模块建站工具,wordpress给文章设置标题,seo软件排行榜前十名,做网站的计划概要前言
Large Language Models (LLMs)在2020年OpenAI 的 GPT-3 的发布而进入世界舞台 。从那时起#xff0c;他们稳步增长进入公众视野。 众所周知 OpenAI 的 API 无法联网#xff0c;所以大家如果想通过它的API实现联网搜索并给出回答、总结 PDF 文档、基于某个 Youtube 视频…
前言
Large Language Models (LLMs)在2020年OpenAI 的 GPT-3 的发布而进入世界舞台 。从那时起他们稳步增长进入公众视野。 众所周知 OpenAI 的 API 无法联网所以大家如果想通过它的API实现联网搜索并给出回答、总结 PDF 文档、基于某个 Youtube 视频进行问答等等的功能肯定是无法实现的。所以我们来介绍一个非常强大的第三方开源库LangChain 。 LangChain 是一个用于开发由语言模型驱动的应用程序的框架。他主要拥有 2 个能力可以将 LLM 模型与外部数据源进行连接允许与 LLM 模型进行交互。
项目地址https://github.com/langchain-ai/langchain
LangChain 是一个开发由语言模型驱动的应用程序的框架。
框架是设计原则 数据感知 : 将语言模型连接到其他数据源 具有代理性质 : 允许语言模型与其环境交互
Langchain的核心思想
将不同的组件“链接”在一起以围绕LLM创建更高级的用例。
LangChain 核心模块支持
模型models : LangChain 支持的各种模型类型和模型集成。 提示prompts : 包括提示管理、提示优化和提示序列化。 内存memory : 内存是在链/代理调用之间保持状态的概念。LangChain 提供了一个标准的内存接口、一组内存实现及使用内存的链/代理示例。 索引indexes : 与您自己的文本数据结合使用时语言模型往往更加强大——此模块涵盖了执行此操作的最佳实践。 链chains : 链不仅仅是单个 LLM 调用还包括一系列调用无论是调用 LLM 还是不同的实用工具。LangChain 提供了一种标准的链接口、许多与其他工具的集成。LangChain 提供了用于常见应用程序的端到端的链调用。 代理agents : 代理涉及 LLM 做出行动决策、执行该行动、查看一个观察结果并重复该过程直到完成。LangChain 提供了一个标准的代理接口一系列可供选择的代理以及端到端代理的示例。
###LangChain工作原理 LangChain就是把大量的数据组合起来让LLM能够尽可能少地消耗计算力就能轻松地引用。它的工作原理是把一个大的数据源比如一个50页的PDF文件分成一块一块的然后把它们嵌入到一个向量存储Vector Store里。 创建向量存储的简单示意图
现在我们有了大文档的向量化表示我们就可以用它和LLM一起工作只检索我们需要引用的信息来创建一个提示-完成prompt-completion对。
当我们把一个提示输入到我们新的聊天机器人里LangChain就会在向量存储里查询相关的信息。你可以把它想象成一个专门为你的文档服务的小型谷歌。一旦找到了相关的信息我们就用它和提示一起喂给LLM生成我们的答案。 使用场景用例 自治代理autonomous agents
长时间运行的代理会采取多步操作以尝试完成目标。 AutoGPT 和 BabyAGI就是典型代表。
代理模拟agent simulations
将代理置于封闭环境中观察它们如何相互作用如何对事件作出反应是观察它们长期记忆能力的有趣方法。
个人助理personal assistants
主要的 LangChain 使用用例。个人助理需要采取行动、记住交互并具有您的有关数据的知识。
问答question answering
第二个重大的 LangChain 使用用例。仅利用这些文档中的信息来构建答案回答特定文档中的问题。
聊天机器人chatbots
由于语言模型擅长生成文本因此它们非常适合创建聊天机器人。
查询表格数据tabular
如果您想了解如何使用 LLM 查询存储在表格格式中的数据csv、SQL、数据框等请阅读此页面。
代码理解code : 如果您想了解如何使用 LLM 查询来自 GitHub 的源代码请阅读此页面。
与 API 交互apis
使LLM 能够与 API 交互非常强大以便为它们提供更实时的信息并允许它们采取行动。
提取extraction
从文本中提取结构化信息。
摘要summarization
将较长的文档汇总为更短、更简洁的信息块。一种数据增强生成的类型。
评估evaluation
生成模型是极难用传统度量方法评估的。 一种新的评估方式是使用语言模型本身进行评估。 LangChain 提供一些用于辅助评估的提示/链。
Langchian生态 实战举例
模型LLM包装器
提示
链
嵌入和向量存储
代理
我会给你分别来介绍每个部分让你能够对LangChain的工作原理有一个高层次的理解。接下来你应该能够运用这些概念开始设计你自己的用例和创建你自己的应用程序。
