AI 大模型企业应用实战(10)-LLMs和Chat Models
1 模型
来看两种不同类型的模型--LLM 和聊天模型。然后，它将介绍如何使用提示模板来格式化这些模型的输入，以及如何使用输出解析器来处理输出。
LangChain 中的语言模型有两种类型：
1.1 Chat Models
聊天模型通常由 LLM 支持，但专门针对会话进行了调整。提供者 API 使用与纯文本补全模型不同的接口。它们的输入不是单个字符串，而是聊天信息列表，输出则是一条人工智能信息。
GPT-4 和 Anthropic 的 Claude-2 都是作为聊天模型实现的。
1.2 LLM
LangChain 中的 LLM 指的是纯文本补全模型。它们封装的 API 将字符串提示作为输入，并输出字符串完成。OpenAI 的 GPT-3 就是作为 LLM 实现的。
这两种 API 类型具有不同的输入和输出模式。并非所有模型都一样。不同的模型有不同的最佳提示策略。如：
- Anthropic 模型最适合使用 XML
- OpenAI 的模型最适合使用 JSON
设计应用程序时牢记这点。示例将使用聊天模型，并提供几种选择：使用 Anthropic 或 OpenAI 等 API，或通过 Ollama 使用本地开源模型。
2 实例
OpenAI与ChatOpenAI
#调用chatmodels，以openai为例
from langchain.chat_models import ChatOpenAI
from langchain.schema.messages import HumanMessage,AIMessage
import os
api_base = os.getenv("OPENAI_PROXY")
api_key = os.getenv("OPENAI_API_KEY")
chat = ChatOpenAI(
model="gpt-3.5-turbo",
temperature=0,
openai_api_key = api_key,
openai_api_base = api_base
)
messages = [
AIMessage(role="system",content="你好，我是tomie！"),
HumanMessage(role="user",content="你好tomie，我是狗剩!"),
AIMessage(role="system",content="认识你很高兴!"),
HumanMessage(role="user",content="你知道我叫什么吗？")
]
response = chat.invoke(messages)
print(response)
#print(chat.predict("你好"))
3 流式调用
为啥要流式输出呢？
大模型都是一个个字打出来，免得让你觉得他每次神经网络计算太慢了，让你感觉他一直在持续输出。
#LLM类大模型的流式输出方法
from langchain.llms import OpenAI
import os
api_base = os.getenv("OPENAI_PROXY")
api_key = os.getenv("OPENAI_API_KEY")
#构造一个llm
llm = OpenAI(
model = "gpt-3.5-turbo-instruct",
temperature=0,
openai_api_key = api_key,
openai_api_base = api_base,
max_tokens=512,
)
for chunk in llm.stream("写一首关于秋天的诗歌"):
print(chunk,end="",flush=False)
所以，token 就很重要了。
4 追踪Token的使用
#LLM的toekn追踪
from langchain.llms import OpenAI
from langchain.callbacks import get_openai_callback
import os
api_base = os.getenv("OPENAI_PROXY")
api_key = os.getenv("OPENAI_API_KEY")
#构造一个llm
llm = OpenAI(
model = "gpt-3.5-turbo-instruct",
temperature=0,
openai_api_key = api_key,
openai_api_base = api_base,
max_tokens=512,
)
with get_openai_callback() as cb:
result = llm.invoke("给我讲一个笑话")
print(result)
print(cb)
#chatmodels的token追踪
from langchain.chat_models import ChatOpenAI
from langchain.callbacks import get_openai_callback
import os
api_base = os.getenv("OPENAI_PROXY")
api_key = os.getenv("OPENAI_API_KEY")
llm = ChatOpenAI(
model = "gpt-4",
temperature=0,
openai_api_key = api_key,
openai_api_base = api_base,
max_tokens=512,
)
with get_openai_callback() as cb:
result = llm.invoke("给我讲一个笑话")
print(result)
print(cb)
5 自定义输出
- 输出函数参数
- 输出json
- 输出List
- 输出日期
讲笑话机器人：希望每次根据指令，可以输出一个这样的笑话(小明是怎么死的？笨死的)
from langchain.llms import OpenAI
from langchain.output_parsers import PydanticOutputParser
from langchain.prompts import PromptTemplate
from langchain.pydantic_v1 import BaseModel,Field,validator
from typing import List
import os
api_base = os.getenv("OPENAI_PROXY")
api_key = os.getenv("OPENAI_API_KEY")
#构造LLM
model = OpenAI(
model = "gpt-3.5-turbo-instruct",
temperature=0,
openai_api_key = api_key,
openai_api_base = api_base,
)
#定义个数据模型，用来描述最终的实例结构
class Joke(BaseModel):
setup:str = Field(description="设置笑话的问题")
# 笑点
punchline:str = Field(description="回答笑话的答案")
#验证问题是否符合要求
@validator("setup")
def question_mark(cls,field):
if field[-1] != "？":
raise ValueError("不符合预期的问题格式!")
return field
#将Joke数据模型传入
parser = PydanticOutputParser(pydantic_object=Joke)
prompt = PromptTemplate(
template = "回答用户的输入.\n{format_instructions}\n{query}\n",
input_variables = ["query"],
partial_variables = {"format_instructions":parser.get_format_instructions()}
)
prompt_and_model = prompt | model
out_put = prompt_and_model.invoke({"query":"给我讲一个笑话"})
print("out_put:",out_put)
parser.invoke(out_put)
LLM的输出格式化成python list形式，类似['a','b','c']
from langchain.output_parsers import CommaSeparatedListOutputParser
from langchain.prompts import PromptTemplate
from langchain.llms import OpenAI
import os
api_base = os.getenv("OPENAI_PROXY")
api_key = os.getenv("OPENAI_API_KEY")
#构造LLM
model = OpenAI(
model = "gpt-3.5-turbo-instruct",
temperature=0,
openai_api_key = api_key,
openai_api_base = api_base,
)
parser = CommaSeparatedListOutputParser()
prompt = PromptTemplate(
template = "列出5个{subject}.\n{format_instructions}",
input_variables = ["subject"],
partial_variables = {"format_instructions":parser.get_format_instructions()}
)
_input = prompt.format(subject="常见的小狗的名字")
output = model(_input)
print(output)
#格式化
parser.parse(output)
关注我，紧跟本系列专栏文章，咱们下篇再续！
作者简介：魔都架构师，多家大厂后端一线研发经验，在分布式系统设计、数据平台架构和AI应用开发等领域都有丰富实践经验。
各大技术社区头部专家博主。具有丰富的引领团队经验，深厚业务架构和解决方案的积累。
负责：
- 中央/分销预订系统性能优化
- 活动&券等营销中台建设
- 交易平台及数据中台等架构和开发设计
- 车联网核心平台-物联网连接平台、大数据平台架构设计及优化
- LLM应用开发
目前主攻降低软件复杂性设计、构建高可用系统方向。
参考：
本文由博客一文多发平台 OpenWrite 发布！