基于LangChain的Prompt模板

最新推荐文章于 2024-09-02 15:34:10 发布

麻辣排骨面

最新推荐文章于 2024-09-02 15:34:10 发布

阅读量641

点赞数 26

文章标签： langchain prompt 华为网络人工智能学习

本文链接：https://blog.csdn.net/ytt0523_com/article/details/139961579

版权

1. 简述LangChain

LangChain是一个开源库，它致力于让开发基于LLM的AI应用更简单，它是一个AI开发领域的万能适配器。

它抽象化了与大语言模型（如OpenAI模型、文心模型等等）交互的复杂性，以及集成了周边的各种工具生态，让开发者可以专注于实现AI应用的逻辑和功能。LangChain提供了一系列易于使用的工具和抽象，使得与大语言模型的交互变得尽可能的简单明了。

使用之前，先安装LangChain：

pip install langchain

2. LangChain使用OpenAI模型

LangChain与各种AI大模型都做了适配，下面以OpenAI的模型为例，可以简单地通过LangChain来调用它。当然国内使用原生的OpenAI会有些障碍，本文主要使用代理模式，比如https://api.aigc369.com/v1。

2.1、使用OpenAI的接口

from openai import OpenAI      # 实例化OpenAI模型   client = OpenAI(api_key="sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx",                   base_url="https://api.aigc369.com/v1")      # 使用LangChain的接口与模型交互   messages = [       {           "role": "system",           "content": "请你作为我的生活小助手。"       },       {           "role": "user",           "content": "胳膊上起了红疹子怎么办？"       }   ]   response = client.chat.completions.create(       model="gpt-3.5-turbo",       messages= messages   )   content = response.choices[0].message.content   print(content)

2.2、使用LangChain的接口调用OpenAI的模型

from langchain_openai import ChatOpenAI      # 实例化OpenAI模型   model = ChatOpenAI(model="gpt-3.5-turbo",                      openai_api_key="sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx",                      openai_api_base="https://api.aigc369.com/v1")      # 使用LangChain的接口与模型交互   from langchain.schema.messages import HumanMessage, SystemMessage, AIMessage      messages = [       SystemMessage(content="请你作为我的生活小助手。"),       HumanMessage(content="胳膊上起了红疹子怎么办？"),   ]   response = model.invoke(messages)   print(response.content)

3. 什么是提示词模板

在上一篇《Prompt提示词助力AI写作》里已经聊过Prompt提示词的概念，提示词的主要作用是为了更好的与AI对话，帮助引导AI产生更精确、更相关的文本。所以要尽可能的给AI讲清楚任务、背景、任务等核心要素。

那Prompt提示词模板是啥呢？ Prompt提示词模板是在LangChain中使用，LangChain 中通过提示模板来构建最终的 Prompt。提示模板是 LangChain 的核心功能之一。

4. 怎么使用提示词模板

设想一下，如果你想让AI帮你把一段中文翻译成多种语言。那你可能要写多条类似的提示词，让AI一个个的去执行任务。或者你想让AI帮你批量的生成一些固定的邮件，只是中间的人名不同，你肯定也不想写多条类似的提示词。