接下来我会用RabbitmetricsGithub的一些简短的代码片段来进行介绍。他提供了有关此主题的精彩教程。这些代码片段应该能让你准备好使用LangChain。
首先让我们设置我们的环境。你可以用pip安装3个你需要的库
pip install -r requirements.txt
python-dotenv1.0.0 langchain0.0.137 pinecone-client2.2.1Pinecone是我们将要和LangChain一起使用的向量存储Vector Store。在这里你要把你的OpenAI、Pinecone环境和Pinecone API的API密钥存储到你的环境配置文件里。你可以在它们各自的网站上找到这些信息。然后我们就用下面的代码来加载那个环境文件
现在我们准备好开始了
# 加载环境变量
from dotenv import loaddotenv,finddotenv loaddotenv(finddotenv())3.1、模型LLM包装器 为了和我们的LLM交互我们要实例化一个OpenAI的GPT模型的包装器。在这里我们要用OpenAI的GPT-3.5-turbo因为它是最划算的。但是如果你有权限你可以随意使用更强大的GPT4。
要导入这些我们可以用下面的代码
# 为了查询聊天模型GPT-3.5-turbo或GPT-4导入聊天消息和ChatOpenAI的模式schema。
from langchain.schema import ( AIMessage, HumanMessage, SystemMessage)
from langchain.chat_models import ChatOpenAI
chat ChatOpenAI(model_namegpt-3.5-turbo,temperature0.3)
messages [ SystemMessage(content你是一个专业的数据科学家), HumanMessage(content写一个Python脚本用模拟数据训练一个神经网络)]
responsechat(messages)print(response.content,end\n)实际上SystemMessage为GPT-3.5-turbo模块提供了每个提示-完成对的上下文信息。HumanMessage是指您在ChatGPT界面中输入的内容也就是您的提示。
但是对于一个自定义知识的聊天机器人我们通常会将提示中重复的部分抽象出来。例如如果我要创建一个推特生成器应用程序我不想一直输入“给我写一条关于…的推特”。
因此让我们来看看如何使用提示模板PromptTemplates来将这些内容抽象出来。
3.2、提示 LangChain提供了PromptTemplates允许你可以根据用户输入动态地更改提示类似于正则表达式regex的用法。
# 导入提示并定义
PromptTemplatefrom langchain
import PromptTemplatetemplate 您是一位专业的数据科学家擅长构建深度学习模型。用几行话解释{concept}的概念
prompt PromptTemplate( input_variables[concept], templatetemplate,)
# 用PromptTemplate运行LLM
llm(prompt.format(conceptautoencoder))
llm(prompt.format(conceptregularization))你可以用不同的方式来改变这些提示模板让它们适合你的应用场景。如果你熟练使用ChatGPT这应该对你来说很简单。
3.3、链 链可以让你在简单的提示模板上面构建功能。本质上链就像复合函数让你可以把你的提示模板和LLM结合起来。
使用之前的包装器和提示模板我们可以用一个单一的链来运行相同的提示它接受一个提示模板并把它和一个LLM组合起来
# 导入LLMChain并定义一个链用语言模型和提示作为参数。
from langchain.chains import LLMChain
chain LLMChain(llmllm, promptprompt)
# 只指定输入变量来运行链。
print(chain.run(autoencoder))除此之外顾名思义我们还可以把这些链连起来创建更大的组合。
比如我可以把一个链的结果传递给另一个链。在这个代码片段里Rabbitmetrics把第一个链的完成结果传递给第二个链让它用500字向一个五岁的孩子解释。
你可以把这些链组合成一个更大的链然后运行它。
# 定义一个第二个提示
second_prompt PromptTemplate( input_variables[ml_concept], template把{ml_concept}的概念描述转换成用500字向我解释就像我是一个五岁的孩子一样,)
chain_two LLMChain(llmllm, promptsecond_prompt)
# 用上面的两个链定义一个顺序链第二个链把第一个链的输出作为输入
from langchain.chains import SimpleSequentialChain
