LangChain：百万代码大揭秘，这个AI模型胃口惊人！-CSDN博客

本文链接：https://blog.csdn.net/2401_85375298/article/details/141421113

不得不说AI发展真的是日新月异，这才没过多久，模型本身的上下文能力也来到了百万级别。

我也是在苦思如何解决大模型代码库解析跨文件关联问题时，无意中在智谱AI 的大模型开放平台（bigmodel.cn）上发现了支持 1M 上下文（约 150-200 万汉字）的 GLM-4-Long。更没想到的是，模型一换，瞬间就解决了我好几天工程化都未能解决的麻烦！今天，就让我带大家一起看看，GLM-4-Long能力几何吧！

本文所有示例代码已上传github，有兴趣的小伙伴可以到文末自取。

小试牛刀，很懂《三体》恋爱脑云天明！

在谈论AI的代码解析能力之前，我们不妨先看一下它在处理自然语言文本方面的表现。为了测试GLM-4-Long的理解力，我决定让它尝试阅读并理解我最爱的科幻小说-94万字的《三体》。

抽取概括能力

作为一个具有强大理解能力的模型，必须具备从复杂的文本中抽取出关键的信息，并进行总结。当一次性输入整本小说，模型能有怎样的表现呢？

我决定以《三体》中的恋爱脑云天明为例，我们可以让模型梳理出云天明的个人故事，并按照时间线进行概括。

结果分析：

十分准确的，提取到了（危机纪元，广播纪元，银河纪元）三个阶段，并严格遵守了指令时间线梳理的要求
正确梳理出来了云天明的个人故事时间线，标注出了关键事件节点。
正确挖掘到了关键关联人物-程心，并找到了核心的关联事件
对云天明总结也十分不错，虽然我对他的映像只有恋爱脑

上下文串联与推理能力

除了信息抽取，一个优秀的长文本大模型还需要具备强大的上下文串联与推理能力。假设我们提出一个极端的假设：如果僵尸吃掉了云天明的脑子，三体的故事将会怎么发展？通过这样的假设，模型可以根据已有的故事情节推测出后续的发展方向。

假如僵尸吃掉了云天明的脑子，三体的故事将会怎么发展？

**结果分析：**不得不说，相比时间抽取任务上的精彩表现，在通过长文本基础上进一步推理思考的任务中，模型表现得则没有那么惊艳。

没有脱离大的故事框架，但把对宇宙的思考局限在了地球和三体上，这想象力完全不及大刘
针对地球和三体世界的关系和交流方式上，存在一定误解，云天明并不是交流工具！
总体来说，在如此长上下文的基础上，还具备基本的推理想象力，是值得进一步使用的模型

不仅能读小说，GLM-4-Long解析代码项目能力几何

用模型读小说，只是为了一探模型能力的究竟。真正能验证模型能力的，还得是真实的生产任务。接下来整活结束，让小智带领大家将GLM-4-Long用到代码开发中！

考虑到代码保密的要求，接下来我将用LangChain代码用作示例演示。LangChain官网的AI助手是基于RAG实现的，现在既然我们拥有了超强上下文的能力，不如我们自己做一个。

准备工作，LangChain-Core代码一网打尽

RAG（检索增强生成）技术虽然强大，但在某些复杂的代码解析任务中，官方提供的LangChain助手并不能完全满足需求。因此，我们决定自己动手，利用GLM-4-Long打包整个项目的代码，并进行深度解析。

首先我们需要将langchain-core代码整体打包到一个文本文档中，并标注好文件目录

import os  
  
def integrate_python_files(directory, output_file, identifier='---'):  
    # 确保输出文件是空的  
    open(output_file, 'w', encoding='utf-8').close()  
      
