自定义 LLM：LangChain与文心一言擦出火花

自定义 LLM

自定义 LLM 需要实现以下必要的函数：

• _call ：它需要接受一个字符串、可选的停用词，并返回一个字符串。

它还可以实现第二个可选的函数：

• _identifying_params ：用于帮助打印 LLM 信息。该函数应该返回一个字典。

使用LLM模块来封装我们的模型接口，可以带来许多好处，其中之一就是有利于与LangChain的其他模块进行协同工作。

下面我们通过 LangChain自定义LLM 实现文心一言 ERNIE-Bot-turbo 大模型接入：

代码语言：javascript

复制

import jsonimport timefrom typing import Any, List, Mapping, Optional, Dict, Union, Tupleimport loggingimport requestsfrom langchain.callbacks.manager import CallbackManagerForLLMRunfrom langchain.llms.base import LLMfrom langchain.utils import get_from_dict_or_envfrom pydantic import Field, root_validatorlogger = logging.getLogger(__name__)def get_access_token(api_key: str, secret_key: str):    """    使用 API Key，Secret Key 获取access_token    """    url = f"https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id={api_key}&client_secret={secret_key}"    payload = json.dumps("")    headers = {        'Content-Type': 'application/json',        'Accept': 'application/json'    }    resp = requests.request("POST", url, headers=headers, data=payload)    return resp.json().get("access_token")class ErnieLLm(LLM):    url = "https://aip.baidubce.com/rpc/2.0/ai_custom/v1/wenxinworkshop/chat/eb-instant"    model_name: str = Field(default="ERNIE-Bot-turbo", alias="model")    request_timeout: Optional[Union[float, Tuple[float, float]]] = None    temperature: float = 0.95    """temperature 说明：    （1）较高的数值会使输出更加随机，而较低的数值会使其更加集中和确定    （2）默认0.95，范围 (0, 1.0]，不能为0    （3）建议该参数和top_p只设置1个    （4）建议top_p和temperature不要同时更改    """    top_p: float = 0.8    """top_p 说明：    （1）影响输出文本的多样性，取值越大，生成文本的多样性越强    （2）默认0.8，取值范围 [0, 1.0]    （3）建议该参数和temperature只设置1个    （4）建议top_p和temperature不要同时更改    """    penalty_score: float = 1.0    """通过对已生成的token增加惩罚，减少重复生成的现象。说明：    （1）值越大表示惩罚越大    （2）默认1.0，取值范围：[1.0, 2.0]    """    ernie_api_key: Optional[str] = None    """文心一言大模型 apiKey"""    ernie_secret_key: Optional[str] = None    """文心一言大模型 secretKey"""    user_id: Optional[str] = None    """表示最终用户的唯一标识符，可以监视和检测滥用行为，防止接口恶意调用"""    streaming: bool = False    """是否以流式接口的形式返回数据，默认false"""    cache: bool = False    """是否开启缓存，默认为false"""    model_kwargs: Dict[str, Any] = Field(default_factory=dict)    """Holds any model parameters valid for `create` call not explicitly specified."""    @root_validator()    def validate_environment(cls, values: Dict) -> Dict:        """Validate that api key and python package exists in environment."""        values["ernie_api_key"] = get_from_dict_or_env(            values, "ernie_api_key", "ERNIE_API_KEY"        )        values["ernie_secret_key"] = get_from_dict_or_env(            values,            "ernie_secret_key",            "ERNIE_SECRET_KEY"        )        return values    @property    def _default_params(self) -> Dict[str, Any]:        """获取调用Ennie API的默认参数。"""        normal_params = {            "temperature": self.temperature,            "top_p": self.top_p,            "penalty_score": self.penalty_score,            "request_timeout": self.request_timeout,        }        return {**normal_params, **self.model_kwargs}    def _construct_query(self, prompt: str) -> Dict:        """构造请求体"""        query = {            "messages": [                {                    "role": "user",                    "content": prompt                }            ],            "stream": self.streaming,            "temperature": self.temperature,            "top_p": self.top_p,            "penalty_score": self.penalty_score,            "user_id": self.user_id,        }        return query    @property    def _identifying_params(self) -> Mapping[str, Any]:        """Get the identifying parameters."""        return {**{"model_name": self.model_name}, **self._default_params}    @property    def _llm_type(self) -> str:        return "ernie"    def _call(            self,            prompt: str,            stop: Optional[List[str]] = None,            run_manager: Optional[CallbackManagerForLLMRun] = None,            **kwargs: Any,    ) -> str:        """_call 实现对模型的调用"""        # construct query        query = self._construct_query(prompt=prompt)        # post        _headers = {"Content-Type": "application/json"}        with requests.session() as session:            resp = session.post(                self.url + "?access_token=" + get_access_token(self.ernie_api_key, self.ernie_secret_key),                json=query,                headers=_headers,                timeout=60)            if resp.status_code == 200:                resp_json = resp.json()                predictions = resp_json["result"]                return predictions        return "请求失败"

😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓
### **使用自定义 LLM**

配置及加载环境变量

在 .env 文件中配置变量：

代码语言：javascript

复制

加载配置文件：

代码语言：javascript

复制

调用 LLM

最简单的调用：

代码语言：javascript

复制

运行结果：

代码语言：javascript

复制

也可以通过构造直接传入 ernie_api_key和ernie_secret_key，如：

代码语言：javascript

复制

LLM 关键参数

我们可以通过调整 temperature、top_p、penalty_score等参数来优化模型回答的结果。

temperature

说明： （1）较高的数值会使输出更加随机，而较低的数值会使其更加集中和确定 （2）默认0.95，范围 (0, 1.0]，不能为0 （3）建议该参数和top_p只设置1个 （4）建议top_p和temperature不要同时更改

top_p

说明： （1）影响输出文本的多样性，取值越大，生成文本的多样性越强 （2）默认0.8，取值范围 [0, 1.0] （3）建议该参数和temperature只设置1个 （4）建议top_p和temperature不要同时更改

penalty_score

通过对已生成的token增加惩罚，减少重复生成的现象。说明： （1）值越大表示惩罚越大 （2）默认1.0，取值范围：[1.0, 2.0]

使用方法：

代码语言：javascript

复制

运行结果：

代码语言：javascript

复制

添加缓存

从之前的文章中我们讲过如何使用缓存以及多种缓存方式，在这里我们使用本地内存缓存，配置缓存后，如果同一个问题被第二次提问，模型可以快速给出答案。

代码语言：javascript

复制

from langchain.cache import InMemoryCache# 启动llm的缓存langchain.llm_cache = InMemoryCache()

由于在自定义LLM时，缓存参数 cache默认为 False，这里我们需要设置为 True。同时我们通过两次执行来看看效果：

代码语言：javascript

复制

llm = ErnieLLm(temperature=0.95, top_p=1.0, cache=True)s = time.perf_counter()# 第一次调用print(llm("给我讲一个笑话"))elapsed = time.perf_counter() - sprint("\033[1m" + f"第一次调用耗时 {elapsed:0.2f} 秒." + "\033[0m")s = time.perf_counter()# 第一次调用print(llm("给我讲一个笑话"))elapsed = time.perf_counter() - sprint("\033[1m" + f"第二次调用耗时 {elapsed:0.2f} 秒." + "\033[0m")

运行结果：

代码语言：javascript

复制

当然可以，这是一个关于两只鸟的笑话：有两只小鸟，一只小鸟问："哥哥，人们都说你长得好帅，你觉得自己帅吗？"哥哥小鸟羞涩地回答："不，我不觉得自己帅，我只是很可爱。"而第二只小鸟打断了他："哥呀，人家说的是你旁边的蝴蝶卷毛哈。"第一次调用耗时 2.37 秒.当然可以，这是一个关于两只鸟的笑话：有两只小鸟，一只小鸟问："哥哥，人们都说你长得好帅，你觉得自己帅吗？"哥哥小鸟羞涩地回答："不，我不觉得自己帅，我只是很可爱。"而第二只小鸟打断了他："哥呀，人家说的是你旁边的蝴蝶卷毛哈。"第二次调用耗时 0.00 秒.

可以看到第二次请求所用时间近乎为0（可能是纳秒级别）。

小结

本文主要介绍了在LangChain平台上自定义LLM的步骤和参数，并以文心一言的ERNIE-Bot-turbo模型为例进行了详细说明。文章首先介绍了自定义LLM需要实现的必要函数，包括_call函数和_identifying_params函数。然后，通过导入dotenv模块和配置环境变量，示例代码演示了如何加载配置文件并调用自定义LLM。接下来，文章介绍了LLM的一些关键参数，如temperature、top_p和penalty_score，并展示了如何根据需要调整这些参数来优化模型的回答结果。最后，文章提到了使用缓存的方法，通过启动LLM的缓存来加速模型的响应速度，并通过两次调用的结果展示了缓存的效果。

那么，我们该如何学习大模型？

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一、大模型全套的学习路线

学习大型人工智能模型，如GPT-3、BERT或任何其他先进的神经网络模型，需要系统的方法和持续的努力。既然要系统的学习大模型，那么学习路线是必不可少的，下面的这份路线能帮助你快速梳理知识，形成自己的体系。

L1级别:AI大模型时代的华丽登场

L2级别：AI大模型API应用开发工程

L3级别：大模型应用架构进阶实践

L4级别：大模型微调与私有化部署

一般掌握到第四个级别，市场上大多数岗位都是可以胜任，但要还不是天花板，天花板级别要求更加严格，对于算法和实战是非常苛刻的。建议普通人掌握到L4级别即可。

以上的AI大模型学习路线，不知道为什么发出来就有点糊 ，高清版可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。