前言
随着大语言模型(Large Language Model, LLM)的不断涌现,越来越多的人开始关注其在各个领域中的应用。LLM 是一种能够生成高质量文本的人工智能技术,其基本思想是通过大量的语料库进行学习,从而掌握语言的规律和特点。在 LLM 的发展历程中,涌现出了许多优秀的模型,如 GPT、BERT 等,它们在文本生成、机器翻译、信息检索等领域中都取得了显著的成果。
随着 LLM 场景的多样化,越来越多的人开始希望 LLM 能够在垂直领域中发挥其强大的功能。例如,在金融领域中,LLM 可以被用来生成新闻报道、分析股票市场、预测未来趋势等;在医疗领域中,LLM 可以被用来生成病历记录、医学文献、疾病诊断等;在法律领域中,LLM 可以被用来生成法律文书、案例分析、法律咨询等。这些应用场景的出现,为 LLM 的发展提供了更加广阔的空间。
在过去,很多人认为AI应用离我们很遥远,好像是不属于自己专业范畴的东西。但随着时代的变迁,LangChain的出现为开发者提供了更加快速、便捷的AI应用开发工具,使得集成AI技术变得更加容易。
大语言模型(LLM)
LangChain为两种类型的模型提供接口和集成:
- LLM:将文本字符串作为输入并返回文本字符串的模型。
- ChatModel:由语言模型支持将聊天消息列表作为输入并返回聊天消息的模型。
大型语言模型(LLM)是LangChain的核心组件。LangChain不提供自己的LLM,而是提供了一个标准接口,用于与许多不同的LLM进行交互。
LangChain 旨在为所有模型提供商提供标准接口,目前已经支持很多模型提供商,如 OpenAI、Hugging Face 等。
在后续文章中,都将以 OpenAI 模型来作示例。
😝有需要的小伙伴,可以V扫描下方二维码免费领取🆓
![](https://img-blog.csdnimg.cn/img_convert/929312cdae3ca6d4cc94cf5df327db02.png)
首先,我们需要安装 OpenAI Python 包:
代码语言:javascript
复制
pip install openai
设置环境变量或配置
通过运行以下命令将 OpenAI 秘钥和代理地址设置为环境变量:
代码语言:javascript
复制
export OPENAI_API_KEY="..."export OPENAI_API_BASE="..."
也可以在项目中通过 .env 进行统一配置:
代码语言:javascript
复制
OPENAI_API_KEY=...OPENAI_API_BASE=...
然后通过 dotenv 进行加载:
代码语言:javascript
复制
import dotenvdotenv.load_dotenv('.env')
也可以在启动 OpenAI LLM 类时直接通过 openai_api_key
命名参数传递密钥:
代码语言:javascript
复制
from langchain.llms import OpenAIllm = OpenAI(openai_api_key="...")
否则,您可以在没有任何参数的情况下初始化:
代码语言:javascript
复制
from langchain.llms import OpenAIllm = OpenAI()
OpenAI 所有的参数可以通过查看BaseOpenAI
源码,常用参数如temperature
、model_name
等。
运行
下面是最简单使用大模型的示例,输入一个字符串,得到一个字符串响应。
代码语言:javascript
复制
llm("给我讲一个冷笑话")# '\n\n为什么海绵先生不喜欢乘出租车?\n因为他怕被挤压。'
批量调用
generate
方法允许我们使用字符串列表调用模型,批量返回结果,同时获得比文本更完整的响应内容。这个完整的回复可以包括多个问题的结果和 LLM 提供商特定的信息:
代码语言:javascript
复制
# 生成3组问题llm_result = llm.generate(["给我讲个笑话", "告诉我一首诗"] * 3)# generations=[[Generation(text='\n\n两个熊在森林里散步,一个说:“嘿,你知道这里有什么吗?”另一个熊说:“那当然,就是树,草,花,虫子,兔子,鸟……”第一只熊说:“不,我是说这里有什么可笑的事情?”', generation_info={'finish_reason': 'stop', 'logprobs': None})], [Generation(text='\n\n《春晓》\n\n春眠不觉晓,\n处处闻啼鸟。\n夜来风雨声,\n花落知多少。', generation_info={'finish_reason': 'stop', 'logprobs': None})], [Generation(text='\n\nQ:给我讲个笑话\n\nA:一位老妇人去买西瓜,西瓜店主问:“您要几斤?” 老妇人说:“一百斤!” 西瓜店主大吃一惊,问:“这么多?您要吃吗?” 老妇人说:“不是吃,是把它们搬回家。”', generation_info={'finish_reason': 'stop', 'logprobs': None})], [Generation(text='\n\n春江花月夜\n\n春江潮水连海平,\n\n瓢泼大作,\n\n闻郎江上唱歌声。\n\n万里悲秋常作客,\n\n百年多病独登台。\n\n艰难苦恨繁霜鬓,\n\n潦倒新停浊酒杯。', generation_info={'finish_reason': 'stop', 'logprobs': None})], [Generation(text='\n\n答:\n一个人拿着一张折叠椅子去买,店主问他:“这是要坐在家里吗?”那人说:“不,我要用它来折叠我的现金。”', generation_info={'finish_reason': 'stop', 'logprobs': None})], [Generation(text='\n\n《立春》\n春来江水绿如蓝,\n春来江山青如烟。\n晴空万里,\n桃花红叶,\n燕子归陇头,\n蝉鸣林中残月。\n桃李满园春色新,\n芳草秋风萧索深。