(一)、基于 LangChain 实现大模型应用程序开发 | 模型调用 + 提示模版构建 + 输出解析器_java langchain调用大模型

⭐ 下面我们开始入门下LangChain框架，LangChain 是用于构建大模型应用程序的开源框架，有Python和JavaScript两个不同版本的包。LangChain 也是一个开源项目，社区活跃，新增功能快速迭代。LangChain基于模块化组合，有许多单独的组件，可以一起使用或单独使用。

该专栏将重点介绍 LangChain 的常用组件:

• 模型(Models)：集成各种语言模型与向量模型。
• 提示(Prompts):向模型提供指令的途径。
• 索引(Indexes):提供数据检索功能。
• 链(Chains):将组件组合实现端到端应用。
• 代理(Agents):扩展模型的推理能力。

通过学习使用这些组件构建链式应用，你将可以快速上手 LangChain，开发出功能强大的语言模型程序。让我们开始探索LangChain的魅力吧！

• ⭐ langchain官方文档：https://python.langchain.com/docs/get_started/introduction.html
• ⭐ langchain官方GitHub地址：https://github.com/hwchase17/langchain

1、openai 环境初始化 - 声明api key

通过langchain调用chatgpt接口，需先声明一下OPENAI_API_KEY环境变量，即你的api key。在当前目录下创建一个.env文件，里面的内容存你的api key，写法如下：

OPENAI_API_KEY = ‘sk-xxx’

这样，跑下面的代码时就可以调接口了。

import os
import openai
# 运行此API配置，需要将目录中的.env中api_key替换为自己的
from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv()) # read local .env file
openai.api_key = os.environ['OPENAI_API_KEY']
1
2
3
4
5
6

2、模型调用 + 提示模版构建

• 在一些复杂的场景，prompt可能写的比较长，不利于管理，使用这种模版的形式可以方便的重复使用。
• LangChain还提供了提示模版用于一些常用场景。比如summarization, Question answering, or connect to sql databases等。 通过使用LongChain内置的提示模版，你可以快速建立自己的大模型应用，而不需要花时间去设计和构造提示。
• 对于如何设计更好的prompt，我不做介绍，可参考我的prompt engineering专题进行学习：https://blog.csdn.net/weixin_43646592/category_12329055.html?spm=1001.2014.3001.5482。
• langchain专题主要讲如何基于langchain进行大模型的开发与应用。

# 这里我们将参数temperature设置为0.0，从而减少生成答案的随机性。
# 如果你想要每次得到不一样的有新意的答案，可以尝试调整该参数。
# 以下的对话均无记忆，即每次调用预测不会记得之前的对话。（想要有记忆功能请看下一节的langchain的Memory模块）
chat = ChatOpenAI(temperature=0,
                  model_name="gpt-3.5-turbo")
chat
1
2
3
4
5
6

ChatOpenAI(cache=None, verbose=False, callbacks=None, callback_manager=None, tags=None, client=<class ‘openai.api_resources.chat_completion.ChatCompletion’>, model_name=‘gpt-3.5-turbo’, temperature=0.0, model_kwargs={}, openai_api_key=‘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’, openai_api_base=‘’, openai_organization=‘’, openai_proxy=‘’, request_timeout=None, max_retries=6, streaming=False, n=1, max_tokens=None, tiktoken_model_name=None)

# \在字符串里就是取消换行符的意思
template_string =  """\
对与如下三个反引号括住的评论，我需要提取如下信息。
饮料：这个产品是饮料吗？如果是，返回True，否则返回答False。
产品名：提取出产品的名字，如果没有，返回-1。
价格与价值：提取出关于该产品的价格或价值的所有信息，将他们存入python list中，并返回。
{format_instructions}
```{query}```"""

prompt_template = ChatPromptTemplate.from_template(template_string)
prompt_template
1
2
3
4
5
6
7
8
9
10
11

ChatPromptTemplate(input_variables=[‘query’, ‘format_instructions’], output_parser=None, partial_variables={}, messages=[HumanMessagePromptTemplate(prompt=PromptTemplate(input_variables=[‘format_instructions’, ‘query’], output_parser=None, partial_variables={}, template=‘对与如下三个反引号括住的评论，我需要提取如下信息。\n饮料：这个产品是饮料吗？如果是，返回True，否则返回答False。\n产品名：提取出产品的名字，如果没有，返回-1。\n价格与价值：提取出关于该产品的价格或价值的所有信息，将他们存入python list中，并返回。\n{format_instructions}\n{query}’, template_format=‘f-string’, validate_template=True), additional_kwargs={})])

prompt_template.input_variables
['query', 'format_instructions']
1
2

query = '这喜茶新出的桑葚葡萄太好喝里吧，而且才19块一杯，太值啦，高性价比！'
format_instructions = """\
将输出组织成带有如下key的json形式：
饮料
产品名
价格与价值"""

prompt = prompt_template.format_messages(format_instructions=format_instructions, query=query)
print(prompt)
print(prompt[0])
# prompt一个HumanMessage的类，也就是人类的提问
1
2
3
4
5
6
7
8
9
10
11

• [HumanMessage(content=‘对与如下三个反引号括住的评论，我需要提取如下信息。\n饮料：这个产品是饮料吗？如果是，返回True，否则返回答False。\n产品名：提取出产品的名字，如果没有，返回-1。\n价格与价值：提取出关于该产品的价格或价值的所有信息，将他们存入python list中，并返回。\n将输出组织成带有如下key的json形式：\n饮料\n产品名\n价格与价值\n这喜茶新出的桑葚葡萄太好喝里吧，而且才19块一杯，太值啦，高性价比！’, additional_kwargs={}, example=False)]
• content=‘对与如下三个反引号括住的评论，我需要提取如下信息。\n饮料：这个产品是饮料吗？如果是，返回True，否则返回答False。\n产品名：提取出产品的名字，如果没有，返回-1。\n价格与价值：提取出关于该产品的价格或价值的所有信息，将他们存入python list中，并返回。\n将输出组织成带有如下key的json形式：\n饮料\n产品名\n价格与价值\n这喜茶新出的桑葚葡萄太好喝里吧，而且才19块一杯，太值啦，高性价比！’ additional_kwargs={} example=False

3、人设设定 - SystemMessage

from langchain.schema import HumanMessage, SystemMessage
# 可以通过SystemMessage类来设置机器人的人设，即让它角色扮演
system_msg = SystemMessage(content="你是一个语文老师。")
system_msg
# SystemMessage(content='你是一个语文老师。', additional_kwargs={})

# res = chat(prompt) # 不用人设
res = chat([system_msg]+prompt) # 用人设，因为prompt本身就是个列表
res = res.content
print(res)
print(type(res))
1
2
3
4
5
6
7
8
9
10
11

{
“饮料”: true,
“产品名”: “桑葚葡萄”,
“价格与价值”: [“19块一杯”, “高性价比”]
}
<class ‘str’>

msg = [HumanMessage(content='你是谁？')]
res = chat([system_msg]+msg) # 用人设，因为prompt本身就是个列表
res = res.content
print(res)
# 我是一个语文老师。
1
2
3
4
5

4、构造输出解析器

前面的res.content，无论你prompt返里让他返回什么，如json格式，它回的都是字符串类型。
而使用如下langchain提供的输出解析器，则方便将输出格式化为我们想要的格式，以便处理下游任务。

# 
声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/知新_RL/article/detail/129722