构建一个智能聊天机器人：从零开始理解LLM驱动的对话

最新推荐文章于 2024-11-23 18:05:14 发布

llzwxh888

最新推荐文章于 2024-11-23 18:05:14 发布

阅读量361

点赞数 3

文章标签：机器人 python

本文链接：https://blog.csdn.net/ppoojjj/article/details/142907540

版权

引言

在这个教程中，我们将深入探讨如何设计和实现一个基于大型语言模型（LLM）的聊天机器人。这个机器人将具备进行对话并记住先前交互的能力。本文的目的在于帮助初学者理解聊天机器人的基本构建原理，并为有经验的开发者提供一些高级概念的指引。

主要内容

环境准备

安装Jupyter Notebook

我们建议使用Jupyter Notebook进行本教程的操作，因为它能够提供一个交互式的学习环境。你可以通过以下链接找到安装指南：Jupyter Notebook安装。

安装LangChain

可以使用pip或conda进行安装：

pip install langchain

conda install langchain -c conda-forge

更多详情请参考安装指南。

LangSmith的使用

LangSmith能帮助你监控复杂应用中的LLM调用。注册后，设置环境变量以启用追踪：

import os
import getpass

os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_API_KEY"] = getpass.getpass()

快速入门

选择语言模型：

from langchain_openai import ChatOpenAI

model = ChatOpenAI(model="gpt-3.5-turbo")

调用模型：

from langchain_core.messages import HumanMessage

response = model.invoke([HumanMessage(content="Hi! I'm Bob")])
print(response.content)

添加会话历史

通过Message History类使模型具有状态感知能力：

from langchain_core.chat_history import InMemoryChatMessageHistory
from langchain_core.runnables.history import RunnableWithMessageHistory

store = {}

def get_session_history(session_id: str):
    if session_id not in store:
        store[session_id] = InMemoryChatMessageHistory()
    return store[session_id]

with_message_history = RunnableWithMessageHistory(model, get_session_history)

使用Prompt模板

运用Prompt模板使用户输入格式化：

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder

prompt = ChatPromptTemplate.from_messages([("system", "You are a helpful assistant.")])

chain = prompt | model

管理会话历史

为了防止会话历史过长导致问题，在消息进入Prompt前对其进行修剪：

from langchain_core.messages import trim_messages

trimmer = trim_messages(max_tokens=65)

代码示例

config = {"configurable": {"session_id": "abc20"}}

response = with_message_history.invoke(
    {"messages": [HumanMessage(content="What's my name?")], "language": "English"},
    config=config,
)

print(response.content)