\n绿池碧波,\n清芬满堤,\n沉醉芳草香,\n思乡心在天涯。', generation_info={'finish_reason': 'stop', 'logprobs': None})]] llm_output={'token_usage': {'prompt_tokens': 81, 'total_tokens': 999, 'completion_tokens': 918}, 'model_name': 'text-davinci-003'} run=[RunInfo(run_id=UUID('c437fbea-7853-4ef4-b6ad-ab1bf6c9b96d')), RunInfo(run_id=UUID('b497dde8-6d4b-40d7-b437-55f5de755893')), RunInfo(run_id=UUID('74af1231-abdb-4455-a0ef-0857bf38348d')), RunInfo(run_id=UUID('ded92dc5-cbf5-4da1-bb4f-7f3452468203')), RunInfo(run_id=UUID('6e7ecbeb-53d4-437c-a1b3-87a7905eb644')), RunInfo(run_id=UUID('2cbf483e-1ad8-4c43-8981-9f528902ae3f'))]
打印模型返回结果数量:
代码语言:javascript
复制
len(llm_result.generations)# 6
获取指定索引的结果:
代码语言:javascript
复制
llm_result.generations[0]# [Generation(text='\n\n两个熊在森林里散步,一个说:“嘿,你知道这里有什么吗?”另一个熊说:“那当然,就是树,草,花,虫子,兔子,鸟……”第一只熊说:“不,我是说这里有什么可笑的事情?”', generation_info={'finish_reason': 'stop', 'logprobs': None})]
还可以访问返回的提供商特定信息,该信息在提供商之间并未标准化,这可能用于返回消耗的 Token等信息:
代码语言:javascript
复制
llm_result.llm_output# {'token_usage': {'prompt_tokens': 81, 'total_tokens': 999, 'completion_tokens': 918}, 'model_name': 'text-davinci-003'}
异步调用
LangChain通过使用Python的异步IO库asyncio,为LLM提供了异步支持。这对于同时调用多个LLM特别有用,因为这些调用通常是网络绑定的。目前,LangChain支持OpenAI、PromptLayerOpenAI和ChatOpenAI,但对其他LLM的异步支持已经在开发计划中。
LLM异步调用可以提高模型的效率和响应速度。通过异步调用,可以在发送请求后立即返回响应,而不需要等待模型完成处理。这样可以减少用户等待时间,并允许同时处理多个请求。异步还可以提高系统的吞吐量,使系统能够更好地处理高负载的请求。
可以使用该agenerate
方法异步调用 OpenAI LLM:
代码语言:javascript
复制
import timeimport asyncioimport dotenvfrom langchain.llms import OpenAIdotenv.load_dotenv('.env')def generate_serially(): llm = OpenAI(temperature=0.9) for _ in range(5): resp = llm.generate(["给我讲个冷笑话?"]) print(resp.generations[0][0].text)async def async_generate(llm): resp = await llm.agenerate(["给我讲个冷笑话?"]) print(resp.generations[0][0].text)async def generate_concurrently(): llm = OpenAI(temperature=0.9) tasks = [async_generate(llm) for _ in range(5)] await asyncio.gather(*tasks)s = time.perf_counter()asyncio.run(generate_concurrently())elapsed = time.perf_counter() - sprint("\033[1m" + f"并发执行耗时 {elapsed:0.2f} 秒." + "\033[0m")s = time.perf_counter()generate_serially()elapsed = time.perf_counter() - sprint("\033[1m" + f"顺序执行耗时 {elapsed:0.2f} 秒." + "\033[0m")
运行结果:
代码语言:javascript
复制
Q: Why did the skeleton go to the party?A: He wanted to come out of his shell!Q:Why did the scarecrow win an award? A:Because he was outstanding in his field.Q: Why did the bird go to the hospital?A: Because it was feeling a little "tweet"!Q: 你有多开心?A: 我连自己都不敢笑。两个僵尸在沙漠里聊天,其中一个说:“这里有什么热门话题吗?”另一个说:“没有,只有死人。”并发执行耗时 2.79 秒.Q: Why did the banana go to the hospital?A: Because it wasn't peeling well.为什么老虎不吃醋? 因为老虎不喜欢苦涩的味道。Q: What do you call a bear with no teeth?A: A gummy bear!Q: What did one wall say to the other wall?A: I'll meet you at the corner!Q: What did the fish say when it bumped into the wall?A: Dam!顺序执行耗时 8.15 秒.
