困扰了一天的flask结合智谱ai langchain流式输出json问题终于解决了

本次对接的大模型是智谱，首先想到去智谱开放平台找找有没有和langchain结合的文档：

结果还真有，就省去了谷歌的时间，但是智谱的文档只提供了非流式的示例代码，想着先拷过来跑一下再说，结果就是非流式是正常输出的，流式就遇到问题了，不管我咋配置，好像只能在控制台输出流失内容，遂去谷歌“langchain 流式输出”：

前面三篇文章都看了，第一篇内容：

好像和智谱官方的文档写法不一样，遂放弃使用该方式，接着又看了第二篇文章：

他这里说是要在初始化llm的时候加一个callbacks参数，并且自定义callbacks，最终的代码大致如下：

但他这里没有写全，起初我也没看懂为啥这么写，遂看了下其他人的写法：

原来在初始化llm的时候就需要注入自己的callbacks，然后我也试了这样写，确实能在on_llm_new_token中拿到每次流式的内容，但是不能yield出来，我就有点搞不明白，然后又看了一些更复杂的代码，我发现我看不懂：

还有走异步机制的：

我都有点迷惑了，到底啥代码才适合我呢？然后我就一直在尝试callbacks，搞到晚上11点，此时我心态有点崩了，遂盖上笔记本，不搞了先，然后我就和项目负责人说了langchain的流式搞不定，还是用原生的写法了，不用langchain。

然后第二天我还是打算再会一会这个langchain的流式输出，我就不信了。

先在群里请教了一下，然后给我发了一段很长的代码，额，这啥。

遂想到昨天谷歌搜索时的第二个网站的内容，抱着试试的心态，ctrl c、ctrl v，它就流起来了，它真的流起来：

def get_llm_lc(self, app, r: ChatCompletionRequestStruct):

  """

  获取ai响应langchain版

  """

  return ChatOpenAI(

    temperature=0.5,

    openai_api_key=Config.ZHIPUAI_API_KEY,

    openai_api_base=Config.ZHIPUAI_OPENAI_API_URL,

    model=Config.ZHIPUAI_MODEL,

    streaming=r.streaming,

    callbacks=[StreamingStdOutCallbackHandler()],

  )

def get_prompt_lc(self):

  return ChatPromptTemplate.from_messages(

    [

    # ("system", "你是一个专业的AI助手。"),

    ("human", "{question}")

    ]

  )

llm = self.get_llm_lc(app, r)

prompt = self.get_prompt_lc()

llm_chain = prompt | llm

ret = llm_chain.stream({"question": r.question})

for _token in ret:

  token = _token.content

  finish_reason = ''

  if 'finish_reason' in _token.response_metadata:

  finish_reason = _token.response_metadata['finish_reason']

  reply = ChatCompletionResponseStruct()

  reply.text = token

  reply.finish_reason = finish_reason

  yield json.dumps(reply.to_dict(), ensure_ascii=False) + '\n'

总算舒了一口气，流式响应需求算是完成了，接下来是rag的，到目前位置我还不知道rag是啥，咋实现的。

大模型&AI产品经理如何学习

求大家的点赞和收藏，我花2万买的大模型学习资料免费共享给你们，来看看有哪些东西。

1.学习路线图

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

2.视频教程

网上虽然也有很多的学习资源，但基本上都残缺不全的，这是我自己整理的大模型视频教程，上面路线图的每一个知识点，我都有配套的视频讲解。

（都打包成一块的了，不能一一展开，总共300多集）

因篇幅有限，仅展示部分资料，需要点击下方图片前往获取

3.技术文档和电子书

这里主要整理了大模型相关PDF书籍、行业报告、文档，有几百本，都是目前行业最新的。

4.LLM面试题和面经合集

这里主要整理了行业目前最新的大模型面试题和各种大厂offer面经合集。

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