使用LangChain构建应用
LangChain支持构建应用程序,将外部数据源和计算源连接到LLM。我们将从一个简单的 LLM 链开始,它只依赖于提示模板中的信息来响应。 接下来,我们将构建一个检索链,该链从单独的数据库获取数据并将其传递到提示模板中。 然后,我们将添加聊天记录,以创建对话检索链。这允许您以聊天方式与此 LLM 进行交互,因此它会记住以前的问题。 最后,我们将构建一个代理,利用 LLM 来确定它是否需要获取数据来回答问题。
Retrieval Chain
1 问一个LLM不知道的问题
“数据空间研究院是谁出资建立的?”
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(openai_api_key="...")
llm.invoke("数据空间研究院是谁出资建立的?")
因为LLM没有学习郭过相关的知识,所以输出的结果不是我们想要的,如下
AIMessage(content='抱歉,我不确定数据空间研究院是谁出资建立的。 ')
2 怎么让LLM正确回答它没学习过的相关知识的问题?
为了正确回答最初的问题(“数据空间研究院是谁出资建立的?”),我们需要为 LLM 提供额外的上下文。 我们可以通过_检索_来做到这一点。 当您有太多数据无法直接传递给 LLM 时,检索非常有用。 然后,您可以使用检索器仅获取最相关的部分并将其传递。
在此过程中,我们将从 Retriever 中查找相关文档,然后将它们传递到提示符中。 Retriever 可以由任何东西支持——SQL 表、互联网、文档等——但在这种情况下,我们将填充一个向量存储并将其用作检索器。
2.1 创建用于将文档列表传递给模型的链
首先,让我们设置一个链,该链接受一个问题和检索到的文档并生成一个答案。
from langchain.chains.combine_documents import create_stuff_documents_chain
prompt = ChatPromptTemplate.from_template("""仅根据提供的上下文回答以下问题:
<上下文>
{context}
</上下文>
问题: {input}""")
document_chain = create_stuff_documents_chain(llm, prompt)
2.2 传入文档信息
这里传入文档信息可以选择手动传入,也可以选择从指定文档(网页、PDF、文档等等)加载。
2.2.1 手动传入文档信息
from langchain_core.documents import Document
document_chain.invoke({
"input": "数据空间研究院是谁出资建立的?",
"context": [Document(page_content="合肥综合性国家科学中心数据空间研究院是由安徽省人民政府发起成立的事业单位,是新一代信息技术数据空间领域的大型新型研发机构,致力于引领网络空间安全和数据要素创新技术前沿和创新方向,凝聚一批海内外领军科学家团队,汇聚相关行业大数据,开展数据空间基础理论、体系架构、关键技术研究以及相关能力建设,打造大数据发展新高地,推进“数字江淮”建设,为数字中国建设贡献“安徽智慧”“合肥智慧”。")]
})
输出:
安徽省人民政府
2.2.2 从网页加载
首先,我们需要加载要索引的数据。因为我需要从网页(百度百科)获取数据,为此,我们将使用 WebBaseLoader。这需要安装 BeautifulSoup:
pip install beautifulsoup4
之后,我们可以导入和使用 WebBaseLoader。
from langchain_community.document_loaders import WebBaseLoader
loader = WebBaseLoader("https://baike.baidu.com/item/%E5%90%88%E8%82%A5%E7%BB%BC%E5%90%88%E6%80%A7%E5%9B%BD%E5%AE%B6%E7%A7%91%E5%AD%A6%E4%B8%AD%E5%BF%83%E6%95%B0%E6%8D%AE%E7%A9%BA%E9%97%B4%E7%A0%94%E7%A9%B6%E9%99%A2/62996254?fr=ge_ala")
docs = loader.load()
接下来,我们需要将其索引到向量存储中。这需要一些组件,即嵌入模型和向量存储。
对于嵌入模型,这里使用目前比较热门的m3e-base。m3e-base使用时需要指定加载路径,可以是本地或者在线(在线的本质也是先下载后加载),这里我已经提前下载好了。
from langchain.embeddings.huggingface import HuggingFaceEmbeddings
import torch
EMBEDDING_DEVICE = "cuda" if torch.cuda.is_available() else "mps" if torch.backends.mps.is_available() else "cpu"
embeddings = HuggingFaceEmbeddings(model_name='D:\models\m3e-base',model_kwargs={'device': EMBEDDING_DEVICE})
现在,我们可以使用此嵌入模型将文档摄取到矢量存储中。 为了简单起见,我们将使用一个简单的本地向量存储 FAISS。
首先,我们需要为此安装所需的软件包。如果机器有显卡,选择下载完整的faiss,我这里用faiss-cpu,因为我电脑没显卡。
pip install faiss-cpu
然后我们可以建立我们的索引:
from langchain_community.vectorstores import FAISS
from langchain_text_splitters import RecursiveCharacterTextSplitter
text_splitter = RecursiveCharacterTextSplitter()
documents = text_splitter.split_documents(docs)
vector = FAISS.from_documents(documents, embeddings)
现在,我们已经在向量存储中索引了这些数据,我们将创建一个检索链。 该链将接受一个传入的问题,查找相关文档,然后将这些文档与原始问题一起传递到 LLM 中,并要求它回答原始问题。
使用从网页获取的数据信息:
from langchain.chains import create_retrieval_chain
retriever = vector.as_retriever()
retrieval_chain = create_retrieval_chain(retriever, document_chain)
response = retrieval_chain.invoke({"input": "数据空间研究院是谁出资创建的?"})
print(response["answer"])
这里输出的结果是:
合肥综合性国家科学中心数据空间研究院是由安徽省人民政府发起成立的。
总结
我们现在已经成功地建立了一个基本的检索链。我们只触及了检索的基础知识,Retrieval Chain还有更多的用法,包括嵌入模型的选择(不同模型的效果有差异,进而影响最终输出结果的准确性)、文档加载器的选择(你的文档是什么格式?来自本地还是网页?视频还是文本?)、文档怎么检索(MapReduce、MapRerank、Reduce、Refine、Stuff)等等等等。具体怎么使用,请关注后续文章更新。
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
- 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🆓