langchain进阶一:特殊的chain,轻松实现对话,与数据库操作,抽取数据,以及问答.

特殊的chain

langchain中的Chain有很多,能够轻松实现部分需求,极致简化代码,但是实现效果与模型智慧程度有关

会话链

效果与LLMChain大致相同

javascript 复制代码

from langchain.chains import ConversationChain
from langchain_community.llms import OpenAI
conversation = ConversationChain(llm=OpenAI())

SQL链

顾名思义,跟数据库有关,可以使用自然语言进行数据库操作,他自动生成sql语句操作,并且进行归纳回答,速度比直接使用数据库链接工具更慢,智慧程度低对的模型进行理解自然语言时出现偏差可能会把数据库秒了.属于待开发功能

ini 复制代码

 # pip install -U langchain langchain-community langchain-openai
from langchain_openai import ChatOpenAI
from langchain.chains import create_sql_query_chain#查询链
from langchain_community.utilities import SQLDatabase
db = SQLDatabase.from_uri("mysql+pymysql://{数据库用户名}:{密码}@localhost/{数据库名}")
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
chain = create_sql_query_chain(llm, db)
response = chain.invoke({"question": "这个数据库中有多少数据"})

ini 复制代码

#数据库crud都能操作,但是可能会秒数据库,在以后的版本可能会被移除
import os
from dotenv import find_dotenv, load_dotenv
load_dotenv(find_dotenv())
OPENAI_API_BASE=os.environ["OPENAI_API_BASE"] 
OPENAI_API_KEY=os.environ["OPENAI_API_KEY"]
os.environ["SERPAPI_API_KEY"]
from langchain_openai import ChatOpenAI
from langchain.utilities import SQLDatabase
from langchain_experimental.sql import SQLDatabaseChain
from langchain.memory import ConversationBufferMemory
db = SQLDatabase.from_uri("mysql+pymysql://{数据库用户名}:{密码}@localhost/{数据库名}")
llm=ChatOpenAI(api_key=OPENAI_API_KEY,base_url=OPENAI_API_BASE,temperature=0)#扩散度置为0,回答更准确
memory = ConversationBufferMemory(memory_key="chat_history")
db_chain = SQLDatabaseChain(llm=llm,
                            database=db, 
                            verbose=False,
                            use_query_checker=True, 
                            memory=memory)
text="表中有那些字段"
res=db_chain.run(text)
print(res)

抽取链

将人的自然语言转换成结构化语句,除了使用人力或者专门训练的模型似乎没有好的解决办法langchain中有个内置的抽取链,能够做到这件难事儿,实现抽取链有两种方式

使用langchain的create_extraction_chain

使用langchain稳定版本中的抽取链

ini 复制代码

import os
from dotenv import find_dotenv, load_dotenv
load_dotenv(find_dotenv())
OPENAI_API_BASE=os.environ["OPENAI_API_BASE"] 
OPENAI_API_KEY=os.environ["OPENAI_API_KEY"]
from langchain.chains import create_extraction_chain
from langchain_openai import ChatOpenAI
from langchain.prompts import (
    PromptTemplate,
)

llm=ChatOpenAI(api_key=OPENAI_API_KEY,base_url=OPENAI_API_BASE,temperature=0)

def extract(res:str):
    prompt = PromptTemplate(
    template="分析出\n{res}\n中的水果\n",#进行提示告诉它该怎么做
    input_variables=["res"],
    )
    # Schema定义结构化的数据模型
    schema = {
        "properties": {
            "reason": {"fruit": "string"},
        },
        "required": ["fruit"],
    }
    chain = create_extraction_chain(schema, llm, prompt,verbose=True)
    return chain.run(res)

if __name__ == "__main__":
    res = "我喜欢吃苹果,它让我感到幸福"
    print(extract(res))

