【星海出品】Langchain Prompt template

Management prompt words

We can use this program to face students from different families. But now this program cannot communicate in Chinese.

URL: https://platform.openai.com/account/api-keys

LLMs：

这是一个语言模型，It lets input words and return sentences.

input is a list of ChatMessage.

output is a single ChatMessage.

Object role

human message:ChatMessage 来自人类/用户。

AIMessage: ChatMessage 来自AI/助手。

SystemMessage: 来自系统的ChatMessage。

Prompt Template

provide a description for Language Model, Control the output for Language Model

How to use OpenAI

OpenAI

STEP 1

Enviroment

bash 复制代码

pip install langchain-openai

STEP 2

Method one
OpenAI-api

python 复制代码

export OPENAI_API_KEY="your-api-key"

from langchain_openai import ChatOpenAI

llm = ChatOpenAI()

Method two

python 复制代码

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(api_key="...")

STEP 3

python 复制代码

llm.invoke("how can langsmith help with testing?")

one or two also support predict

python 复制代码

predict(text: str, *, stop: Optional[Sequence[str]] = None, **kwargs: Any) → str
llm.predict("hello!")

python 复制代码

a = int(0)
try:
    from langchain_core.messages import HumanMessage
    a = '1'
except:
    try:
        from langchain.schema import HumanMessage
        a = '2'
    except:
        a = '3'
finally:
    print(a)

python 复制代码

text = "what would be a good company name for a company that makes colorful socks?"
message = (HumanMessage(content=text))
llm.predict_messages("message")

We can also guide its response with a prompt template. Prompt templates convert raw user input to better input to the LLM.

python 复制代码

from langchain_core.prompts import ChatPromptTemplate
prompt = ChatPromptTemplate.from_messages([
    ("system", "You are a world class technical documentation writer."),
    ("user", "{input}")
])

chain = prompt | llm 
chain.invoke({"input": "how can langsmith help with testing?"})

还可以添加输出解析器

python 复制代码

from langchain_core.output_parsers import StrOutputParser

output_parser = StrOutputParser()

chain = prompt | llm | output_parser

chain.invoke({"input": "how can langsmith help with testing?"})

We can now invoke it and ask the same question. The answer will now be a string (rather than a ChatMessage).

LangChain-ChatGLM:基于本地知识库的问答

langChain-ChatGLM git

ChatGLM-6B 简介

是一个开源模型，支持中英双语对话模型，基于 General Language Model(GLM)架构，具有62亿参数。

checkpoint，训练数据增加英文指令微调数据以平衡中英文数据比例

自我认知、提纲写作、文案写作、信息抽取

微调

针对预先训练的语言模型，在特定任务的少量数据集上对其进行进一步训练。

当任务或域定义明确，并且有足够的标记数据可供训练时，通常使用微调过程。

提示词工程

涉及设计自然语言提示或指令，可以指导语言模型执行特定任务。

最适合需要高精度和明确输出的任务。提示工程可用于make引发所需输出的查询。

LangChain 简介

LangChain是一个用于开发语言模型驱动的应用程序的框架。

主要功能：

调用语言模型
将不同数据源接入到语言模型的交互中
允许语言模型与运行环境交互

LangChain 中提供的模块

Modules：支持的模型类型和集成。
Prompt：提示词管理、优化和序列化。
Memory：内存是指在链/代理调用之间持续存在的状态。
Indexes：当语言模型与特定于应用程序的数据相结合时，会变得更加强大-此模块包含用于加载、查询和更新外部数据的接口和集成。
Chain：链是结构化的调用序列（对LLM或其他实用程序）
Agents: 代理是一个链，其中 LLM 在给定高级指令和一组工具的情况下，反复决定操作，执行操作并观察结果，直到高级指令完成。
Callbacks: 回调允许您纪录和流式传输任何链的中间步骤，从而轻松观察、调试和评估应用程序的内部。

LangChain 应用场景

文档问答：在特定文档上回答问题，仅利用这些文档的信息来构建答案。
个人助理： LangChain 的主要用例之一。个人助理需要采取行动，记住交互，并了解您的数据。
查询表格数据：使用语言模型查询表类型结构化数据（CSV、SQL、DataFrame等）
与API交互：使用语言模型与API交互非常强大。它允许他们访问最新信息，并允许他们采取行动。
信息提取：从文本中提取结构化信息。
文档总结：压缩较长文档，一种数据增强生成。

用户输入

能够接入的数据类型。加工后的提问内容

PPT、图片、HTML、PDF等非结构文件并转换为文本信息。

自定义

python 复制代码

from openai import OpenAI
client = OpenAI(api_key="xxx")

assistant = client.beta.assistants.create(
    name="Math Tutor",
    instructions="You are a personal math tutor. Write and run code to answer math questions.",
    tools=[{"type": "code_interpreter"}],
    model="gpt-3.5-turbo-1106"
)

import json
import os


def show_json(obj):
    print(json.loads(obj.model_dump_json()))

show_json(assistant)

# create threads
thread = client.beta.threads.create()
show_json(thread)

# add content
message = client.beta.threads.messages.create(
    thread_id=thread.id,
    role="user",
    content="I need to solve the equation `3x + 11 = 14`. Can you help me?"
)
show_json(message)

# run
run = client.beta.threads.runs.create(
    thread_id=thread.id,
    assistant_id=assistant.id,
    instructions="Please address the user as Andy. The user has a premium account."
)
show_json(run)

import time

def wait_on_run(run, thread):
    while run.status == "queued" or run.status == "in_progress":
        run = client.beta.threads.runs.retrieve(
            thread_id=thread.id,
            run_id=run.id,
        )
        time.sleep(0.5)
    return run

run = wait_on_run(run, thread)
show_json(run)

messages = client.beta.threads.messages.list(thread_id=thread.id)
show_json(messages)

参考文档：

https://sms-activate.org

https://zhuanlan.zhihu.com/p/608652730 #pytorch model

https://blog.csdn.net/Darlight/article/details/136620892