目录
关于 langchian 额一些应用,可以查看案例:
GitHub - 5zjk5/prompt-engineering: prompt 工程项目案例
基础不使用批次
python
from dotenv import load_dotenv
import time
import os
from langchain_core.prompts import PromptTemplate
from langchain.chains import LLMChain
load_dotenv('key.env')
from langchain_community.llms import Tongyi
def tongyi_qwen_plus(temperature=1):
# 通义 qwen_plus
model = Tongyi(temperature=temperature, model_name='qwen-plus', dashscope_api_key=os.getenv('DASHSCOPE_API_KEY'))
return model
llm = tongyi_qwen_plus()
prompt = [
'说出"你好",不需要输出其他字',
'说出"中国在哪里?",不需要输出其他字',
'说出"你能做什么?",不需要输出其他字',
'说出"讲一个小白兔故事",不需要输出其他字',
'说出"你好",不需要输出其他字',
'说出"中国在哪里?",不需要输出其他字',
'说出"你能做什么?",不需要输出其他字',
'说出"讲一个小白兔故事",不需要输出其他字',
'说出"你好",不需要输出其他字',
'说出"中国在哪里?",不需要输出其他字',
'说出"你能做什么?",不需要输出其他字',
'说出"讲一个小白兔故事",不需要输出其他字',
'说出"你好",不需要输出其他字',
'说出"中国在哪里?",不需要输出其他字',
'说出"你能做什么?",不需要输出其他字',
'说出"讲一个小白兔故事",不需要输出其他字',
'说出"你好",不需要输出其他字',
'说出"中国在哪里?",不需要输出其他字',
'说出"你能做什么?",不需要输出其他字',
'说出"讲一个小白兔故事",不需要输出其他字',
]
start = time.time()
def base_llm_chain(model, prompt, **kwargs):
"""
https://python.langchain.com/docs/modules/model_io/prompts/composition/#string-prompt-composition
基础链,带有变量的 prompt ,model 两个组成链
:param model: llm
:param prompt: prompt 其中的变量是用 {} 括起来的
:param kwargs: prompt 中的变量
:return:
"""
prompt = PromptTemplate.from_template(prompt)
chain = LLMChain(llm=model, prompt=prompt)
res = chain.run(kwargs)
return res
res = []
for p in prompt:
_ = base_llm_chain(llm, p)
res.append(_)
end = time.time()
t = end - start
print(t)
batch
python
from dotenv import load_dotenv
import time
import os
from langchain_core.prompts import PromptTemplate
from langchain.chains import LLMChain
load_dotenv('key.env')
from langchain_community.llms import Tongyi
def tongyi_qwen_plus(temperature=1):
# 通义 qwen_plus
model = Tongyi(temperature=temperature, model_name='qwen-plus', dashscope_api_key=os.getenv('DASHSCOPE_API_KEY'))
return model
llm = tongyi_qwen_plus()
prompt = [
'说出"你好",不需要输出其他字',
'说出"中国在哪里?",不需要输出其他字',
'说出"你能做什么?",不需要输出其他字',
'说出"讲一个小白兔故事",不需要输出其他字',
'说出"你好",不需要输出其他字',
'说出"中国在哪里?",不需要输出其他字',
'说出"你能做什么?",不需要输出其他字',
'说出"讲一个小白兔故事",不需要输出其他字',
'说出"你好",不需要输出其他字',
'说出"中国在哪里?",不需要输出其他字',
'说出"你能做什么?",不需要输出其他字',
'说出"讲一个小白兔故事",不需要输出其他字',
'说出"你好",不需要输出其他字',
'说出"中国在哪里?",不需要输出其他字',
'说出"你能做什么?",不需要输出其他字',
'说出"讲一个小白兔故事",不需要输出其他字',
'说出"你好",不需要输出其他字',
'说出"中国在哪里?",不需要输出其他字',
'说出"你能做什么?",不需要输出其他字',
'说出"讲一个小白兔故事",不需要输出其他字',
]
start = time.time()
def batch_base_llm_chain_no_var(model, prompt):
"""
基础链,批次调用
不带变量的,传入的 prompt 是一个列表
这种方式经过测试,没有用,测试了通义,智谱,这应该是专门为 openai 设计的接口
需要真正批次调用使用 batch_base_llm_chain 方法,经测试有用
"""
res = model.batch(prompt)
return res