缓存
LangChain为LLM提供了可选的缓存层,这是非常有用的。因为它可以有两个好处:首先,如果您经常需要请求相同的内容,那么通过减少对LLM提供商API的调用次数,您可以节省费用。其次,缓存层可以加快您的请求速度,从而更快地完成申请。
为了能体现出缓存的效果,我们使用比较慢的模型进行测试:
代码语言:javascript
复制
import langchainfrom langchain.llms import OpenAIllm = OpenAI(model_name="text-davinci-002", n=2, best_of=2)
LangChain 支持很多缓存方式,如内存缓存、SQLite缓存、Redis缓存、GPTCache、SQLAlchemyCache等等。下面提供几个示例,其他大同小异:
内存缓存
代码语言:javascript
复制
from langchain.cache import InMemoryCachelangchain.llm_cache = InMemoryCache()s = time.perf_counter()# 第一次调用print(llm.predict("给我讲一个冷笑话"))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()# 第二次调用print(llm.predict("给我讲一个冷笑话"))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
What do you call a snowman with a six-pack? An abdominal snowman!第一次调用耗时 3.32 秒.What do you call a snowman with a six-pack? An abdominal snowman!第二次调用耗时 0.00 秒.
SQLite 缓存
我们可以用 SQLite 缓存做同样的事情:
代码语言:javascript
复制
from langchain.cache import SQLiteCachelangchain.llm_cache = SQLiteCache(database_path=".langchain.db")s = time.perf_counter()# 第一次调用print(llm.predict("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()# 第二次调用print(llm.predict("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
A man walks into a bar and asks for a beer. The bartender says "You're out of luck. We've been closed for fifteen minutes."第一次调用耗时 4.04 秒.A man walks into a bar and asks for a beer. The bartender says "You're out of luck. We've been closed for fifteen minutes."第二次调用耗时 0.00 秒.
Redis 缓存
代码语言:javascript
复制
from redis import Redisfrom langchain.cache import RedisCachelangchain.llm_cache = RedisCache(redis_=Redis(port=16379, password='zwqh0258', db=8))s = time.perf_counter()# 第一次调用print(llm.predict("给我讲一个冷笑话"))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()# 第二次调用print(llm.predict("给我讲一个冷笑话"))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
为什么火车要开铁皮?为了防止风吹走。第一次调用耗时 2.63 秒.为什么火车要开铁皮?为了防止风吹走。第二次调用耗时 0.01 秒.
缓存可选性
在特定情况下,还可以关闭特定模型的缓存。如下:
代码语言:javascript
复制
no_cache_llm = OpenAI(model_name="text-davinci-002", cache=False)
序列化
LangChain 支持在磁盘上存储和读取 LLM 配置。如果您需要在配置中存储某些值,例如供应商名称、温度等信息,那么使用此功能将非常有用。
LLM文件可以使用JSON或YAML格式保存在磁盘上,这两种格式都是相同的,无论文件的扩展名是什么。这样的设计可以方便地在不同的应用程序中使用LLM文件,并且无需更改文件的加载方式。
llm.json:
代码语言:javascript
复制
{ "model_name": "text-davinci-003", "temperature": 0.7, "max_tokens": 256, "top_p": 1.0, "frequency_penalty": 0.0, "presence_penalty": 0.0, "n": 1, "best_of": 1, "request_timeout": null, "_type": "openai" }
llm.yaml:
代码语言:javascript
复制
_type: openai best_of: 1 frequency_penalty: 0.0 max_tokens: 256 model_name: text-davinci-003 n: 1 presence_penalty: 0.0 request_timeout: null temperature: 0.7 top_p: 1.0
我们可以对配置文件进行加载和保存:
代码语言:javascript
复制
# 加载方法llm = load_llm("llm.json")llm = load_llm("llm.yaml")# 保存方法llm.save("llm.json")llm.save("llm.yaml")
流式响应
一些流行的大型语言模型(LLM)提供了两种响应方式,即同步和流式响应。与同步响应不同,流式响应意味着您可以立即开始处理响应,而无需等待整个响应返回。如果您需要在生成响应时立即向用户显示响应,或者需要在生成响应时对其进行处理,这对您非常有用。
LangChain支持许多不同的 LLM 实施的流式传输,包括但不限于 OpenAI
、ChatOpenAI
、ChatAnthropic
、Hugging Face Text Generation Inference
和Replicate
。此功能已扩展以适应大多数型号。要使用流式传输,请使用CallbackHandler
实现on_llm_new_token
。
如使用StreamingStdOutCallbackHandler
:
代码语言:javascript
复制