使用kor.extraction的create_extraction_chain

ini 复制代码

#pip install kor
import os
from dotenv import find_dotenv, load_dotenv
load_dotenv(find_dotenv())
OPENAI_API_BASE=os.environ["OPENAI_API_BASE"] 
OPENAI_API_KEY=os.environ["OPENAI_API_KEY"] 
from langchain_openai import ChatOpenAI
from langchain.prompts import PromptTemplate
from langchain.schema.prompt_template import BasePromptTemplate
from kor.extraction import create_extraction_chain# %% 信息抽取链 %%
from kor.nodes import Object, Text, Number #%% 节点类型 %%
import json

def json_dump(json_object): 
   json_formatted_str = json.dumps(json_object, indent=2, ensure_ascii=False) 
   print(json_formatted_str)

llm=ChatOpenAI(api_key=OPENAI_API_KEY,base_url=OPENAI_API_BASE,temperature=0)

res_schema = Object(
    id="成绩",
    description="关于成绩的信息",# %%描述信息 %%
    attributes=[#%% 属性text表示字符串字段，number表示数字字段 %%
        Text(
            id="name",
            description="这个人的名字."
        ),
        Text(
            id="Results",
            description="关于这个人的成绩."
        ),
        Number(
            id="ranking",
            description="关于这个人的排名."
        )
    ],
    examples=[# 给模型的样本例子，将数据输出成例子一样的格式 
        (
            '''张山这次获得第一名，他考了100分, 而李四获得第五名，他考了80.''',
            [
                {"name": "张三", "Results": "100", "ranking": 1},
                {"name": "李四", "Results": "80", "ranking": 5},
            ],
        )
    ]
)
extraction_chain = create_extraction_chain(llm, res_schema)
text="王五比赵六多10分，赵六只考了60分排十名，赵六比他多三名"
output=extraction_chain.run(text)
json_dump(output)

根据使用,第三方的kor抽取效果要更好,但是会有警告,而且需要自己转换数据类型,官方也没有给出后续是否会移除这个kor

QA链

众所周知,大语言模型知道很多东西,知识很有广度,但我问他xx大学有什么选修课的时候,他可能就无法回答,如果他有这个大学的选修课知识库,就能回答了,所以QA链就是基于某个知识库进行问答的,这个知识库可以是txt,pdf,或者mongoDB,但必须是一个文档.

需要将文档进行加载,使用text_splitter进行向量存储,这里有一个向量数据库的概念就不过多描述了,有兴趣可以自行了解.

ini 复制代码

import os
from dotenv import find_dotenv, load_dotenv
load_dotenv(find_dotenv())
OPENAI_API_BASE=os.environ["OPENAI_API_BASE"] 
OPENAI_API_KEY=os.environ["OPENAI_API_KEY"] 

from langchain_openai import ChatOpenAI,OpenAIEmbeddings

from langchain_community.document_loaders import PyMuPDFLoader

from langchain.chains.question_answering import load_qa_chain
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.vectorstores import Chroma

PDF_NAME = 'xxx.pdf'##pdf的地址
docs = PyMuPDFLoader(PDF_NAME).load()##加载到docs中
#进行向量存储
text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
split_docs = text_splitter.split_documents(docs)

embeddings = OpenAIEmbeddings()
vectorstore = Chroma.from_documents(split_docs, embeddings, collection_name="serverless_guide")

llm=ChatOpenAI(api_key=OPENAI_API_KEY,base_url=OPENAI_API_BASE,temperature=0)
chain = load_qa_chain(llm, chain_type="stuff",verbose=True)

def search_recommend(human_input):
    query = human_input
    similar_docs = vectorstore.similarity_search(query, 3)
    res=chain.run(input_documents=similar_docs, question=query)#run方法后续将换成invoke
    return res

text="简单介绍一下主要内容"
res=search_recommend(text)
print(res)

langchain中还有更多其他的链,可在官方文档中查看,最好是英文文档,中文文档更新速度很慢

参考文档:www.langchain.com/