# res = Chain.batch_base_llm_chain(llm, '{prompt_string}', max_concurrency=16, prompt_string=prompt)
res = batch_base_llm_chain_no_var(llm, prompt)
end = time.time()
t = end - start
print(t)
跑几次都是 22s 左右,跟一条一条调用没有区别,测试了通义,智谱都一样,这应该是专门为 openai 设计的接口。
批次调用
下面这个方法才有用
python
from dotenv import load_dotenv
import time
import os
from langchain_core.prompts import PromptTemplate
from langchain.chains import LLMChain
load_dotenv('key.env')
from langchain_community.llms import Tongyi
def tongyi_qwen_plus(temperature=1):
# 通义 qwen_plus
model = Tongyi(temperature=temperature, model_name='qwen-plus', dashscope_api_key=os.getenv('DASHSCOPE_API_KEY'))
return model
llm = tongyi_qwen_plus()
prompt = [
'说出"你好",不需要输出其他字',
'说出"中国在哪里?",不需要输出其他字',
'说出"你能做什么?",不需要输出其他字',
'说出"讲一个小白兔故事",不需要输出其他字',
'说出"你好",不需要输出其他字',
'说出"中国在哪里?",不需要输出其他字',
'说出"你能做什么?",不需要输出其他字',
'说出"讲一个小白兔故事",不需要输出其他字',
'说出"你好",不需要输出其他字',
'说出"中国在哪里?",不需要输出其他字',
'说出"你能做什么?",不需要输出其他字',
'说出"讲一个小白兔故事",不需要输出其他字',
'说出"你好",不需要输出其他字',
'说出"中国在哪里?",不需要输出其他字',
'说出"你能做什么?",不需要输出其他字',
'说出"讲一个小白兔故事",不需要输出其他字',
'说出"你好",不需要输出其他字',
'说出"中国在哪里?",不需要输出其他字',
'说出"你能做什么?",不需要输出其他字',
'说出"讲一个小白兔故事",不需要输出其他字',
]
start = time.time()
def batch_base_llm_chain(model, prompt, max_concurrency=5, **kwargs):
"""
https://python.langchain.com/docs/modules/model_io/prompts/composition/#string-prompt-composition
基础链,带有变量的 prompt ,与不带变量的都可以用,model 两个组成链,批次调用
:param model: llm
:param prompt: prompt 其中的变量是用 {} 括起来的
:param kwargs: prompt 中的变量
:param max_concurrency: 并发请求数
e.g: 带变量的调用
prompt = 'tell me a joke about {other} and {topic2}'
other = ['bear', 'dog']
topic2 = ['cat', 'monkey']
Chain.batch_base_llm_chain(llm, prompt, other=other, topic2=topic2)
传进来后的 kwargs: kwargs = {'topic1': ['bear', 'dog'], 'topic2': ['cat', 'monkey']}
处理后 batch_list: batch_list = [{"topic1": "bears", "topic2": "cat"}, {"topic1": "dog", "topic2": "monkey"}]
e.g: 不带变量的调用
prompt = '{prompt_string}'
prompt_lst = ['xxx', 'xxx'...]
Chain.batch_base_llm_chain(llm, '{prompt_string}', max_concurrency=16, prompt_string=prompt_lst)
:return:
"""
prompt = PromptTemplate.from_template(prompt)
chain = LLMChain(llm=model, prompt=prompt)
# 确保所有列表长度相同,构造批次列表
keys = list(kwargs.keys())
first_list_length = len(kwargs[keys[0]])
if all(len(kwargs[key]) == first_list_length for key in keys):
# 使用zip函数将所有值配对
paired_values = zip(*[kwargs[key] for key in keys])
# 遍历配对后的值,构造新的字典列表
batch_list = [dict(zip(keys, values)) for values in paired_values]
else:
print("批次对应列表长度不一致,无法转换。")
return None
res = chain.batch(batch_list, config={"max_concurrency": max_concurrency})
return res
res = batch_base_llm_chain(llm, '{prompt_string}', max_concurrency=16, prompt_string=prompt)
end = time.time()
t = end - start
print(t)
快了 2-3 倍