零基础构建基于LangChain的聊天机器人(2)

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】

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。