开发者

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!

    0

    上一篇:

    下一篇:

    精彩评论

    暂无评论...
    验证码 换一张
    取 消

    最新开发

    开发排行榜