像OpenAI的GPT-4这样的大型语言模型(LLMs)已经风靡全球。它们可以自动执行各种任务,如回答问题、翻译语言、分析文本等。LLMs是第一种真正感觉像“人工智能”的机器学习类型。
然而,在将LLMs应用于实际产品时仍然存在挑战。特别是其中一个最棘手和繁琐的挑战是LLM的管理。如果我们想要构建由LLMs驱动的应用程序,我们需要管理以下几个方面:
不同类型的LLM —— OpenAI、Anthropic、开源等
模型版本 —— 随着我们更新到最新版本
提示版本 —— 随着不断调整和改进提示
模型链接 —— 可能需要结合或链接多个LLM的输入和输出以获得最终结果
要独自完成所有这些工作将需要大量工作,这就是LangChain发挥作用的地方!
介绍LangChain
LangChain使构建由LLMs驱动的应用程序变得简单。它提供了极大简化上述所有挑战的工具。使用LangChain,我们可以在统一的界面中轻松与不同类型的LLMs进行交互,管理模型版本,管理提示版本,并将LLMs连接在一起。所有这些功能都打包在易于使用的API中,因此我们可以快速在应用程序中利用LLMs。
安装
开始使用LangChain很容易。我们可以使用pip进行安装,如下所示:
pip install langchain
或者使用conda:
conda install langchain -c conda-forge
最后,如果想要所有最新的功能,可以直接从其GitHub存储库构建该库。
设置
为了充分利用LangChain,将希望将其与不同的组件,如模型提供商和API,集成在一起。可以为希望连接到的每个提供商设置环境变量。例如,对于OpenAI,可以设置OpenAI API密钥:
export OPENAI_API_KEY="..."
或者,可以在使用LangChain的Python应用程序中启动后,在代码中设置变量:
from langchain.llms import OpenAI
llm = OpenAI(openai_api_key="...")
LangChain的关键部分
LangChain之所以伟大,是因为它灵活且模块化。它将语言处理分解为单独的部分,让开发者创建自定义工作流程。以下是它的关键部分:
组件和链:执行语言处理特定任务的模块。链将这些组件连接起来,形成自定义工作流程
提示模板:可重复使用的提示,可以更改其中的特定值。例如,一个询问用户姓名的提示可以被个性化
向量存储:通过文档的数字意义来保存和搜索信息
索引和检索器:存储和查找有关模型训练数据的详细信息,以获得更好的响应
输出解析器:管理和精炼模型的响应,使其更有结构
示例选择器:从模型的训练数据中选择正确的例子,提高响应准确性
代理:具有特定任务的唯一实例,如聊天机器人或移动应用程序
在LangChain中构建一个由LLM驱动的应用程序
LangChain的LLM类连接到不同的语言模型提供商,如OpenAI和Hugging Face。我们可以轻松使用LangChain构建一个带有提示的应用程序,并得到输出。例如:
import os
from langchain.llms import OpenAI
llm = OpenAI(model_name="gpt-3.5-turbo",
openai_api_key=os.environ["OPENAI_API_KEY"])
print(llm("Tell me a joke about pizza!"))
这可能会得到类似这样的输出:
Why did the pizza maker go to art school?
Because they wanted to get a "pizza" the creative action!
Hahahaha….. so funny Mr. gpt-3.5-turbo….
如果我们想要切换模型,只需在代码中更改一些细节即可。
在LangChain中管理LLMs的提示
LLMs需要正确的提示才能得到正确的输出。LangChain中的PromptTemplate通过使用模板生成提示,帮助生成提示。可以在保持主结构的同时轻松更改值。例如:
from langchain.llms import OpenAI
from langchain import PromptTemplate
import os
USER_INPUT = "chocolate cake"
llm = OpenAI(model_name="gpt-3.5-turbo",
openai_api_key=os.environ["OPENAI_API_KEY"])
template = """I'm interested in making {dish}. Can you provide me with a simple recipe for it, including the main ingredients and basic instructions?"""
prompt = PromptTemplate(input_variables=["dish"], template=template)
final_prompt = prompt.format(dish=USER_INPUT)
print(f"LLM Output: {llm(final_prompt)}")
这使得管理所有提示并处理动态输入变得非常容易。
在多步骤工作流中结合LLMs和提示
在LangChain中进行链接意味着将LLMs与其他元素组合用于应用程序。我们可以:
使用一个LLM的输出作为另一个LLM的输入。
将LLMs与模板结合使用。
将LLMs与外部数据或聊天历史结合使用。
例如:
from langchain.llms import OpenAI
from langchain.chains import LLMChain, SimpleSequentialChain
from langchain import PromptTemplate
import os
llm = OpenAI(model_name="gpt-3.5-turbo",
openai_api_key=os.environ["OPENAI_API_KEY"])
# 链中的第一步
template = "Can you provide a brief summary of the movie {movie_title}? Please keep it concise."
first_prompt = PromptTemplate(input_variables=["movie_title"],
template=template)
chain_one = LLMChain(llm=llm, prompt=first_prompt)
# 链中的第二步
second_prompt = PromptTemplate(input_variables=["actor"],
template="Can you list three movies featuring {actor}?")
chain_two = LLMChain(llm=
llm, prompt=second_prompt)
# 结合第一和第二链
overall_chain = SimpleSequentialChain(chains=[chain_one, chain_two], verbose=True)
final_answer = overall_chain.run("Inception")
此示例构建了一个两步链,用于查找有关城市的旅游信息。
深入学习
LangChain是一个Python框架,让我们可以使用LLMs构建应用程序。它与各种模型连接,使与LLM和提示管理有关的一切变得简单。要了解更多信息,请查看精彩的LangChain文档,其中包含有关各种功能和示例的信息。
版权所有:江苏和讯自动化设备有限公司所有 备案号:苏ICP备2022010314号-1
技术支持: 易动力网络