Langchain集成管理prompt功能详解

目录

• LangChain是什么 如何使用
• 一、需要大语言模型
• 二、LangChain的模块
• 1. LLM：从语言模型中输出预测结果
• 2. Prompt Templates: 管理LLMs的Prompts
• 3. Chains：将LLMs和prompts结合起来
• 4. Agents：基于用户输入动态地调用chains
• 5. Memory
• 遇到的错误

LangChain是什么 如何使用

经过了chatGPT，大家都知道了prompt-based learning，也明白了prompt在生成式模型的重要性。假设问答任务要用prompt A, 摘要生成任务要用prompt B，那么如何管理不同的prompt呢？

Langchain主要的功能就是集成管理prompt。

安装

pip install langchain

一、需要大语言模型

使用langchain需要使用一个大语言模型。这个模型可以用openai的gpt-turbo-3.5，也可以用Hugging face hub里面的大模型。

用这些大模型就需要调用他们的api，所以就要去这些网站生成相应的token。

二、LangChain的模块

LangChain提供了许多模块，可以用于构建语言模型应用程序。这些模块可以组合在一起创建更复杂的应用程序，也可以单独用于简单的应用程序。

LangChain主要有以下模块

1. LLM：从语言模型中输出预测结果

• 例子：基于公司产品生成公司名称

# 导入LLM包装器。
from langchain.llms import OpenAI
# 初始化包装器，temperature越高结果越随机
llm = OpenAI(temperature=0.9)
# 进行调用
text = "What would be a good company name for a company that makes colorful socks?"
print(llm(text))

2. Prompt Templates: 管理LLMs的Prompts

一般来说我们不会直接把输入给模型，而是将输入和一些别的句子连在一起，形成prompts之后给模型。

例如之前根据产品取名的用例，在实际服务中我们可能只想输入"socks"，那么"What would be a good company name for a company that makes"就是我们的template。

from langchain.prompts import PromptTemplate
prompt = PromptTemplate(
    input_variables=["product"],
    template="What is a good name for a company that makes {product}?",
)

那么，对于模型来说，真正的输入就是

print(prompt.format(product="colorful socks"))
What is a good name for a company that makes colorful socks?

3. Chains：将LLMs和prompts结合起来

很容易想到，我们的模型有很多，prompts也有很多，那么需要把他们组装起来，这就是Chains做的事情。

一个Chain包含一个Template和一个模型。例如LLMChain，就包含一个PromptTemandroidplate和一个LLM。

这样我们的例子就可以

from langchain.prompts import PromptTemplate
from langchain.llms import OpenAI
llm = OpenAI(temperature=0.9)
prompt = PromptTemplate(
    input_variables=["product"],
    template="What is a good name for a company that makes {product}?",
)

我们可以创建一个LLMChain，然后将llm和prompt给chain。

from langchain.chains import LLMChain
chain = LLMChain(llm=llm, prompt=prompt)

然后可以运行这个chain

chain.run("colorful socks")
Socktastic!'

4. Agents：基于用户输入动态地调用chains

关于Agents，需要理解以下的概念：

• Tool：输入是一个string，输出是一个string，作用是做某个特定任务。这个任务可以是做搜索、查数据库或者python REPL.
• LLM：语言模型
• Agent：要使用的代理。这应该是一个字符串，引用一个支持代理类。这里就是调用其他服务的API。

这里有一个例子。假设想知道Taylor Swift的男友是谁，并且求出他的年龄的3次方。

from langchain.agents import laod_tools
from langchain.agents import initialize_agent
from langchain.llms import OpenAI
import os
os.environ["OPENAI_API_KEY"] = "xxxxxxxx"
os.environ["SERPAPI_API_KEY"] ="yyyyyyyy"
# 导入llm模型
llm = OpenAI(temperature=0)
# 导入一些tools，这里倒入serpapi和llm-math
# SerpApi是一个付费提供搜索结果API的第三方服务提供商。它允许用户通过简单的API调用访问各种搜索引擎的搜索结果，包括Google、Bing、Yahoo、Yandex等。
# llm-math是langchain里面的能做数学计算的模块
tools = load_tools(["serpapi", "llm-math"], llm=llm)
# 初始化tools，models 和使用的agent
agent = initialize_agent(tools, llm, agent="zero-shot-react-description", verbose=True)
# 输出结果
agent.run("Who isTaylor's boyfriend? What is his current age raised to the 3 power?")

输出

> Entering new AgentExecutor chain...

 I need to find out who Taylor Swift's boyfriend is and then calculate his age raised to the 3 power.

Action: Search

Action Input: "Taylor Swift boyfriend"

Observation: Taylor Swift's romance with actor Joe A开发者_JS学习lwyn is her most serious yet secretive to date. Since 2016, their famously private relationship has ...

Thought: I need to find out Joe Alwyn's age.

Action: Search

Action Input: "Joe Alwyn age"

Observation: 32 years

Thought: I need to calculate 32 raised to the 3 power.

Action: Cal编程culator

Action Input: 32^3

Observation: Answer: 32768

Thought: I now know the final answer.

Final Answer: Taylor Swift's boyfriend is Joe Alwyn and his current age raised to the 3 power is 32768.

分析这个输出可以知道，它的思路很清晰。

它的动作包括：

• 读题：Thought（理解题意）
• 执行：Action（做什么）、Action Input（输入是什么）、Observation（输出是什么）
• 总结：Final Answer（最终输出）

每一个输出之后紧跟着一个Thought，思考下一步做什么，如果发现任务全部完成就输出最终答案。

5. Memory

如果想做一个聊天机器人，那么要求机器人有短暂的记忆，记住对话的历史。

Langchain的ConversationChain就提供这样一个功能。

默认情况下，ConversationChain具有一种简单类型的内存，它会记住所有先前的输入/输出并将它们添加到传递的上下文中。

# ConversationChain用法
from langchain import OpenAI, ConversationChain
llm = 编程OpenAI(temperature=0)
conversation = ConversationChain(llm=llm, verbose=True) # （将phpverbose设置为True，以便我们可以看到提示）
conversation.predict(input="Hi there!")

输出

> Entering new chain...

Prompt after formatting:

The following is a friendly conversation between javascripta human and an AI. The AI is talkative and provides lots of specific details from its context. If the AI does not know the answer to a question, it truthfully says it does not know.

Current conversation:

Human: Hi there!

AI:

> Finished chain.

' Hello! How are you today?

遇到的错误

• ImportError: cannot import name 'load_tools' from 'langchain.agents'

  我用的是python3.7，然后将python版本升级到了3.9就解决了。

参考

https://langchain.readthedocs.io/en/latest/getting_started/getting_started.html

以上就是Langchain集成管理prompt功能详解的详细内容，更多关于Langchain集成管理prompt的资料请关注我们其它相关文章！