在基础示例中,我们使用了一个messages
列表(第二行代码),来作为“提示”,去传递给大模型处理。
from langchain_core.messages import HumanMessage, SystemMessage messages = [ SystemMessage(content="Translate the following from English into Italian"), HumanMessage(content="hi!"), ] model.invoke(messages)
可以看出,这个列表中包括SystemMessage
和HumanMessage
两个元素。实际上这两个元素其实是对一个完整的提示进行的一种分解,体现出了类似于基于不同的身份所提出的不同要求:
SystemMessage
是站在对模型进行设定的角度,告诉模型需要它完成一个什么样的任务。
HumanMessage
是站在用户使用的角度,告诉模型用户输入了什么与完成这个任务相关的补充内容。
但总的来说,上述方式是直接手工将具体的指令写好,然后传给模型处理。
事实上,如果需要模型完成的任务非常标准化,或者说指令的大部分要素都是固定的,只需要根据需要调整其中的小部分要求。
比如,“翻译”是一个标准的任务,翻成意大利语还是汉语,这个可以调整。
那么,我们就可以考虑设计一个提示模板(Prompt Templates),把常规的指令固定下来,把灵活的部分留空待填即可。
接下来,我们就来看看如何在LangChain中,用构造好的,标准化的提示模板,来向模型下达指令,具体步骤如下:
1.引入模块
from langchain_core.prompts import ChatPromptTemplate
ChatPromptTemplate
是一个提示模板类,用于构建对话模型的输入结构。我们可以用它来定义对话中不同角色的对话模式。
2.创建提示模板的主要内容
system_template = "Translate the following into {language}:" prompt_template = ChatPromptTemplate.from_messages( [("system", system_template), ("user", "{text}")] )
首先,对原来的SystemMessage
进行标准化、格式化,即使用一个system_template
变量来储存与任务设定相关的字符串信息。(即示例中的翻译任务)
注意,{language}
为占位符形式,意味着后续可以对该部分进行调整。
然后,第二行代码通过from_messages
方法来创建提示模板实例并赋值给prompt_template
。可以看出,我们向from_messages
传入的参数也是一个列表,这个列表包括多个元组,每个元组表示一个角色和对应的消息模板。
至此,一个提示模板prompt_template
就创建完成了。
3.使用提示模板
result = prompt_template.invoke({"language": "italian", "text": "hi"}) result.to_messages()
那么如何使用提示模板呢?
首先,仍然是用invoke
方法去处理模板信息,这时需传入一个字典结构的参数,可以看出,这个字典的键,就是我们在模版中用占位符设定的内容,而键值,就是我们根据需要输入的内容。
然后,利用to_messages
方法,我们就可以把大模型处理提示模板后的信息,转化成类似本文开篇部分我们直接输入提示的样子。
也就是说,如果把result.to_messages()
打印出来,我们就可以获得一个内容为这样的列表对象。
[SystemMessage(content='Translate the following into italian:'), HumanMessage(content='hi')]
可以看出,这个对象的内容跟本文开篇部分的messages
列表,是一模一样的。
4.Chain起来
同样的,我们也可以用|
操作符把prompt_template
加到chain中,通过调用chain来指挥模型,具体代码如下:
chain = prompt_template | model | parser chain.invoke({"language": "italian", "text": "hi"})
如何系统的去学习大模型LLM ?
作为一名热心肠的互联网老兵,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。
所有资料 ⚡️ ,朋友们如果有需要全套 《LLM大模型入门+进阶学习资源包》,扫码获取~
👉[CSDN大礼包🎁:全网最全《LLM大模型入门+进阶学习资源包》免费分享]👈
一、全套AGI大模型学习路线
AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!
二、640套AI大模型报告合集
这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
四、AI大模型商业化落地方案
阶段1:AI大模型时代的基础理解
- 目标:了解AI大模型的基本概念、发展历程和核心原理。
- 内容:
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践 - L1.5 GPT应用案例
阶段2:AI大模型API应用开发工程
- 目标:掌握AI大模型API的使用和开发,以及相关的编程技能。
- 内容:
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例 - L2.2 Prompt框架
- L2.2.1 什么是Prompt
- L2.2.2 Prompt框架应用现状
- L2.2.3 基于GPTAS的Prompt框架
- L2.2.4 Prompt框架与Thought
- L2.2.5 Prompt框架与提示词 - L2.3 流水线工程
- L2.3.1 流水线工程的概念
- L2.3.2 流水线工程的优点
- L2.3.3 流水线工程的应用 - L2.4 总结与展望
- L2.1 API接口
阶段3:AI大模型应用架构实践
- 目标:深入理解AI大模型的应用架构,并能够进行私有化部署。
- 内容:
- L3.1 Agent模型框架
- L3.1.1 Agent模型框架的设计理念
- L3.1.2 Agent模型框架的核心组件
- L3.1.3 Agent模型框架的实现细节 - L3.2 MetaGPT
- L3.2.1 MetaGPT的基本概念
- L3.2.2 MetaGPT的工作原理
- L3.2.3 MetaGPT的应用场景 - L3.3 ChatGLM
- L3.3.1 ChatGLM的特点
- L3.3.2 ChatGLM的开发环境
- L3.3.3 ChatGLM的使用示例 - L3.4 LLAMA
- L3.4.1 LLAMA的特点
- L3.4.2 LLAMA的开发环境
- L3.4.3 LLAMA的使用示例 - L3.5 其他大模型介绍
- L3.1 Agent模型框架
阶段4:AI大模型私有化部署
- 目标:掌握多种AI大模型的私有化部署,包括多模态和特定领域模型。
- 内容:
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
学习计划:
- 阶段1:1-2个月,建立AI大模型的基础知识体系。
- 阶段2:2-3个月,专注于API应用开发能力的提升。
- 阶段3:3-4个月,深入实践AI大模型的应用架构和私有化部署。
- 阶段4:4-5个月,专注于高级模型的应用和部署。
这份完整版的所有 ⚡️ 大模型 LLM 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
】
全套 《LLM大模型入门+进阶学习资源包》↓↓↓ 获取~
👉[CSDN大礼包🎁:全网最全《LLM大模型入门+进阶学习资源包》免费分享👈