赞
踩
LangChain Expression Language 既LCEL,是langchain核心中的核心,可以让我们方便的使用最基本的组件构建复杂的chains,并且支持一些开箱即用的功能包括流式输出、并行、以及日志输出。
我们从两个最常用的langchain例子,来了解LCEL的使用。
这是最最基础且常见的langChain使用场景,将prompt template和一个llm连接到一起。
这里语言模型我们使用的是openAI chatgpt(如果你没法访问留言),同时你需要安装langchain的一些基本库。
pip install –upgrade –quiet langchain-core langchain-community langchain-openai
我们让llm根据我们给出的topic讲一个笑话。
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
prompt = ChatPromptTemplate.from_template("tell me a short joke about {topic}")
model = ChatOpenAI()
output_parser = StrOutputParser()
# 这里就是LCEL
chain = prompt | model | output_parser
chain.invoke({"topic": "ice cream"})
可以看到我们得到了一个笑话(虽然这并不可笑:)。
"Why don't ice creams ever get invited to parties?\n\nBecause they always drip when things heat up!"
让我们注意这行代码,我们使用LCEL不同的组件拼到一起。
chain = prompt | model | output_parser
这个|
运算符非常类似unix的管道操作符,一个组件的输出作为另一个组件的输入。
在这个chain中,用户的输入传递给prompt template,组成了完整的template ,然后传递给模型,然后模型输出传递给输出解释器。
让我们看看每个组件实际发生了什么,以便更好的理解。
prompt是BasePromptTemplate的子类,在这个过程中输入了一个字典类型变量并产出一个PromptValue。
prompt_value = prompt.invoke({"topic": "ice cream"})
prompt_value
PromptValue是一个包裹好的prompt,可以传递给语言模型。
ChatPromptValue(messages=[HumanMessage(content='tell me a short joke about ice cream')])
prompt_value可以转为message形式(结构化)。
prompt_value.to_messages()
[HumanMessage(content='tell me a short joke about ice cream')]
也可以转为string
prompt_value.to_string()
'Human: tell me a short joke about ice cream'
PromptValue 传递给model,在这个例子中model是一个ChatModel,输出一个BaseMessage。补充一个知识点,在langChain中,大语言模型分为LLM和ChatModel,LLM输入输出都是string,而ChatModel的输入输出都是BaseMessage的子类,分为AIMessage(模型输出)、HumanMessage(用户输入)、SystemMessage(系统输入)。
message = model.invoke(prompt_value)
message
model的输出是AIMessage类型。
AIMessage(content="Why don't ice creams ever get invited to parties?\n\nBecause they always bring a melt down!")
最后我们的模型输出结果传递给输出解释器,StrOutputParser会将Message转为String。
output_parser.invoke(message)
"Why did the ice cream go to therapy? \n\nBecause it had too many toppings and couldn't find its cone-fidence!"
首先我们解释一下什么是RAG,RAG(retrieval augmented generation ) 是检索增强式生成的意思,具体点来说就是通过检索一些相关信息,来组成prompt的上下文,llm会根据上下文内容生成,而不是根据自己学习过的知识生成,可以有效降低幻觉问题。
下面我们造一个demo,首先定义好一些知识,然后在输入大模型之前,我们先查询这些知识,根据这些知识,大模型再组织语言输出。
# Requires: # pip install langchain docarray tiktoken from langchain_community.vectorstores import DocArrayInMemorySearch from langchain_core.output_parsers import StrOutputParser from langchain_core.prompts import ChatPromptTemplate from langchain_core.runnables import RunnableParallel, RunnablePassthrough from langchain_openai.chat_models import ChatOpenAI from langchain_openai.embeddings import OpenAIEmbeddings vectorstore = DocArrayInMemorySearch.from_texts( ["harrison worked at kensho", "bears like to eat honey"], embedding=OpenAIEmbeddings(), ) retriever = vectorstore.as_retriever(search_kwargs={"k": 1}) template = """Answer the question based only on the following context: {context} Question: {question} """ prompt = ChatPromptTemplate.from_template(template) model = ChatOpenAI() output_parser = StrOutputParser() setup_and_retrieval = RunnableParallel( {"context": retriever, "question": RunnablePassthrough()} ) chain = setup_and_retrieval | prompt | model | output_parser chain.invoke("where did harrison work?")
在这个示例中,编排的chain是:
chain = setup_and_retrieval | prompt | model | output_parser
我首先看看vectorstore,这里使用了词向量技术,将两段内容使用OpenAIEmbeddings转为向量存储到了内存中。(如果不了解词向量,可以简单把它看成把一段文字的意思提取出来,存在一个多维数组中,在查询时,会把问题也矢量化,然后找到之前存入的与之比较匹配的数据,是一种相似性搜索技术。)
vectorstore = DocArrayInMemorySearch.from_texts(
["harrison worked at kensho", "bears like to eat honey"],
embedding=OpenAIEmbeddings(),
)
retriever是对vectorstore的一种封装,支持LCEL,我们也可以像调用其他组件一样,直接调用retriever。注意这里search_kwargs={"k": 1}
意思是只返回相似度最高的那条数据。
retriever = vectorstore.as_retriever(search_kwargs={"k": 1})
retriever.invoke("where did harrison work?")
>>> [Document(page_content='harrison worked at kensho')]
我们使用RunnableParallel对输入prompt template的数据进行预处理。RunnableParallel可以并行的处理其中的多个组件,最终将结果统一输出。将retriever的结果作为context,用户输入则原封不动作为question(使用RunnablePassthrough()保留原始输入)。最终组成一个dict传递给prompt template。
setup_and_retrieval = RunnableParallel(
{"context": retriever, "question": RunnablePassthrough()}
)
后续的步骤和上方的基本示例1相似,这里不再赘述。让我们回顾一下整个流程。
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。