Hugging Face x LangChain: 全新 LangChain 合作伙伴包

langchain-huggingface 与 LangChain 无缝集成，为在 LangChain 生态系统中使用 Hugging Face 模型提供了一种可用且高效的方法。这种伙伴关系不仅仅涉及到技术贡献，还展示了双方对维护和不断改进这一集成的共同承诺。

起步

langchain-huggingface 的起步非常简单。以下是安装该 软件包 的方法:

	pip install langchain-huggingface

现在，包已经安装完毕，我们来看看里面有什么吧！

LLM 文本生成

HuggingFacePipeline

transformers 中的 Pipeline 类是 Hugging Face 工具箱中最通用的工具。LangChain 的设计主要是面向 RAG 和 Agent 应用场景，因此，在 Langchain 中流水线被简化为下面几个以文本为中心的任务: 文本生成 、 文生文 、 摘要 、 翻译 等。

用户可以使用 from_model_id 方法直接加载模型:

	from langchain_huggingface import HuggingFacePipeline

	 

	llm = HuggingFacePipeline.from_model_id(

	    model_id="microsoft/Phi-3-mini-4k-instruct",

	    task="text-generation",

	    pipeline_kwargs={

	        "max_new_tokens": 100,

	        "top_k": 50,

	        "temperature": 0.1,

	    },

	)

	llm.invoke("Hugging Face is")

也可以自定义流水线，再传给 HuggingFacePipeline 类:

	from transformers import AutoModelForCausalLM, AutoTokenizer,pipeline

	 

	model_id = "microsoft/Phi-3-mini-4k-instruct"

	tokenizer = AutoTokenizer.from_pretrained(model_id)

	 

	model = AutoModelForCausalLM.from_pretrained(

	    model_id,

	    load_in_4bit=True,

	    #attn_implementation="flash_attention_2", # if you have an ampere GPU

	)

	pipe = pipeline("text-generation", model=model, tokenizer=tokenizer, max_new_tokens=100, top_k=50, temperature=0.1)

	llm = HuggingFacePipeline(pipeline=pipe)

	llm.invoke("Hugging Face is")

使用 HuggingFacePipeline 时，模型是加载至本机并在本机运行的，因此你可能会受到本机可用资源的限制。

HuggingFaceEndpoint

该类也有两种方法。你可以使用 repo_id 参数指定模型。也可以使用 endpoint_url 指定服务终端，这些终端使用 无服务器 API，这对于有 Hugging Face 专业帐户 或 企业 hub 的用户大有好处。普通用户也可以通过在代码环境中设置自己的 HF 令牌从而在免费请求数配额内使用终端。

	from langchain_huggingface import HuggingFaceEndpoint

	 

	llm = HuggingFaceEndpoint(

	    repo_id="meta-llama/Meta-Llama-3-8B-Instruct",

	    task="text-generation",

	    max_new_tokens=100,

	    do_sample=False,

	)

	llm.invoke("Hugging Face is")

	llm = HuggingFaceEndpoint(

	    endpoint_url="<endpoint_url>",

	    task="text-generation",

	    max_new_tokens=1024,

	    do_sample=False,

	)

	llm.invoke("Hugging Face is")

该类在底层实现时使用了 InferenceClient，因此能够为已部署的 TGI 实例提供面向各种用例的无服务器 API。

ChatHuggingFace

每个模型都有最适合自己的特殊词元。如果没有将这些词元添加到提示中，将大大降低模型的表现。

为了把用户的消息转成 LLM 所需的提示，大多数 LLM 分词器中都提供了一个名为 chat_template 的成员属性。

要了解不同模型的 chat_template 的详细信息，可访问我创建的 space！

ChatHuggingFace 类对 LLM 进行了包装，其接受用户消息作为输入，然后用 tokenizer.apply_chat_template 方法构造出正确的提示。

	from langchain_huggingface import ChatHuggingFace, HuggingFaceEndpoint

	 

	llm = HuggingFaceEndpoint(

	    endpoint_url="<endpoint_url>",

	    task="text-generation",

	    max_new_tokens=1024,

	    do_sample=False,

	)

	llm_engine_hf = ChatHuggingFace(llm=llm)

	llm_engine_hf.invoke("Hugging Face is")

上述代码等效于:

	# with mistralai/Mistral-7B-Instruct-v0.2

	llm.invoke("<s>[INST] Hugging Face is [/INST]")

	 

	# with meta-llama/Meta-Llama-3-8B-Instruct

	llm.invoke("""<|begin_of_text|><|start_header_id|>user<|end_header_id|>Hugging Face is<|eot_id|><|start_header_id|>assistant<|end_header_id|>""")

嵌入

Hugging Face 里有很多非常强大的嵌入模型，你可直接把它们用于自己的流水线。

首先，选择你想要的模型。关于如何选择嵌入模型，一个很好的参考是 MTEB 排行榜。

HuggingFaceEmbeddings

该类使用 sentence-transformers 来计算嵌入。其计算是在本机进行的，因此需要使用你自己的本机资源。

	from langchain_huggingface.embeddings import HuggingFaceEmbeddings

	 

	model_name = "mixedbread-ai/mxbai-embed-large-v1"

	hf_embeddings = HuggingFaceEmbeddings(

	    model_name=model_name,

	)

	texts = ["Hello, world!", "How are you?"]

	hf_embeddings.embed_documents(texts)

HuggingFaceEndpointEmbeddings

HuggingFaceEndpointEmbeddings 与 HuggingFaceEndpoint 对 LLM 所做的非常相似，其在实现上也是使用 InferenceClient 来计算嵌入。它可以与 hub 上的模型以及 TEI 实例一起使用，TEI 实例无论是本地部署还是在线部署都可以。

	from langchain_huggingface.embeddings import HuggingFaceEndpointEmbeddings

	 

	hf_embeddings = HuggingFaceEndpointEmbeddings(

	    model= "mixedbread-ai/mxbai-embed-large-v1",

	    task="feature-extraction",

	    huggingfacehub_api_token="<HF_TOKEN>",

	)

	texts = ["Hello, world!", "How are you?"]

	hf_embeddings.embed_documents(texts)

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉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（安全链接，放心点击）👈

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、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。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

LLM大模型学习路线 ↓

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
  • L2.3 流水线工程
  • 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
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • 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

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉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（安全链接，放心点击）👈

​