overall_chain SimpleSequentialChain(chains[chain, chain_two], verboseTrue)
# 只指定第一个链的输入变量来运行链。
explanation overall_chain.run(autoencoder)print(explanation)有了链你可以创建很多功能这就是LangChain功能强大的原因。但是它真正发挥作用的地方是和前面提到的向量存储一起使用。接下来我们开始介绍一下这个部分。
3.4、嵌入和向量存储 这里我们将结合LangChain进行自定义数据存储。如前所述嵌入和向量存储的思想是把大数据分成小块并存储起来。
LangChain有一个文本分割函数来做这个
# 导入分割文本的工具并把上面给出的解释分成文档块
from langchain.text_splitter import RecursiveCharacter
TextSplittertext_splitter RecursiveCharacterTextSplitter( chunk_size 100, chunk_overlap 0,)
texts text_splitter.create_documents([explanation])分割文本需要两个参数每个块有多大chunksize和每个块有多少重叠chunkoverlap。让每个块之间有重叠是很重要的可以帮助识别相关的相邻块。
每个块都可以这样获取
texts[0].page_content 在我们有了这些块之后我们需要把它们变成嵌入。这样向量存储就能在查询时找到并返回每个块。我们将使用OpenAI的嵌入模型来做这个。
# 导入并实例化 OpenAI embeddingsfrom langchain.embeddings import OpenAIEmbeddingsembeddings OpenAIEmbeddings(model_nameada) # 用嵌入把第一个文本块变成一个向量query_result embeddings.embed_query(texts[0].page_content)print(query_result)最后我们需要有一个地方来存储这些向量化的嵌入。如前所述我们将使用Pinecone来做这个。使用之前环境文件里的API密钥我们可以初始化Pinecone来存储我们的嵌入。
# 导入并初始化Pinecone客户端
import osimport pineconefrom langchain.vectorstores
import Pineconepinecone.init( api_keyos.getenv(PINECONE_API_KEY), environmentos.getenv(PINECONE_ENV) )
# 上传向量到
Pineconeindex_name langchain-quickstart
search Pinecone.from_documents(texts, embeddings, index_nameindex_name) # 做一个简单的向量相似度搜索query What is magical about an autoencoder?result search.similarity_search(query)print(result)现在我们能够从我们的Pinecone向量存储里查询相关的信息了剩下要做的就是把我们学到的东西结合起来创建我们特定的用例给我们一个专门的AI“代理”。
3.5、代理 一个智能代理就是一个能够自主行动的AI它可以根据输入依次完成一系列的任务直到达成最终的目标。这就意味着我们的AI可以利用其他的API来实现一些功能比如发送邮件或做数学题。如果我们再加上我们的LLM提示链我们就可以打造出一个适合我们需求的AI应用程序。
这部分的原理可能有点复杂所以让我们来看一个简单的例子来演示如何用LangChain中的一个Python代理来解决一个简单的数学问题。这个代理是通过调用我们的LLM来执行Python代码并用NumPy来求解方程的根
# 导入Python REPL工具并实例化Python代理
from langchain.agents.agent_toolkits
import create_python_agent from langchain.tools.python.tool
import PythonREPLToolfrom langchain.python
import PythonREPLfrom langchain.llms.openai
import OpenAI
agent_executor create_python_agent( llmOpenAI(temperature0, max_tokens1000), toolPythonREPLTool(), verboseTrue)
# 执行Python代理
agent_executor.run(找到二次函数3 * x ** 2 2 * x - 1的根零点。)一个定制知识的聊天机器人其实就是一个能够把问题和动作串起来的智能代理。它会把问题发送给向量化存储然后把得到的结果和原来的问题结合起来给出答案
其它参考
10个最流行的向量数据库【AI】
