在上一篇中,已经用 LangChain 创建了一个简单的聊天模型,本篇将在该基础上,学习如何使用LangChain的提示词模板,并用LCEL将提示词模板和聊天模型链接起来,从而让聊天模型的返回结果更符合人的需要。
提示词模板
LangChain允许使用提示词模板为聊天机器人设计模块化的prompt,提示词模板可以看作是语言模型生成提示词的预定义配方。
假设想构建一个聊天机器人,回答有关患者评论的问题,提示词模板可以这样:
首先导入 ChatPromptTemplate
,并定义 review_template_str
,其中包含传递给模型的指令,以及LangChain用花括号( {}
)分隔的变量上下文和问题。然后,使用类方法 .from_template()从review_template_str
创建一个ChatPromptTemplate
对象。
有了实例化的 review_template
,可以使用 review_template.format()
将上下文和问题传递到字符串模板中。结果看起来只是做了标准的Python字符串插值。提示词模板有许多有用的特性,允许它们与聊天模型集成。
调用 review_template.format()
生成了一个以Human开头的字符串,这是因为 ChatPromptTemplate.from_template()
假定字符串模板默认是人的消息。要更改这一点,你可以为模型要处理的每个聊天消息创建更详细的提示词模板:
上面的示例中,为HumanMessage
和 SystemMessage
导入了单独的提示词模板。然后定义了一个字符串 review_system_template_str
,它作为 SystemMessage
的模板。注意 review_system_template_str
中只声明了一个上下文变量。
这里所创建的 review_system_prompt
是专门为 SystemMessage
提供的提示词模板。接下来,为 HumanMessage
创建了 review_human_prompt
。注意模板参数只是一个带有问题变量的字符串。
然后,将 review_system_prompt
和 review_human_prompt
添加到一个名为 messages
的列表中,并创建了review_prompt_template
,这是包含 SystemMessage
和 HumanMessage
的提示词模板的最终对象。调用 review_prompt_template.format_messages(context=context, question=question)
生成了一个带有 SystemMessage
和 HumanMessage
的列表,可以传给聊天模型。
如何将聊天模型和提示词模板结合起来?将使用LangChain表达式语言(LCEL)构建一个链,这就要解锁LangChain的核心功能,即在聊天模型上构建模块化定制界面。
链和LangChain表达式语言(LCEL)
连接LangChain中的聊天模型、提示词和其他对象的粘合剂是链,链是LangChain中对象之间的一系列调用。构建链的推荐方法是使用LangChain表达式语言(LCEL)。
下面通过创建一个带有聊天模型和提示词模板的链,显示 LCEL 的含义。
- 1到42行是前面已经完成的。其中定义了
review_prompt_template
,这是一个回答有关患者评论问题的提示词模板。 - 第43行实例化一个
gpt-3.5-turbo-0125
聊天模型。 - 第44行,使用
|
符号定义了review_chain
,该符号用于将review_prompt_template
和chat_model
串联在一起。
这样,就创建了一个对象 review_chain
,它可以在一个函数调用中通过 review_prompt_template
和 chat_model
传递问题。本质上,抽象了 review_chain
的所有内部细节,允许像与聊天模型交互一样与链交互。
保存chatbot.py文件后,在基础项目文件夹中启动一个新的REPL会话。以下是使用 review_chain
的方式:
在这个块中,导入了 review_chain
并像以前一样定义了上下文和问题。然后,将一个包含上下文和问题键的字典传给 review_chan.invoke()
,这将上下文和问题在提示词模板和聊天模型间传递,并以之生成答案。
通常,LCEL允许使用管道符号( |
)创建任意长度的链。例如,如果想格式化模型的响应,可以向链中添加一个输出解析器:
上述代码中,向 review_chain
添加了一个 StrOutputParser()
实例,这将使模型的响应更易于阅读。启动一个新的REPL会话并尝试一下:
与之前的相同,只是现在可以看到 review_chain
返回了一个格式良好的字符串,而不是 AIMessage
。
链的力量在于它所提供的创造力和灵活性,允许用户通过管道串联起复杂的结构,并用于创建聊天机器人,最终得到一个以单个方法调用即可执行的管道对象。
接下来,将向 review_chain
添加另一个对象,以从向量数据库检索文档。
如何学习AI大模型?
作为一名热心肠的互联网老兵,我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的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。
这份完整版的大模型 AI 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
】
![](https://img-blog.csdnimg.cn/img_convert/927df64458fe92c0cda2753e3946ba02.png)
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
作为普通人,入局大模型时代需要持续学习和实践,不断提高自己的技能和认知水平,同时也需要有责任感和伦理意识,为人工智能的健康发展贡献力量。