    # 遍历目录  
    for root, dirs, files in os.walk(directory):  
        for file in files:  
            if file.endswith('.py'):  
                # 构建文件的完整路径  
                full_path = os.path.join(root, file)  
                # 获取文件相对于主目录的相对路径  
                relative_path = os.path.relpath(full_path, directory)  
                # 读取文件内容  
                with open(full_path, 'r', encoding='utf-8') as f:  
                    file_content = f.read()  
                  
                # 写入输出文件  
                with open(output_file, 'a', encoding='utf-8') as out_f:  
                    # 添加标识符和文件的相对路径  
                    out_f.write(f"{identifier} {relative_path}\n")  
                    out_f.write(file_content)  
                    out_f.write("\n")  # 添加一个空行作为分隔  
  
# 调用函数  
directory_path = 'langchain/libs/core/langchain_core'  # 替换为你的目录路径  
output_file_path = 'integrated_code.txt'  # 替换为你的输出文件路径  
integrate_python_files(directory_path, output_file_path, identifier='=======')

GLM-4-Long 轻松帮你打造 LangChain AI 助手

对于一个完整的项目，GLM-4-Long在没有额外文档的情况下，是否能准确理解并解析项目的功能和组件呢？我们将其应用于一个实际的代码项目，看看它能给出怎样的分析。

问题1、项目主要做了什么？实现了什么功能?

通过将项目代码输入GLM-4-Long，我们希望模型能够给出项目的整体概览，包括其主要功能和实现的目标。

结果分析：

模型在没有文档情况下，只基于代码正确总结了LangChain的主要功能、主要组件、使用场景
对于LangChain核心设计思想，链式编程等做了十分完善且正确的总结
相关的使用场景的列举，也没有超出LangChain框架的范畴，并没有出现幻觉

问题2、概括LangChain核心组件和概念

LangChain是一个用于构建语言模型应用的框架，包含多个核心组件。我们让GLM-4-Long对这些组件进行概括，并解释它们在项目中的作用。

结果分析：

模型一口气提取了32项LangChain对LLM开发核心概念的抽象
未出现不存在的组件，没有出现幻觉
针对组件的说明正确无误

问题3、请以代码方式输出经典的LCEL使用案例

在理解了项目和组件之后，我们进一步要求GLM-4-Long展示一个经典的LCEL（ LangChain Expression Language）使用案例，以便读者更好地理解LangChain的应用场景。

结果分析：

代码完整正确，且能正常运行，学过LangChain的小伙伴对这个demo肯定倍感亲切
配套的案例说明，也能较好的说明LCEL语法概念及使用方式

问题4、上强度，通过Multi Query构建一个RAG案例，要求合并输出文档里的连续片段

在常规的解析任务之外，我们让GLM-4-Long处理一个高难度任务：通过Multi Query（多查询）构建一个RAG案例，并合并输出文档中的连续片段。这不仅测试了模型的理解能力，还考验了它的合成与输出能力。

结果分析：

模型正确分析了用户的需求，并按需求正确输出了执行步骤分析
基本正确的输出了执行RAG逻辑的相关代码，包括向量存储等
没能正确提供加载RAG Chain的逻辑，而是直接幻觉出了加载RAG 模型

虽然没能正确完成高阶的代码开发案例，但在如此简单的提示下，模型的表现仍然不错。如果真的完成了需求，可能广大程序员朋友们真的得担心失业问题了。😄

总结

通过对《三体》的分析，我们可以看到GLM-4-Long在处理超长文本时，展现出卓越的信息抽取、上下文串联与推理能力。无论是概括复杂的故事情节，还是推理出假设情境下的故事发展，GLM-4-Long都表现得非常出色。

更为重要的是，GLM-4-Long在代码解析方面的能力令人印象深刻。它不仅能够理解项目代码的整体结构和功能，还能深入到具体的组件和应用案例中，提供详尽的分析与建议。这使得开发者在面对复杂的代码库时，可以更为高效地理解和改进代码。

回到文章主题，我想有了GLM-4-Long，我再也不怕接手同事的💩山代码了🤣。

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Vx扫描下方二维码免费领取🆓