【LangChain系列 14】语言模型概述

本文速读

LLMs
对话模型

LangChain集成了两种语言模型：

LLM：输入文本，返回文本
对话模型：基于LLM，输入Message列表，返回一条Message

LLM和对话模型之间有着细微且重要的不同。在LangChain中，LLMs指的是纯文本补全模型，它的API封装是：将字符串prompt作为输入，然后返回一个字符串。GPT-3是作为一个LLM实现的，然后在它的基础上进行调整使其具有对话能力。GPT-4和Claude都是作为对话模型实现的。

在LangChain中，为了将LLMs和对话模型可以互换使用，它们都继承了基础语言模型接口，它包含一些公共方法，比如predict, predict messages。

01 LLMs

LLMs(Large Language Models )是LangChain在核心组件，LangChain并不服务于它自己的LLMs，而是提供标准接口来与不同的LLMs交互。

下面我们从OpenAI LLM开始吧。

安装openai

bash 复制代码

pip install openai

准备API key

注册好OpenAI的帐号后，可以在后台生成key。有两种方式使用API key，一种是通过环境变量的方式：

bash 复制代码

export OPENAI_API_KEY="..."

然后在代码中就不需要指定key了：

python 复制代码

from langchain.llms import OpenAI

llm = OpenAI()

另一种方式是直接在代码中指定：

python 复制代码

from langchain.llms import OpenAI

llm = OpenAI(openai_api_key="...")

使用LLM

最简单的方式是直接调用：

llm("Tell me a joke")

'Why did the chicken cross the road?\n\nTo get to the other side.'

同时也支持批量调用：

llm_result = llm.generate(["Tell me a joke", "Tell me a poem"]*15)

len(llm_result.generations)

30

查看结果：

python 复制代码

llm_result.generations[0]

python 复制代码

[Generation(text='\n\nWhy did the chicken cross the road?\n\nTo get to the other side!'),
   Generation(text='\n\nWhy did the chicken cross the road?\n\nTo get to the other side.')]

python 复制代码

llm_result.llm_output

bash 复制代码

  {'token_usage': {'completion_tokens': 3903,
    'total_tokens': 4023,
    'prompt_tokens': 120}
  }

02 对话模型

对话模型的底层是LLM，但是它的上层接口和LLM的还是有点不同。LLM的是"text in, text out"相关的API，对话模型接口的输入/输出是Message。

同样地，我们依然以OpenAI为例来介绍对话模型。

安装openai

pip install openai
准备API key

和LLM的方法一致，也支持环境变量和代码中两种指定方式。

python 复制代码

from langchain.chat_models import ChatOpenAI

chat = ChatOpenAI(openai_api_key="...")

使用对话模型

最简单的使用方式就是传入一条或多条Message，然后返回一条Message.

python 复制代码

messages = [
    SystemMessage(content="You are a helpful assistant that translates English to French."),
    HumanMessage(content="I love programming.")
]
chat(messages)

python 复制代码

AIMessage(content="J'aime programmer.", additional_kwargs={})

同样地，对话模型也支持批量：

python 复制代码

batch_messages = [
    [
        SystemMessage(content="You are a helpful assistant that translates English to French."),
        HumanMessage(content="I love programming.")
    ],
    [
        SystemMessage(content="You are a helpful assistant that translates English to French."),
        HumanMessage(content="I love artificial intelligence.")
    ],
]
result = chat.generate(batch_messages)
result

python 复制代码

LLMResult(generations=[[ChatGeneration(text="J'aime programmer.", generation_info=None, message=AIMessage(content="J'aime programmer.", additional_kwargs={}))], [ChatGeneration(text="J'aime l'intelligence artificielle.", generation_info=None, message=AIMessage(content="J'aime l'intelligence artificielle.", additional_kwargs={}))]], llm_output={'token_usage': {'prompt_tokens': 57, 'completion_tokens': 20, 'total_tokens': 77}})

查看token信息：

python 复制代码

result.llm_output

bash 复制代码

{'token_usage': {'prompt_tokens': 57,
    'completion_tokens': 20,
    'total_tokens': 77}}

本文小结

LangChain集成了LLM和对话模型两类模型，两者上层接口的差别是：LLM是"text in, text out", 而对话模型是"message in, message out"。

【LangChain系列 14】语言模型概述

本文速读

01 LLMs

02 对话模型

本文小结

公众号：大白爱爬山