LangChain自动化生成指令数据集

基础

1. Agent和AgentExecutor的区别
2. AgentExecutor.from_agent_and_tools()和AgentExecutor()的区别
3. PromptTemplate和ChatPromptTemplate的区别
4. 如何让LLM输出Json格式
5. 如何让LLM输出自定义格式
6. Agent执行的全过程

LangChain库函数

Pydantic：确保数据符合预期的格式和结构

问题

1. Unhashable Type Tool when using custom tools

Json格式输出

from langchain_community.chat_models import ChatZhipuAI
from langchain_core.pydantic_v1 import BaseModel, Field
from langchain.prompts import PromptTemplate
from langchain_core.output_parsers import JsonOutputParser

from pprint import pprint

llm = ChatZhipuAI(
    model="glm-4",
    api_key="eb9aed8db44efa3b428072914bc5063e.Vr33yNfWV4QTnUy6",
)

class Ans(BaseModel):
    NAME: list = Field(description="有名的诗人的名字")
    POEM: str = Field(description="诗词")

parser = JsonOutputParser(pydantic_object=Ans)

prompt = PromptTemplate(
    template="{format_instructions}\n{query}",
    input_variables=["query"],
    partial_variables={
   "format_instructions": parser.get_format_instructions()},
)
model = prompt|llm|parser
print(model.invoke({
   "query": "有名的诗人和他们的诗,请说中文"}))

基于Json的信息检索

V1.0

import os
import json
import logging
from openai import AzureOpenAI

from langchain_community.chat_models import ChatZhipuAI
from langchain.agents import (AgentExecutor,
                              create_react_agent)
from langchain_core.tools import tool

# 输出
from langchain_core.output_parsers import JsonOutputParser
from langchain_core.pydantic_v1 import BaseModel, Field
from langchain_core.prompts import PromptTemplate,ChatPromptTemplate

logging.basicConfig(filename="LangChain.log",  # 将日志保存到filename文件中 
                    level=logging.DEBUG)  # DEBUG及以上的日志信息