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。

python 复制代码
from langchain.llms import OpenAI
llm = OpenAI(openai_api_key="...")

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:

python 复制代码
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!"))

这可能会得到类似这样的输出:

复制代码
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....

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:

python 复制代码
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)}")

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:

python 复制代码
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")

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

相关推荐
AI大模型学习教程12 小时前
前端学AI之LangChain.js入门教程:实现智能对话机器人
人工智能·langchain
金汐脉动14 小时前
解锁聊天模型的隐藏能力:工具调用全指南
langchain
金汐脉动14 小时前
增强LangChain交互体验:消息历史(记忆)功能详解
langchain
优弧15 小时前
OpenAI o3-Pro震撼登场!性能暴涨价格暴跌,这波操作我服了
chatgpt·openai
人工智能教学实践16 小时前
根据万维钢·精英日课6的内容,使用AI(2025)可以参考以下方法:
人工智能·chatgpt
牛大姐16 小时前
DeepSeek+LangChain:搭建一个基础的本地agent
langchain
我是王大你是谁16 小时前
详细比较 QLORA、LORA、MORA、LORI 常见参数高效微调方法
人工智能·llm
Ann16 小时前
【翻译】图解deepseek-R1
llm·deepseek
Baihai_IDP17 小时前
OCR 识别质量如何影响 RAG 系统的性能?有何解决办法?
人工智能·llm·aigc
硬核隔壁老王17 小时前
从零开始搭建RAG系统系列(十):RAG系统性能优化技巧-生成模块优化 (Optimizing Generator)
人工智能·程序员·llm