markdown_docs/server/model_workers/azure.md
AzureWorker: AzureWorker类是用于与Azure云服务进行交互，特别是用于处理与Azure API相关的聊天和嵌入功能的工作流程。
属性:
controller_addr: 控制器地址，用于与模型控制器进行通信。worker_addr: 工作器地址，用于标识工作器实例。model_names: 模型名称列表，默认为["azure-api"]。version: 模型版本，默认为"gpt-35-turbo"。代码描述:
AzureWorker类继承自ApiModelWorker类，提供了与Azure API交互的具体实现。在初始化时，它接受控制器地址、工作器地址、模型名称列表和版本等参数，并将这些参数传递给父类构造函数。此外，它还定义了do_chat、get_embeddings和make_conv_template等方法，用于执行与Azure API相关的操作。
do_chat方法接受ApiChatParams参数，用于执行聊天功能。它构造了一个请求数据包，包括消息、温度、最大令牌数等，并向Azure API发送请求。该方法通过生成器返回聊天响应，允许实时处理和返回聊天内容。get_embeddings方法是一个示例方法，展示了如何打印嵌入信息。在实际应用中，该方法可以根据需要进行扩展，以实现具体的嵌入功能。make_conv_template方法用于创建一个会话模板，该模板定义了用户和助手的角色、系统消息以及消息分隔符等。注意:
do_chat方法中使用了HTTP流，这要求在处理响应时必须正确管理连接和数据流。do_chat方法是异步的，调用该方法时需要注意异步编程模式，确保异步任务的正确管理和调度。输出示例:
在调用do_chat方法时，可能的返回值示例为：
{
"error_code": 0,
"text": "这是由Azure API生成的回复文本。"
}
此示例展示了一个成功的API调用结果，其中error_code为0表示成功，text字段包含了由Azure API生成的回复文本。
init: 初始化AzureWorker对象，并配置其基本属性。
参数：
controller_addr: 字符串类型，控制器地址，默认为None。worker_addr: 字符串类型，工作器地址，默认为None。model_names: 字符串列表类型，模型名称，默认为["azure-api"]。version: 字符串类型，模型版本，默认为"gpt-35-turbo"。**kwargs: 接收任意数量的关键字参数。代码描述：
此初始化函数用于创建一个AzureWorker对象，并对其进行基本配置。首先，通过关键字参数（**kwargs）更新模型名称（model_names）、控制器地址（controller_addr）和工作器地址（worker_addr）。这意味着，如果在创建AzureWorker对象时提供了这些参数，它们将被用于更新或设置对象的相应属性。
接下来，使用super().__init__(**kwargs)调用基类的初始化方法，允许AzureWorker继承并初始化基类中定义的任何属性或方法。这是面向对象编程中常见的做法，确保了类的继承体系能够正确地初始化和配置。
最后，将传入的version参数值赋给对象的version属性。这样，每个AzureWorker对象都会有自己的版本信息，用于标识或处理特定版本的模型。
注意：
controller_addr和worker_addr，这对于确保对象能够正确地与控制器和工作器通信非常重要。model_names参数允许自定义模型名称列表，这在处理多个模型时非常有用。默认情况下，它包含一个预设的模型名称"azure-api"。version参数用于指定模型的版本，根据需要进行调整。默认值为"gpt-35-turbo"，但根据实际使用的模型版本，这个值可能需要更改。**kwargs传递额外的参数时，应确保这些参数与基类的初始化方法兼容，以避免引发错误。do_chat: 此函数的功能是向Azure的OpenAI服务发送聊天请求，并处理返回的聊天结果。
参数:
params: ApiChatParams类型，包含聊天请求所需的参数，如消息列表、温度参数、最大令牌数等。代码描述:
do_chat函数首先调用params.load_config方法，加载与Azure服务相关的配置，如模型名称。然后，构造一个包含聊天请求所需数据的字典，包括消息列表、温度参数、最大令牌数等。接着，函数构造请求的URL，使用params中的资源名称、部署名称和API版本号。请求头包括内容类型、接受类型和API密钥。
如果启用了详细日志记录，函数会记录URL、请求头和数据到日志中。之后，使用get_httpx_client函数获取一个httpx客户端实例，并发起POST请求到Azure的OpenAI服务。函数通过迭代响应中的行来处理返回的数据，如果行包含有效的聊天内容，则将其累加到文本变量中，并以生成器的形式返回包含错误码和累加文本的字典。如果在响应中检测到错误，函数会记录错误信息到日志。
此函数与get_httpx_client函数关联，后者提供了执行HTTP请求所需的httpx客户端实例。此外，do_chat函数依赖于ApiChatParams类来获取聊天请求的参数，以及load_config方法来加载特定工作器的配置。
注意:
do_chat函数之前，已经正确设置了ApiChatParams中的参数，包括API密钥、资源名称、部署名称等，这些参数对于成功调用Azure的OpenAI服务至关重要。stream=True选项进行HTTP请求，这意味着响应内容将作为流进行处理，有助于处理大量数据或实时数据。get_embeddings: 此函数的功能是打印嵌入信息和参数。
参数:
params: 此参数用于接收传入的参数信息。代码描述:
get_embeddings函数是AzureWorker类的一个方法，主要用于展示如何处理和打印嵌入信息及其相关参数。当调用此函数时，它首先打印出字符串"embedding"，随后打印出传入的params参数。这表明该函数可能用于测试或演示如何在控制台上输出信息，尤其是与嵌入向量相关的参数信息。
具体来说，该函数接受一个名为params的参数，这个参数可以是任何类型的数据结构，如字典、列表或其他，这取决于调用函数时的具体需求。函数内部没有对params进行任何形式的处理或操作，仅仅是将其内容直接打印出来。
注意:
get_embeddings函数可能需要进一步开发以实现特定的功能，如从Azure服务获取嵌入向量等。params参数包含了所有必要的信息，以便函数能够正确地执行其预期的打印操作。make_conv_template: 此函数的功能是创建一个对话模板。
参数:
代码描述:
make_conv_template 函数用于创建一个对话模板实例。它通过调用 conv.Conversation 类来实现，生成的对话模板包含以下几个关键属性：
name: 对话的名称，此处使用 self.model_names[0] 作为对话名称，即取模型名称列表的第一个元素。system_message: 系统消息，这里固定为 "You are a helpful, respectful and honest assistant."，表明助手的角色定位。messages: 对话消息列表，初始为空列表。roles: 对话中的角色列表，包含 "user" 和 "assistant" 两个角色。sep: 消息分隔符，这里设定为 "\n### "。stop_str: 对话终止字符串，设定为 "###"。注意:
conv_template 和 model_path 参数在函数定义中存在，但在当前的实现中并未被使用。这可能是为了未来的功能扩展预留的接口。conv.Conversation 类创建的，确保在使用此函数之前已正确导入或定义了 conv.Conversation 类。输出示例:
假设 self.model_names[0] 的值为 "ExampleModel"，则函数的返回值可能如下所示：
Conversation(
name="ExampleModel",
system_message="You are a helpful, respectful and honest assistant.",
messages=[],
roles=["user", "assistant"],
sep="\n### ",
stop_str="###",
)
这个返回值展示了一个初始化状态的对话模板，其中包含了基本的对话属性设置。