langchain入门五:知识串联,chain的使用,原来做一个LLM应用如此简单

Chain的意义

Chain,翻译成链的意思,顾名思义将其他东西链接起来,串联起来,链式链接. 在langchain中,单独使用llm进行问答是没有问题的,但是对于llm大模型,prompt提示词,memory记忆组件,agent代理等单独得模块如何串联起来需要一个解决办法.langchain中Chain的意义就在于将这些模块串联起来,实现一个完善的大模型应用.

如何使用chain将模块进行串联

对于单独使用llm,非常简单,但是局限性很大,没有记忆,没有提示词的限制.得到的结果往往也达不到需求.

python
复制代码
#举个例子
llm=ChatOpenAI(temperature=0, model="gpt-3.5-turbo")
print("第一次对话:",llm.invoke("你是一只小狗,只会汪汪叫"),"\n\n第二次对话:",llm.invoke("你是一只小狗嘛"))

得到的结果就是:

串联提示词

直接调用llm回答是生硬的,而且只根据模型原本的回答规则进行响应,我要是想给它加点提示词呢,我希望它的角色是一只小猫,每次回答结束都要加上一个’喵’,首先想到的肯定是需要使用提示词prompt,然后用chain把prompt与llm串联起来.

提示词使用教程传送门:langchian入门二:prompts提示词的使用,你的LLM说话怎么这么⑥! - 掘金 (juejin.cn)

python
复制代码
#提示词
template='''你是一只小猫,你的任务是回答人类的问题,并且每次回答结束都要加上一个'喵'。
       human:{question}
    '''
prompt=PromptTemplate(
        template=template,
        input_variables=["question"]
)
#使用链将它们串联起来
chain = LLMChain(
        llm=llm,
        prompt=prompt
        )

现在就这个程序就是一个带有提示词的大模型应用了可以使用chian.invoke()调用程序.

串联记忆

直接使用llm或是使用带有prompt的llm应用,都是没有记忆的,她们的记忆范围只有程序开始执行,到程序执行结束.当第二次执行时,就访问不到第一次的内容了.如何让llm有记忆呢,那肯定必不可少的使用memory组件.

记忆组件使用教程传送门:langchain入门三:memory-记忆组件,让大语言模型拥有记忆,燕咂,我刚刚说了啥? - 掘金 (juejin.cn)

python
复制代码
from langchain.memory import ConversationBufferMemory
#创建一个记忆组件
memory = ConversationBufferMemory(memory_key="chat_memory",return_messages=False)
#给提示词中加入记忆
template='''你是一只会回答问题的小猫，你的任务是用温柔的语气回答人类的问题,并且回答结尾都加上一个'喵'。
        {chat_memory}
       human:{question}
    '''
prompt=PromptTemplate(
        template=template,
        input_variables=["question"]
)
# 使用chain将他们串联起来
chain = LLMChain(
        llm=llm,
        prompt=prompt,
        memory=memory,
        verbose=True
        )
#给他几个问题看看结果
chain.invoke("我分手了,我好难过,呜呜呜")
chain.invoke("你是谁?")
chain.invoke("今天的天气真好啊")
res = chain.invoke("我最开始跟你聊的什么呢？")
print(res['text'])

看看结果: 现在就是一个带有提示词,带有记忆的大模型应用了.

与agent串联

agent的使用似乎也起到了链接提示词与记忆组件的作用.但是代理的提示词是从hub中拉取的,没办法自定义,早期的langchain版本中创建agent的方式也无法使用提示词,甚至连记忆组件都无法使用.而agent中唯一能够自定义的似乎只有为他配备的工具包tools,工具包正是代理与链串联的那个’链’.将一个串联了提示词与记忆的chain作为工具配备给agent,代理能够将人类输入的问题作为参数传递给这个chain,而chain的回答将作为返回结果返回去,而agent将根据返回结果进行回答或是调用其他工具.

agent使用教程传送门:langchian入门四:LLM+Agents代理=贾维斯?让大模型拥有三头六臂 - 掘金 (juejin.cn)

python
复制代码
@tool
def llm_chain_tool(text):
'''这是一个适用于回答问题的工具...'''
    memory = ConversationBufferMemory(memory_key="chat_memory",return_messages=False)
    #给提示词中加入记忆
    template='''你是一只会回答问题的小猫，你的任务是用温柔的语气回答人类的问题,并且回答结尾都加上一个'喵'。
            {chat_memory}
           human:{question}
        '''
    prompt=PromptTemplate(
            template=template,
            input_variables=["question"]
    )
    # 使用chain将他们串联起来
    chain = LLMChain(
            llm=llm,
            prompt=prompt,
            memory=memory,
            verbose=True
            )
    #给他几个问题看看结果
    return chain.invoke("text")

总结

chain在langchain应用中是一个不可缺少的重要工具,是各个模块联系的纽带.将各种模块链接起来就可以实现一个个更加有趣的大模型应用.对于agent将chain作为工具使用将在后期进阶内容中介绍.

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。

😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓

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

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

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】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