之前的文章:
- 零基础构建基于LangChain的聊天机器人(1)
- 零基础构建基于LangChain的聊天机器人(2)
- 零基础构建基于LangChain的聊天机器人(3)
代理
到目前为止,已经创建了一个链来回答有关患者评论的问题。如果聊天机器人还需要回答有关医院数据的问题,比如候诊时间?理想情况下,可以根据用户的查询,回答这类问题。为了实现这一点,需要以下组件:
- 已经创建的患者评论链
- 一个能够查找医院等待时间的函数
- 一种让LLM知道何时回答有关患者体验的问题或查找等待时间的方法
为了实现第三种功能,需要创建代理。
代理(Agent)是一种语言模型,它决定执行的一系列动作。与链中硬编码的一系列动作不同,代理使用语言模型来确定采取哪些动作以及它们的顺序。
在构建代理之前,创建以下函数以生成医院的模拟等待时间:
在get_current_wait_time()
中,传入医院名称,检查它是否有效,然后生成一个随机数字以模拟等待时间。实际上,这是一个数据库查询或API调用,但也能为本次演示提供相同的目的。
现在,可以创建一个代理,根据问题确定是调用get_current_wait_time()
还是review_chain.invoke()
:
在上述代码中,导入了一些额外的依赖项,这些依赖项将用于创建代理。然后你定义了一个工具对象(Tool
)列表。Tool
是用于代理与函数交互的接口。例如,第一个工具名为 Reviews
,如果问题符合 description
中的描述,则调用review_chain.invoke()
。
注意,当代理调用工具的时候,什么样的 description
内容应该传给代理,这是良好的提示工程技能至关重要的地方,从而能确保 LLM 使用具有正确输入的工具。
工具中的第二个工具名为 Waits
,它调用 get_current_wait_time()
。同样,代理必须知道何时使用 Waits
工具以及根据 description
将什么输入传给代理。
接下来,利用 gpt-3.5-turbo-1106 初始化一个 ChatOpenAI
对象。然后使用create_openai_functions_agent()
创建一个OpenAI函数代理。如此,即创建了一个旨在将输入传递给函数的代理,此函数以 JSON 对象形式返回输入内容及其相应的响应值。
为了执行代理,将代理和工具传给 AgentExecutor
。将return_intermediate_steps
和verbose
设置为 True
,这样可以看到代理的思考过程和它调用的工具。
启动一个新的REPL会话来试试:
首先导入代理,然后执行 hospital_agent_executor.invoke()
。如输出所示,代理知道你要询问等待时间,并将"C"作为输入传给 Waits
工具。Waits
随后调用get_current_wait_time(hospital="C")
并返回相应的等待时间给代理。然后代理使用这个等待时间生成其最终输出。
类似的过程发生在询问代理有关患者体验评论时,只是这次代理知道要用"What have patients said about their comfort at the hospital?"作为输入调用 Reviews
工具。Reviews
使用完整问题作为输入运行review_chain.invoke()
,代理使用响应生成输出。
这是一种强悍的能力。代理赋予语言模型执行几乎任何可以编写代码的任务的能力。想象一下你可以用代理构建的所有令人惊叹的,可能危险的聊天机器人。
现在已经拥有了构建自定义聊天机器人所需的所有LangChain知识。接下来,将戴上AI工程师的帽子,了解构建医院系统聊天机器人所需的业务需求和数据。
到目前为止,所编写的所有代码旨在学习 LangChain 的基础知识,但这些并不包括在最终的聊天机器人中。在第2步中,可以从空目录开始,开始构建实用的聊天机器人。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
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。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。