GPT实战系列-搭建LangChain流程简单应用

GPT实战系列-搭建LangChain流程简单应用

LLM大模型：

GPT实战系列-探究GPT等大模型的文本生成

GPT实战系列-Baichuan2等大模型的计算精度与量化

GPT实战系列-GPT训练的Pretraining，SFT，Reward Modeling，RLHF

GPT实战系列-ChatGLM3本地部署CUDA11+1080Ti+显卡24G实战方案

GPT实战系列-Baichuan2本地化部署实战方案

GPT实战系列-大话LLM大模型训练

随着OpenAI的GPT-4这样的大型语言模型（LLMs）已经风靡全球，现在让它们自动执行各种任务，如回答问题、翻译语言、分析文本等。LLMs是在交互上真正体验到像“人工智能”。

如何管理这些LLM呢？

LangChain在这方面发挥重要作用。

LangChain使构建由LLMs驱动的应用程序变得简单，使用LangChain，可以在统一的界面中轻松与不同类型的LLMs进行交互，管理模型版本，管理对话版本，并将LLMs连接在一起。

from langchain.llms import OpenAI
llm = OpenAI(openai_api_key="...")
1
2

LangChain的关键组件

LangChain的优势是它灵活且模块化，可以将语言处理分解为单独的部分，让开发者创建自定义工作流程。以下是它的关键部分：

• 组件和链：执行语言处理特定任务的模块。链将这些组件连接起来，形成自定义工作流程

• 提示模板：可重复使用的提示，可以更改其中的特定值。例如，一个询问用户姓名的提示可以被个性化

• 向量存储：通过文档的数字意义来保存和搜索信息

• 索引和检索器：存储和查找有关模型训练数据的详细信息，以获得更好的响应

• 输出解析器：管理和精炼模型的响应，使其更有结构

• 示例选择器：从模型的训练数据中选择正确的例子，提高响应准确性

• 代理：具有特定任务的唯一实例，如聊天机器人或移动应用程序

构建LangChain的应用程序

LangChain的LLM类可以连接到不同的模型提供商，如OpenAI和Hugging Face。可以轻松使用LangChain构建一个带有提示的应用程序，并得到输出。例如：

import os
from langchain.llms import OpenAI
llm = OpenAI(model_name="gpt-3.5-turbo",
             openai_api_key=os.environ["OPENAI_API_KEY"])
print(llm("Tell me a joke about pizza!"))
1
2
3
4
5

这可能会得到类似这样的输出：

Why did the pizza maker go to art school?
Because they wanted to get a "pizza" the creative action!
Hahahaha….. so funny Mr. gpt-3.5-turbo….
1
2
3

如果想要切换模型，只需简单更改代码。

LangChain管理Prompt

在LangChain中的PromptTemplate通过使用模板生成提示，帮助生成提示。可以在保持主结构的同时轻松更改值。例如：

from langchain.llms import OpenAI
from langchain import PromptTemplate
import os

USER_INPUT = "chocolate cake"
llm = OpenAI(model_name="gpt-3.5-turbo",
             openai_api_key=os.environ["OPENAI_API_KEY"])

template = """I'm interested in making {dish}. Can you provide me with a simple recipe for it, including the main ingredients and basic instructions?"""
prompt = PromptTemplate(input_variables=["dish"], template=template)
final_prompt = prompt.format(dish=USER_INPUT)
print(f"LLM Output: {llm(final_prompt)}")
1
2
3
4
5
6
7
8
9
10
11
12

这使得管理所有提示并处理动态输入变得非常容易。

结合LLMs和Prompt的工作流

在LangChain中进行链接意味着将LLMs与其他元素组合用于应用程序。可以：

• 使用一个LLM的输出作为另一个LLM的输入。
• 将LLMs与模板结合使用。
• 将LLMs与外部数据或聊天历史结合使用。

例如：

from langchain.llms import OpenAI
from langchain.chains import LLMChain, SimpleSequentialChain
from langchain import PromptTemplate
import os

llm = OpenAI(model_name="gpt-3.5-turbo",
             openai_api_key=os.environ["OPENAI_API_KEY"])

# 第一步
template = "Can you provide a brief summary of the movie {movie_title}? Please keep it concise."
first_prompt = PromptTemplate(input_variables=["movie_title"],template=template)
chain_one = LLMChain(llm=llm, prompt=first_prompt)

# 第二步
second_prompt = PromptTemplate(input_variables=["actor"],
                               template="Can you list three movies featuring {actor}?")
chain_two = LLMChain(llm=llm, prompt=second_prompt)

# 结合第一和第二链
overall_chain = SimpleSequentialChain(chains=[chain_one, chain_two], verbose=True)
final_answer = overall_chain.run("Inception")
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

此示例构建了一个两步链，用于查找有关电影的演员信息。

LangChain是一个Python框架，让我们可以使用LLMs构建应用程序。它与各种模型连接，使与LLM和提示管理有关的一切变得简单。

觉得有用 收藏 收藏 收藏

点个赞 点个赞 点个赞

End

GPT专栏文章：

GPT实战系列-ChatGLM3本地部署CUDA11+1080Ti+显卡24G实战方案

GPT实战系列-LangChain + ChatGLM3构建天气查询助手

大模型查询工具助手之股票免费查询接口

GPT实战系列-简单聊聊LangChain

GPT实战系列-大模型为我所用之借用ChatGLM3构建查询助手

GPT实战系列-P-Tuning本地化训练ChatGLM2等LLM模型，到底做了什么？(二)

GPT实战系列-P-Tuning本地化训练ChatGLM2等LLM模型，到底做了什么？(一)

GPT实战系列-ChatGLM2模型的微调训练参数解读

GPT实战系列-如何用自己数据微调ChatGLM2模型训练

GPT实战系列-ChatGLM2部署Ubuntu+Cuda11+显存24G实战方案

GPT实战系列-Baichuan2本地化部署实战方案

GPT实战系列-Baichuan2等大模型的计算精度与量化

GPT实战系列-GPT训练的Pretraining，SFT，Reward Modeling，RLHF

GPT实战系列-探究GPT等大模型的文本生成-CSDN博客