Создайте готовые к производству агентные системы с Z.AI GLM-5

В этом руководстве мы исследуем все возможности модели GLM-5 от Z.AI и создаем полное понимание того, как использовать её для реальных агентных приложений. Начнем с основ, настраивая окружение с помощью SDK Z.AI и его интерфейса, совместимого с OpenAI, а затем постепенно перейдем к более сложным функциям, таким как потоковая передача ответов, режим мышления для глубокого рассуждения и многоходовые беседы.

По мере продвижения мы интегрируем вызовы функций, структурированные выходные данные и в конечном итоге создадим полностью функционального многоинструментального агента на базе GLM-5. Мы также поймем каждую возможность в изоляции и то, как экосистема Z.AI позволяет нам строить масштабируемые, готовые к производству ИИ-системы.

Мы начинаем с установки SDK Z.AI и OpenAI, затем безопасно захватываем наш API-ключ через скрытый ввод в терминале с помощью getpass. Инициализируем ZaiClient и запускаем наш первый базовый запрос к GLM-5, прося объяснить архитектуру Mixture-of-Experts. Затем мы исследуем потоковые ответы, наблюдая, как токены приходят в реальном времени, пока GLM-5 генерирует однострочный код на Python для проверки простоты числа.

Включив режим мышления GLM-5, мы можем наблюдать его внутренние рассуждения перед тем, как будет дан окончательный ответ. Это особенно мощно для математических, логических и сложных кодировочных задач. Мы активируем режим мышления и наблюдаем за его внутренними рассуждениями, которые передаются в реальном времени через поле reasoning_content перед появлением окончательного ответа.

Затем мы строим многоходовой разговор, в котором задаем вопросы о списках и кортежах в Python, уточняем про NamedTuples и запрашиваем практический пример с типами. GLM-5 поддерживает полный контекст на протяжении всех обменов. Мы отслеживаем, как разговор растет в количестве сообщений и использовании токенов с каждым последующим обменом.