from langchain.llms import OpenAIfrom langchain.callbacks.streaming_stdout import StreamingStdOutCallbackHandlerllm = OpenAI(streaming=True, callbacks=[StreamingStdOutCallbackHandler()], temperature=0)resp = llm("给我讲一个笑话")# 一个人去买西瓜,卖西瓜的老板问:“你要几斤?”顾客回答:“我要一斤半。”老板说:“一斤半?你是不是想吃两斤?”顾客说:“不,我只想吃一斤半,另外半斤是给我的狗吃的。”
如果需要使用LLMResult
,可以提供访问最后一次生成的数据,但是token_usage目前不支持实时流式传输。
代码语言:javascript
复制
llm.generate(["给我讲一个笑话"])# generations=[[Generation(text='\n\n一个人去买西瓜,卖西瓜的老板问:“你要几斤?”顾客回答:“我要一斤半。”老板说:“一斤半?你是不是想吃两斤?”顾客说:“不,我只想吃一斤半,另外半斤是给我的狗吃的。”', generation_info={'finish_reason': 'stop', 'logprobs': None})]] llm_output={'token_usage': {}, 'model_name': 'text-davinci-003'} run=[RunInfo(run_id=UUID('e9da15df-2a25-4b55-92f4-a4154525e8b4'))]
跟踪模型 Token 使用情况
LangChain支持跟踪特定调用的令牌使用情况,但这项功能目前只针对 OpenAI API 实现。
代码语言:javascript
复制
from langchain.llms import OpenAIfrom langchain.callbacks import get_openai_callbackllm = OpenAI(model_name="text-davinci-002", n=2, best_of=2)with get_openai_callback() as cb: result = llm("Tell me a joke") print(cb)with get_openai_callback() as cb: result = llm("讲一个笑话") print(cb)
运行结果:
代码语言:javascript
复制
Tokens Used: 42 Prompt Tokens: 4 Completion Tokens: 38Successful Requests: 1Total Cost (USD): $0.00084Tokens Used: 319 Prompt Tokens: 11 Completion Tokens: 308Successful Requests: 1Total Cost (USD): $0.006379999999999999
从上面我们可以得知这次请求消耗Token数和总共花费的金额,大致可以看出中文提示消耗的Token会比英文更大。
在上下文管理器内的任何内容都会被跟踪。以下是使用它按顺序跟踪多个请求的示例:
代码语言:javascript
复制
with get_openai_callback() as cb: result = llm("Tell me a joke") result2 = llm("讲一个笑话") print(cb)
运行结果:
代码语言:javascript
复制
Tokens Used: 563 Prompt Tokens: 15 Completion Tokens: 548Successful Requests: 2Total Cost (USD): $0.011260000000000001
同时也支持使用包含多个步骤的链或代理,它将跟踪所有这些步骤:
代码语言:javascript
复制
from langchain.agents import load_toolsfrom langchain.agents import initialize_agentfrom langchain.agents import AgentTypefrom langchain.llms import OpenAI# SERPAPI_API_KEY 可以通过 https://serpapi.com/ 注册获取os.environ["SERPAPI_API_KEY"] = "xxx" # pip install google-search-results==2.4.2llm = OpenAI(temperature=0)tools = load_tools(["serpapi", "llm-math"], llm=llm)agent = initialize_agent( tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)with get_openai_callback() as cb: response = agent.run( "现在的美国总统是谁?他几岁了?" ) print(cb)
运行结果:
代码语言:javascript
复制
> Entering new AgentExecutor chain... I need to find out who the current US President is and their age.Action: SearchAction Input: "Current US President"Observation: Joe BidenThought: I need to find out Joe Biden's age.Action: SearchAction Input: "Joe Biden age"Observation: 80 yearsThought: I now know the final answer.Final Answer: Joe Biden is 80 years old.> Finished chain.Tokens Used: 898 Prompt Tokens: 829 Completion Tokens: 69Successful Requests: 3Total Cost (USD): $0.01796
小结
本文为你介绍了学习LangChain的背景,简要讲解了安装和配置基础的开发环境,并深入介绍了LLM核心组件的相关API,包括运行、调用、缓存机制、配置序列化、流式响应和跟踪token适应情况等方面的内容。可以说,LLM是开发AI应用的基石,具有重要的作用。
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。
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
】
![](https://img-blog.csdnimg.cn/img_convert/df955d3893bdbafb458634f350b14d93.png)
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
】
![](https://img-blog.csdnimg.cn/img_convert/df955d3893bdbafb458634f350b14d93.png)