# 定义一个父类（基类）

class BaseLLM:

def __init__(self, model_name, api_key):

self.model_name = model_name

self.api_key = api_key

def count_tokens(self, text):

# 假设这是一个通用的基础 token 统计方法

print(f"[{self.model_name}] 正在计算 '{text}' 的 Token 数量...")

return len(text)

# 定义一个子类，继承自 BaseLLM

class OpenAILLM(BaseLLM):

def __init__(self, model_name, api_key, organization_id):

# 使用 super() 调用父类的初始化方法

super().__init__(model_name, api_key)

self.organization_id = organization_id

def generate_response(self, prompt):

print(f"使用 OpenAI API 发送请求: {prompt}")

return "这是来自 ChatGPT 的回复"

# 实例化子类

my_gpt = OpenAILLM(model_name="gpt-4", api_key="sk-xxx", organization_id="org-123")

# 子类可以直接使用父类的方法

token_count = my_gpt.count_tokens("你好，世界")

# 子类也有自己独有的方法

response = my_gpt.generate_response("什么是 RAG？")

# 另一个子类，同样继承自 BaseLLM (假设前面的代码已经运行)

class LocalLLM(BaseLLM):

def __init__(self, model_name, model_path):

# 本地模型不需要 api_key，我们传 None

super().__init__(model_name, api_key=None)

self.model_path = model_path

# 注意：这里的方法名和 OpenAILLM 中的一致

def generate_response(self, prompt):

print(f"从本地路径 {self.model_path} 加载模型并推理...")

return "这是来自本地 LLaMA 模型的回复"

# 【多态的核心体现】：一个接收任何模型的通用函数

def run_ai_task(model, prompt):

print("--- 任务开始 ---")

# 不管传入的是 OpenAILLM 还是 LocalLLM，

# 只要它们都有 generate_response 方法，就能正常运行。

result = model.generate_response(prompt)

print(f"最终结果: {result}")

print("--- 任务结束 ---\n")

# 测试多态

gpt_model = OpenAILLM("gpt-3.5", "sk-xxx", "org-123")

llama_model = LocalLLM("llama-2-7b", "/models/llama2")

# 同一个函数，传入不同的对象，表现出不同的行为

run_ai_task(gpt_model, "请写一首诗。")

run_ai_task(llama_model, "请写一首诗。")