此时使用提示词模板是最合适的。接下来举个例子，让AI将中文按照我们的要求翻译成多种语言：

from langchain_openai import ChatOpenAI   from langchain.prompts import (       SystemMessagePromptTemplate,       AIMessagePromptTemplate,       HumanMessagePromptTemplate,   )      system_template_text = "你是一位专业的翻译，能够将{input_language}翻译成{output_language}。请只输出翻译后的文本，不要有任何其它内容。"   system_prompt_template = SystemMessagePromptTemplate.from_template(system_template_text)      human_template_text = "文本：{text}"   human_prompt_template = HumanMessagePromptTemplate.from_template(human_template_text)      model = ChatOpenAI(model="gpt-3.5-turbo",                      openai_api_key="sk-BuQK7SGbqCZP2i2z7fF267AeD0004eF095AbC78d2f79E019",                      openai_api_base="https://api.aigc369.com/v1")      prompt_input_variables = [       {           "input_language": "中文",           "output_language": "英语",           "text": "我今天去超级买衣服",       },       {           "input_language": "中文",           "output_language": "法语",           "text": "我今天去超级买衣服",       },       {           "input_language": "中文",           "output_language": "俄语",           "text": "我今天去超级买衣服",       },       {           "input_language": "中文",           "output_language": "日语",           "text": "我今天去超级买衣服",       },       {           "input_language": "中文",           "output_language": "韩语",           "text": "我今天去超级买衣服",       },       {           "input_language": "中文",           "output_language": "意大利语",           "text": "我今天去超级买衣服",       }   ]      for input in prompt_input_variables:       response = model.invoke([           system_prompt_template.format(input_language=input["input_language"], output_language=input["output_language"]),           human_prompt_template.format(text=input["text"])])       print(response.content)

SystemMessagePromptTemplate代码系统模板，HumanMessagePromptTemplate代表是用户消息模板。{input_language}、{output_language}、{text}是变量，最终通过format方法，替换成实际的值来生成最终的Prompt。最终使用LangChain的大模型类执行Prompt即可。

执行结果如下：

在这里插入图片描述

5. 什么是LangChainHub

如果碰到复杂场景，需要模型接入各种工具时，就要写复杂的提示词了，比如类似这样这个链接里的提示词模板。这么复杂的提示词写起来就有点尴尬了，幸好有LangChainHub。https://smith.langchain.com/hub/hwchase17/structured-chat-agent?organizationId=6e7cb68e-d5eb-56c1-8a8a-5a32467e2996。

在这里插入图片描述

LangChainHub 是一个围绕 LangChain 生态系统构建的平台。它能够让开发者更轻松地发现、分享和利用其他人创建的工作流、模板和组件。它相当于是一个丰富的社区资源库。

在 LangChainHub，你可以找到：

提示词模板库：这些模板可以帮助你快速开始一个特定任务，比如生成特定格式的文本，或者进行一些复杂的逻辑处理。
可重复使用的流程：如果你有常见的工作流，你可以在LangChainHub上找到现成的流程，或者将你的工作流分享给社区。
最佳实践的共享：在 LangChainHub 上，开发者可以分享他们的经验教训和解决方案，帮助其他开发者避坑。

比如，从 LangChainHub 寻找某个功能的提示词模板，可以直接这样搞：

from langchain import hub   prompt = hub.pull("hwchase17/structured-chat-agent")   print(prompt)

后续再继续详聊LangChainHub。

总结

本文主要聊了LangChain，还聊了如何使用LangChain与OpenAI模型进行提示词模板的交互。希望对你有帮助。

那么，如何系统的去学习大模型LLM？

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。

作为一名热心肠的互联网老兵，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。

所有资料 ⚡️ ，朋友们如果有需要全套《LLM大模型入门+进阶学习资源包》，扫码获取~

篇幅有限，部分资料如下：

👉LLM大模型学习指南+路线汇总👈

💥大模型入门要点，扫盲必看！
在这里插入图片描述
💥既然要系统的学习大模型，那么学习路线是必不可少的，这份路线能帮助你快速梳理知识，形成自己的体系。

👉大模型入门实战训练👈

💥光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。
在这里插入图片描述

👉国内企业大模型落地应用案例👈

💥《中国大模型落地应用案例集》 收录了52个优秀的大模型落地应用案例，这些案例覆盖了金融、医疗、教育、交通、制造等众多领域，无论是对于大模型技术的研究者，还是对于希望了解大模型技术在实际业务中如何应用的业内人士，都具有很高的参考价值。 （文末领取）
在这里插入图片描述
💥《2024大模型行业应用十大典范案例集》 汇集了文化、医药、IT、钢铁、航空、企业服务等行业在大模型应用领域的典范案例。