LangChain简介

FserSuN

已于 2023-12-17 21:08:21 修改

阅读量459

点赞数

分类专栏： LLM 文章标签： langchain

于 2023-12-17 21:06:05 首次发布

原文链接：https://www.pinecone.io/learn/series/langchain/langchain-intro/

版权

LLM 专栏收录该内容

1 篇文章 0 订阅

订阅专栏

LangChain是什么

LangChain是基于大语言模型，提供很多工具组件，来构建语言模型应用的开发框架。我们可以用来开发聊天机器人、生成式问题回答（GQA）、摘要等应用。

框架的核心思想是，基于大语言模型，将不同的组件链接在一起，创建高级的应用。组件链由来自不同模块的组件构成，通常有下列的组件：

Prompt模板：提示模板是不同类型提示的模板。例如“聊天机器人”风格的模板，问答等。
LLMs：像GPT-3，BLOOM等大型语言模型。
Agents：代理使用LLMs来决定应该采取哪些操作。可以使用像网页搜索或计算器等工具，所有的工具都被打包成一个操作的逻辑循环。
Memory：短期记忆，长期记忆。

Prompt模版组件

输入到LLMs的Prompt通常会以不同的方式结构化，以便我们能够获得不同的结果。对于问答，我们可以将用户的问题重新格式化，以适应不同的问答风格，例如传统的问答形式、答案的项目列表，甚至是与给定问题相关的问题摘要。

使用LangChain创建Prompts

首先安装 langchain库

pip install langchain

导入PromptTemplate模块，然后创建模版

from langchain import PromptTemplate

template = """Question: {question}

Answer: """
prompt = PromptTemplate(
        template=template,
    input_variables=['question']
)

# user question
question = "Which NFL team won the Super Bowl in the 2010 season?"

最终基于模版和问题创建得到的Prompt如下：

Question: Which NFL team won the Super Bowl in the 2010 season? Answer:

Hugging Face Hub LLM

huggging face类似github，上面提供了大量的免费预训练模型，LangChain也提供了对应的组件，可以访问huggging face上模型接口来进行问答。

在LangChain中，提供了Hugging Face模型访问组件，首先我们需要一个Hugging Face账户和API密钥[1]。

一旦你拥有API密钥，我们可以将其添加到HUGGINGFACEHUB_API_TOKEN环境变量中。我们可以使用Python完成此操作，代码如下

import os
os.environ['HUGGINGFACEHUB_API_TOKEN'] = 'HF_API_KEY'

接着安装hugging face库

pip install huggingface_hub

接下来使用模型google/flan-t5-x1进行文本生成，最终完整的代码如下：

from langchain import HuggingFaceHub, LLMChain

# initialize Hub LLM
hub_llm = HuggingFaceHub(
        repo_id='google/flan-t5-xl',
    model_kwargs={'temperature':1e-10}
)

# create prompt template > LLM chain
llm_chain = LLMChain(
    prompt=prompt,
    llm=hub_llm
)

# ask the user question about NFL 2010
print(llm_chain.run(question))

使用huggingface api[2]最终得到一个输出答案。

问多个问题

如果我们想提问多个问题，可以尝试两种方法：

使用generate方法逐一回答所有问题。
将所有问题放入单个Prompt，这个需要看所使用的LLM的支持情况确定。

首先，让我们看看如何使用generate方法：

qs = [
    {'question': "Which NFL team won the Super Bowl in the 2010 season?"},
    {'question': "If I am 6 ft 4 inches, how tall am I in centimeters?"},
    {'question': "Who was the 12th person on the moon?"},
    {'question': "How many eyes does a blade of grass have?"}
]
res = llm_chain.generate(qs)

除了第一个问题的答案，其余的问题结果外都不太好。如果模型无法准确回答单个问题，将所有查询都放在一个Prompt中也不太可能起作用。作为实验，我们可以试一试。

multi_template = """Answer the following questions one at a time.

Questions:
{questions}

Answers:
"""
long_prompt = PromptTemplate(template=multi_template, input_variables=["questions"])

llm_chain = LLMChain(
    prompt=long_prompt,
    llm=flan_t5
)

qs_str = (
    "Which NFL team won the Super Bowl in the 2010 season?\n" +
    "If I am 6 ft 4 inches, how tall am I in centimeters?\n" +
    "Who was the 12th person on the moon?" +
    "How many eyes does a blade of grass have?"
)

print(llm_chain.run(qs_str))

OpenAI LLMs

使用OpenAI接口，提前注册好账户，获得key

import os
os.environ['OPENAI_API_TOKEN'] = 'OPENAI_API_KEY'

接着安装OpenAI的接口库

pip install openai

现在我们可以使用OpenAI的接口来生成文本。例子中使用text-davinci-003模型。

from langchain.llms import OpenAI
davinci = OpenAI(model_name='text-davinci-003')

此外还可以通过Azure来使用

from langchain.llms import AzureOpenAI

llm = AzureOpenAI(
    deployment_name="your-azure-deployment", 
    model_name="text-davinci-003"
)

我们将使用与之前Hugging Face示例相同的简单问题-答案Prompt模板。唯一的变化是使用的模型。

llm_chain = LLMChain(
    prompt=prompt,
    llm=davinci
)

print(llm_chain.run(question))

同样，我们可以使用generate方法发起多个提问

qs = [
    {'question': "Which NFL team won the Super Bowl in the 2010 season?"},
    {'question': "If I am 6 ft 4 inches, how tall am I in centimeters?"},
    {'question': "Who was the 12th person on the moon?"},
    {'question': "How many eyes does a blade of grass have?"}
]
llm_chain.generate(qs)

我们的大多数结果都是正确的或者有一定的真实性。这个模型无疑比google/flan-t5-xl模型更好地运行。像之前一样，让我们尝试一次把所有的问题都输入到模型中。

llm_chain = LLMChain(
    prompt=long_prompt,
    llm=davinci
)

qs_str = (
    "Which NFL team won the Super Bowl in the 2010 season?\n" +
    "If I am 6 ft 4 inches, how tall am I in centimeters?\n" +
    "Who was the 12th person on the moon?" +
    "How many eyes does a blade of grass have?"
)

print(llm_chain.run(qs_str))