Java 程序员从零开始学 LangChain —— 02 模型组件
前面的文章给大家介绍了 LangChain
的一些基本知识,没看过的小伙伴可以去这里看下,今天给大家介绍一下 LangChain 的第一个很重要的组件模型 Model
。
注意这里说的模型是指 LangChain
的模型组件,而不是指类似于 OpenAI
的语言模型,之所以 LangChain
会出现模型组件就是因为业内的语言模型太多了,除了 OpenAI
这家公司的语言模型之外,还很有很多其他家的。
LangChain
的模型组件有三种类型,分别是 LLM
大语言模型,Chat Model
聊天模型和文本嵌入模型 Text Embedding Models
。
LLM 大语言模型
LLM
作为最基本的一种模型组件,输入和输出都只支持字符串,在大部分的场景下就可以满足我们的需求了。我们可以在 Colab([https://colab.research.google.com)
上面直接写 Python
代码
举个栗子
下面是一个 case
,先安装依赖,再执行下面的代码。
pip install openai
pip install langchain
import os
# 配置OpenAI 的 API KEY
os.environ["OPENAI_API_KEY"] ="sk-xxx"
# 从 LangChain 中导入 OpenAI 的模型
from langchain.llms import OpenAI
# 三个参数分别代表OpenAI 的模型名称,执行的次数和随机性,数值越大越发散
llm = OpenAI(model_name="text-davinci-003", n=2, temperature=0.3)
llm.generate(["给我讲一个故事", "给我讲一个笑话"])
运行的结果如下
Chat Model 聊天模型
Chat Model
是基于 LLM
模型的,只不过 Chat Model
相对于 LLM
模型组件间输入和输出更加结构化,输入和输出的参数的类型都是 Chat Model
,而不是简单的字符串。 常用的 Chat Model
类型有如下几种
-
AIMessage
:用来保存LLM
的响应,以便在下次请求时把这些信息传回给LLM
。 -
HumanMessage
:发送给LLMs
的提示信息,比如“实现一个快速排序方法” -
SystemMessage
:设置LLM
模型的行为方式和目标。你可以在这里给出具体的指示,比如“作为一个代码专家”,或者“返回 json 格式”。 -
ChatMessage
:ChatMessage
可以接收任意形式的值,但是在大多数时间,我们应该使用上面的三种类型。
举个栗子
from langchain.chat_models import ChatOpenAI
from langchain.schema import (
AIMessage,
HumanMessage,
SystemMessage
)
chat = ChatOpenAI(temperature=0)
messages = [
SystemMessage(content="返回的数据markdown 语法进行展示,代码使用代码块包裹"),
HumanMessage(content="用 Java 实现一个二分查找算法")
]
print(chat(messages))
生成的内容字符串形式如下
content=’二分查找算法,也称折半查找算法,是一种在有序数组中查找特定元素的搜索算法。该算法的时间复杂度为 O(log n)。\n\n以下是 Java 实现二分查找算法的代码:\n\n
java\npublic class BinarySearch {\n public static int binarySearch(int[] arr, int target) {\n int left = 0;\n int right = arr.length - 1;\n while (left <= right) {\n int mid = (left + right) / 2;\n if (arr[mid] == target) {\n return mid;\n } else if (arr[mid] < target) {\n left = mid + 1;\n } else {\n right = mid - 1;\n }\n }\n return -1;\n }\n\n public static void main(String[] args) {\n int[] arr = {1, 3, 5, 7, 9};\n int target = 5;\n int index = binarySearch(arr, target);\n if (index != -1) {\n System.out.println("目标元素 " + target + " 在数组中的下标为 " + index);\n } else {\n System.out.println("目标元素 " + target + " 不在数组中");\n }\n }\n}\n
\n\n在上述代码中,binarySearch
方法接收一个有序数组和一个目标元素,返回目标元素在数组中的下标,如果目标元素不在数组中,则返回 -1。\n\n在binarySearch
方法中,使用两个指针left
和right
分别指向数组的左右两端,然后在一个 while 循环中不断缩小查找范围,直到找到目标元素或者查找范围为空。在每次循环中,计算中间位置mid
,然后将目标元素与中间位置的元素进行比较,如果相等,则返回中间位置的下标;如果目标元素比中间位置的元素大,则将左指针移到中间位置的右边;如果目标元素比中间位置的元素小,则将右指针移到中间位置的左边。’ additional_kwargs={} example=False
将 content
里面的内容提取出来,用 markdown
语法展示出来是这样的 使用这个模型组件,可以进行一些角色的预设,然后来定制个性化的问答。
Prompts template
from langchain.chat_models import ChatOpenAI
from langchain.prompts import (
ChatPromptTemplate,
PromptTemplate,
SystemMessagePromptTemplate,
AIMessagePromptTemplate,
HumanMessagePromptTemplate,
)
from langchain.schema import (
AIMessage,
HumanMessage,
SystemMessage
)
system_template="你是一个把{input_language}翻译成{output_language}的助手"
system_message_prompt = SystemMessagePromptTemplate.from_template(system_template)
human_template="{text}"
human_message_prompt = HumanMessagePromptTemplate.from_template(human_template)
chat_prompt = ChatPromptTemplate.from_messages([system_message_prompt, human_message_prompt])
messages = chat_prompt.format_prompt(input_language="英语", output_language="汉语", text="I love programming.")
print(messages)
chat = ChatOpenAI(temperature=0)
print(chat(messages.to_messages()))
output
messages=[SystemMessage(content=’你是一个把英语翻译成汉语的助手’, additional_kwargs={}), HumanMessage(content=’I love programming.’, additional_kwargs={}, example=False)] content=’我喜欢编程。’ additional_kwargs={} example=False
文本嵌入模型 Text Embedding Models
文本嵌入模型组件相对比较难理解,这个组件接收的是一个字符串,返回的是一个浮点数的列表。在 NLP
领域中 Embedding
是一个很常用的技术,Embedding
是将高维特征压缩成低维特征的一种方法,常用于自然语言处理任务中,如文本分类、机器翻译、推荐系统等。它将单词、短语、句子等文本中的离散数据映射到实数域上的向量,这些向量可以被神经网络更好地处理和学习。通过 Embedding
,文本数据可以被更好地表示和理解,提高了模型的表现力和泛化能力。
举个栗子
from langchain.embeddings import OpenAIEmbeddings
embeddings = OpenAIEmbeddings()
text = "hello world"
query_result = embeddings.embed_query(text)
doc_result = embeddings.embed_documents([text])
print(query_result)
print(doc_result)
output
[-0.01491016335785389, 0.0013780705630779266, -0.018519161269068718, -0.031111136078834534, -0.02430146001279354, 0.007488010451197624,0.011340680532157421, 此处省略 …….
总结
今天给大家介绍了一下 LangChain
的模型组件,有了模型组件我们就可以更加方便的跟各种 LLMs
进行交互了。
参考资料
官方文档:https://python.langchain.com/en/latest/modules/models.html
发表评论
Comment List(1)