024, yuxinyong and contributors
# For license information, please see license.txt

import os
import frappe
from frappe.model.document import Document
import json
from pathlib import Path
from openai import OpenAI


class FreightBooking(Document):
    def validate(self):
        self.parse_attachment()

    def parse_attachment(self):
        if self.attachment1 and not self.content1:
            json_data = get_json_data_from_freight_booking(self.attachment1)
            if json_data:
                self.content1 = str(json_data)
                self.update(json_data)
        if self.attachment2 and not self.content2:
            json_data = get_json_data_from_Arrival_Notification(self.attachment2)
            if json_data:
                self.content2 = str(json_data)
                self.update(json_data)
        if self.attachment3 and not self.content3:
            json_data = get_json_data_from_Shipping_bill_message(self.attachment3)
            if json_data:
                self.content3 = str(json_data)
                self.update(json_data)
                for fee in json_data.get('fee', []):
                    if isinstance(fee, str):  
                        fee = {'fee_list': fee}
                    self.append('ship_bill_details', {
                        'fee_list': fee.get('fee_list'),
                        'description': fee.get('description'),
                        'curr': fee.get('curr'),
                        'qty': fee.get('qty'),
                        'price': fee.get('price'),
                        'amount' : fee.get('price') * fee.get('qty')
                    })


def get_json_data_from_freight_booking(file_path):
    base_dir = frappe.get_site_path()
    if (file_path[:6] == "/files"):
        file_path = base_dir + "/public" + file_path
    else:
        file_path = base_dir + file_path
    file_path = os.path.join(frappe.utils.get_bench_path(),'sites',file_path[2 if file_path[0]=='.' else 1:])

    settings = frappe.get_cached_doc("Agent Assistant Settings")
    client = get_ai_client(settings)
    file_object = client.files.create(file=Path(file_path), purpose="file-extract")    
    file_content = client.files.content(file_id=file_object.id).text
    # prompt = "" 
    # 
    messages = [
        {
            "role": "system",
            "content": "你是 Kimi，由 Moonshot AI 提供的人工智能助手，你更擅长中文和英文的对话。你会为用户提供安全，有帮助，准确的回答。同时，你会拒绝一切涉及恐怖主义，种族歧视，黄色暴力等问题的回答。Moonshot AI 为专有名词，不可翻译成其他语言。",
        },
        {
            "role": "system",
            "content": file_content, # <-- 这里，我们将抽取后的文件内容（注意是文件内容，而不是文件 ID）放置在请求中
        },
        {"role": "user", "content": settings.prompt1},
    ]
    completion = client.chat.completions.create(
        model="moonshot-v1-32k",
        messages=messages,
        temperature=0.3,
    )
    content = completion.choices[0].message.content
    json_str = content.split('```json')[1].split('```')[0].strip()
    data = json.loads(json_str)
    return data

def get_json_data_from_Arrival_Notification(file_path):
    base_dir = frappe.get_site_path()
    if (file_path[:6] == "/files"):
        file_path = base_dir + "/public" + file_path
    else:
        file_path = base_dir + file_path
    file_path = os.path.join(frappe.utils.get_bench_path(),'sites',file_path[2 if file_path[0]=='.' else 1:])

    settings = frappe.get_cached_doc("Agent Assistant Settings")
    client = get_ai_client(settings)
    file_object = client.files.create(file=Path(file_path), purpose="file-extract")    
    file_content = client.files.content(file_id=file_object.id).text
    # prompt = "" 
    # 
    messages = [
        {
            "role": "system",
            "content": "你是 Kimi，由 Moonshot AI 提供的人工智能助手，你更擅长中文和英文的对话。你会为用户提供安全，有帮助，准确的回答。同时，你会拒绝一切涉及恐怖主义，种族歧视，黄色暴力等问题的回答。Moonshot AI 为专有名词，不可翻译成其他语言。",
        },
        {
            "role": "system",
            "content": file_content, # <-- 这里，我们将抽取后的文件内容（注意是文件内容，而不是文件 ID）放置在请求中
        },
        {"role": "user", "content": settings.prompt2},
    ]
    completion = client.chat.completions.create(
        model="moonshot-v1-32k",
        messages=messages,
        temperature=0.3,
    )
    content = completion.choices[0].message.content
    try:
        json_str = content.split('```json')[1].split('```')[0].strip()
        data = json.loads(json_str)
    except (IndexError, json.JSONDecodeError) as e:
        print(f"Error parsing JSON: {e}")
        print(f"Raw AI response: {content}")
        data = {}  # or handle the error as needed

    return data

def get_json_data_from_Shipping_bill_message(file_path):
    base_dir = frappe.get_site_path()
    if (file_path[:6] == "/files"):
        file_path = base_dir + "/public" + file_path
    else:
        file_path = base_dir + file_path
    file_path = os.path.join(frappe.utils.get_bench_path(),'sites',file_path[2 if file_path[0]=='.' else 1:])

    settings = frappe.get_cached_doc("Agent Assistant Settings")
    client = get_ai_client(settings)
    file_object = client.files.create(file=Path(file_path), purpose="file-extract")    
    file_content = client.files.content(file_id=file_object.id).text
    # prompt = "" 
    # 
    messages = [
        {
            "role": "system",
            "content": "你是 Kimi，由 Moonshot AI 提供的人工智能助手，你更擅长中文和英文的对话。你会为用户提供安全，有帮助，准确的回答。同时，你会拒绝一切涉及恐怖主义，种族歧视，黄色暴力等问题的回答。Moonshot AI 为专有名词，不可翻译成其他语言。",
        },
        {
            "role": "system",
            "content": file_content, 
        },
        {"role": "user", "content": settings.prompt3},
        # {"role": "user", "content": FreightBookingprompt},
    ]
    completion = client.chat.completions.create(
        model="moonshot-v1-32k",
        messages=messages,
        temperature=0.3,
        max_tokens=30000,
    )
    content = completion.choices[0].message.content
    print(content)
    json_str = content.split('```json')[1].split('```')[0].strip()
    data = json.loads(json_str)
    return data

def get_ai_client(settings):    
    ai_api_key = settings.get_password("kimi_api_key")
    client = OpenAI(api_key=ai_api_key, base_url="https://api.moonshot.cn/v1")
    return client

注意：

如果你想要返回的内容很多，觉得Kimi API 返回的内容不完整、被截断或长度不符合预期。我的建议是先打印输出一下查看返回内容是否完整。

如果不完整可以调整max_token 的大小，如我在get_json_data_from_Shipping_bill_message 里设置max_token 为30000。

这时如果返回的内容还是不完整，就换个上下文长度更大的模型（模型的区别在于它们的最大上下文长度，这个长度包括了输入消息和生成的输出，在效果上并没有什么区别。）。并且通过 其它接口 - Moonshot AI 开放平台 接口计算输入内容的 Tokens 数量，随后使用 Kimi 大模型所支持的最大 Tokens 数量（例如，对于 moonshot-v1-32k 模型，它最大支持 32k Tokens）减去输入内容的 Tokens 数量，得到的值即是本次请求的 max_tokens 值。