使用LangChain构建应用
LangChain支持构建应用程序,将外部数据源和计算源连接到LLM。我们将从一个简单的 LLM 链开始,它只依赖于提示模板中的信息来响应。 接下来,我们将构建一个检索链,该链从单独的数据库获取数据并将其传递到提示模板中。 然后,我们将添加聊天记录,以创建对话检索链。这允许您以聊天方式与此 LLM 进行交互,因此它会记住以前的问题。 最后,我们将构建一个代理,利用 LLM 来确定它是否需要获取数据来回答问题。
Agent
到目前为止,我们已经创建了链的例子 - 每一步都是提前知道的。我们将创建的最后一件事是一个代理 - LLM在其中决定要采取的步骤。
一句话:Agent(代理)就是目前比较火热的智能体的基础。
构建代理时要做的第一件事是确定它应该有权访问哪些工具。 在此示例中,我们将授予代理对两个工具的访问权限:
- 基于百度文库的《让子弹飞》电影信息。
- LangChain内置的Agent——“llm-math”。用于复杂的数学计算。
简单来说就是,我问《让子弹飞》的相关问题,LangChain使用第一个Agent回答问题,我问数学计算,LangChain使用第二个Agent回答问题!
准备工作
主要是网页数据的加载、嵌入模型的初始化、向量数据库的初始化等,具体代码如下。
python
复制代码
from langchain_community.document_loaders import WebBaseLoader
from langchain.embeddings.huggingface import HuggingFaceEmbeddings
import torchfrom langchain_community.vectorstores import FAISS
from langchain_text_splitters import RecursiveCharacterTextSplitter
# 词嵌入模型
EMBEDDING_DEVICE = "cuda" if torch.cuda.is_available() else "mps" if torch.backends.mps.is_available() else "cpu"
embeddings = HuggingFaceEmbeddings(model_name='D:\models\m3e-base', model_kwargs={'device': EMBEDDING_DEVICE})
# 加载外部文档
loader = WebBaseLoader("https://baike.baidu.com/item/%E8%AE%A9%E5%AD%90%E5%BC%B9%E9%A3%9E/5358?fr=ge_ala")
docs = loader.load()
# 文档向量化到FAISS
text_splitter = RecursiveCharacterTextSplitter()
documents = text_splitter.split_documents(docs)
vector = FAISS.from_documents(documents, embeddings)
# 得到一个检索器
retriever = vector.as_retriever()
Agent创建
首先,让我们为刚刚创建的检索器设置一个工具:
python
复制代码
from langchain.tools.retriever import create_retriever_tool
retriever_tool = create_retriever_tool(
retriever,
"rzdf_search",
"搜索有关电影《让子弹飞》的信息。对于任何关于《让子弹飞》的问题,你必须使用此工具!",
)
加载内置的llm-math:
python
复制代码
from langchain.agents import load_tools
tools = load_tools(['llm-math'],llm=llm)
现在,我们可以创建要使用的工具列表:
python
复制代码
tools.append(retriever_tool)
现在我们有了这些工具,我们可以创建一个代理来使用它们。
python
复制代码
from langchain import hub
from langchain.agents import create_react_agent
from langchain.agents import AgentExecutor
# 这里获取一个内置prompt,为了方便
prompt = hub.pull("hwchase17/react")
agent = create_react_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
使用Agent
现在,我们可以调用代理,看看它是如何响应的!
python
复制代码
agent_executor.invoke({"input": "让子弹飞的导演是谁"})
如果你的LangChain将verbose设置称True,会完整输出执行的中间过程。会有一个明显的COT过程:
bash
复制代码
{
'input': '让子弹飞的导演是谁',
'output': '《让子弹飞》的导演是姜文。'
}
我们再继续问一个数学计算问题
python
复制代码
agent_executor.invoke({"input": "8 的立方根是多少?乘以 13.27,然后减去 5。"})
结果是:
bash
复制代码
{
'input': '8 的立方根是多少?乘以 13.27,然后减去 5。',
'output': '8的立方根大约是2,然后乘以13.27得到26.54,减去5后得到21.54。'
}
我们也可以跟Agent进行对话:
bash
复制代码
from langchain_core.messages import HumanMessage, AIMessage
chat_history = [
HumanMessage(content="让子弹飞是谁导演的"),
AIMessage(content="让子弹飞是姜文导演的。")
]
agent_executor.invoke({
"chat_history": chat_history,
"input": "这部电影什么时候上映的?"
})
输出的结果如下(省略中间过程) :
bash
复制代码
{
'chat_history':
[
HumanMessage(content='让子弹飞是谁导演的'),
AIMessage(content='让子弹飞是姜文导演的。')
],
'input': '这部电影什么时候上映的?',
'output': '电影《让子弹飞》上映于2010年12月16日。'
}
我们现在已经成功设置了一个基本的Agent。我们只触及了Agent基础知识,高级用法后面系列文章会介绍,比如说自定义代理等等。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的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。
😝有需要的小伙伴,可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。
这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
😝有需要的小伙伴,可以Vx扫描下方二维码免费领取==🆓