任何语言模型应用的核心要素是…模型。LangChain为您提供了与任何语言模型进行接口的构建块。
- Prompts提示：模板化，动态选择和管理模型输入
- Chat models聊天模型：由语言模型支持，但接受聊天消息列表作为输入并返回聊天消息的模型
- LLMs：接受文本字符串作为输入并返回文本字符串的模型
- Output parsers输出解析器：从模型输出中提取信息
1. Model I/O 的template以及批量运用
这段代码演示了如何使用一个预定义的文案模板，结合OpenAI的GPT-3模型，为不同的水果和它们的价格生成吸引人的描述。以下是对代码的逐行注释和解释model_io_for_loop.py：
# 导入Langchain库中的OpenAI模块，该模块提供了与OpenAI语言模型交互的功能
from langchain.llms import OpenAI
# 导入Langchain库中的PromptTemplate模块，用于创建和管理提示模板
from langchain.prompts import PromptTemplate
# 导入Langchain库中的LLMChain模块，它允许构建基于大型语言模型的处理链
from langchain.chains import LLMChain
# 导入dotenv库，用于从.env文件加载环境变量，这对于管理敏感数据如API密钥很有用
from dotenv import load_dotenv
# 调用load_dotenv函数来加载.env文件中的环境变量
load_dotenv()
# 定义一个文案模板，用于生成关于水果的描述。
# {price} 和 {fruit_name} 是占位符，稍后将被具体的价格和水果名称替换。
template = """您是一位专业的水果店文案撰写员。\n
对于售价为 {price} 元的 {fruit_name} ，您能提供一个吸引人的简短描述吗？
"""
# 使用PromptTemplate类的from_template方法创建一个基于上述模板的prompt对象。
# 这个对象可以用来格式化具体的水果名称和价格。
prompt = PromptTemplate.from_template(template)
print(prompt)
# 使用OpenAI类创建一个名为llm的实例。
# 这个实例配置了用于生成文本的模型参数："text-davinci-003"是一个高级的GPT-3模型。
# temperature设置为0.5，用于控制生成文本的随机性和创造性。
# max_tokens设置为60，用于限制生成文本的最大长度。
llm = OpenAI(
model="text-davinci-003",
temperature=0.5,
max_tokens=60
)
# 定义两个列表：fruits包含不同的水果名称，prices包含相应的价格。
fruits = ["葡萄", "草莓", "樱桃"]
prices = ["10", "20", "30"]
# 使用zip函数将fruits和prices中的元素配对，并在每一对元素上迭代。
for fruit, price in zip(fruits, prices):
# 使用format方法和prompt模板生成具体的输入文本。
# 这里将占位符替换为具体的水果名称和价格。
input_prompt = prompt.format(price=price, fruit_name=fruit)
# 使用llm实例生成文案描述。
response = llm(input_prompt)
# 打印生成的文案描述。
print(response)
这里LLM也可以替换为别的，比如HuggingFaceHub
os.environ['HUGGINGFACEHUB_API_TOKEN'] = 'HUGGINGFACEHUB API Token'
# 导入LangChain中的OpenAI模型接口
from langchain import HuggingFaceHub
# 创建模型实例
llm= HuggingFaceHub(repo_id="google/flan-t5-large")
运行结果
zgpeaces-MBP at ~/Workspace/LLM/langchain-llm-app ±(feature/textAndChat) ✗ ❯ python model_io_for_loop.py
input_variables=['fruit_name', 'price'] template='您是一位专业的水果店文案撰写员。\n\n对于售价为 {price} 元的 {fruit_name} ，您能提供一个吸引人的简短描述吗？\n'
「精选葡萄，香甜多汁，仅 10 元，让你尝遍天下美味！」
草莓：甜美多汁，满口芬芳，令人回味无穷，20元即可
精选樱桃，甜蜜爽口，香甜可口，仅售30元！
2. Model I/O 输出解析
这段代码展示了如何使用Langchain库和OpenAI的GPT-3模型来生成关于水果的描述文案，并将生成的结果结构化存储在一个Pandas DataFrame中。下面是对代码的详细注释和解释：
# 导入Langchain库中的OpenAI模块，该模块提供了与OpenAI语言模型交互的功能
from langchain.llms import OpenAI
# 导入Langchain库中的PromptTemplate模块，用于创建和管理提示模板
from langchain.prompts import PromptTemplate
# 导入Langchain库中的LLMChain模块，它允许构建基于大型语言模型的处理链
from langchain.chains import LLMChain
# 导入dotenv库，用于从.env文件加载环境变量，这对于管理敏感数据如API密钥很有用
from dotenv import load_dotenv
# 调用load_dotenv函数来加载.env文件中的环境变量
load_dotenv()
# 定义一个文案模板，用于生成关于水果的描述。
# {price} 和 {fruit_name} 是占位符，稍后将被具体的价格和水果名称替换。
# {format_instructions} 是用于结构化输出的指令。
template = """您是一位专业的水果店文案撰写员。
对于售价为 {price} 元的 {fruit_name} ，您能提供一个吸引人的简短描述吗？
{format_instructions}
"""
# 使用PromptTemplate类的from_template方法创建一个基于上述模板的prompt对象。
# 这个对象可以用来格式化具体的水果名称和价格。
prompt = PromptTemplate.from_template(template)
print(prompt)
# 使用OpenAI类创建一个名为llm的实例。
# 配置使用"text-davinci-003"模型，设置温度为0.5，最大令牌数为120。
llm = OpenAI(
model="text-davinci-003",
temperature=0.5,
max_tokens=120
)
# 定义水果名称和对应价格的列表。
fruits = ["葡萄", "草莓", "樱桃"]
prices = ["10", "20", "30"]
# 导入Langchain库中的StructuredOutputParser和ResponseSchema，
# 用于解析和结构化AI模型的输出。
from langchain.output_parsers import StructuredOutputParser, ResponseSchema
response_schemas = [
ResponseSchema(name="description", description="水果的描述文案"),
ResponseSchema(name="reason", description="为什么要这样写这个文案")
]
output_parser = StructuredOutputParser.from_response_schemas(response_schemas)
format_instructions = output_parser.get_format_instructions()
prompt = PromptTemplate.from_template(template, partial_variables={"format_instructions": format_instructions})
# 创建一个Pandas DataFrame来存储结果。
import pandas as pd
df = pd.DataFrame(columns=["fruit", "price", "description", "reason"])
# 使用zip函数将水果名称和价格配对，并迭代每一对元素。
for fruit, price in zip(fruits, prices):
# 使用format方法和prompt模板生成输入文本，替换占位符。
input_prompt = prompt.format(price=price, fruit_name=fruit)
# 使用llm实例生成文案描述。
response = llm(input_prompt)
# 解析输出并添加到DataFrame。
parsed_output = output_parser.parse(response)
parsed_output['fruit'] = fruit
parsed_output['price'] = price
df.loc[len(df)] = parsed_output
# 打印DataFrame的内容。
print(df.to_dict(orient="records"))
# 将DataFrame保存到CSV文件。
df.to_csv("fruits.csv", index=False)
运行结果
zgpeaces-MBP at ~/Workspace/LLM/langchain-llm-app ±(feature/textAndChat) ✗ ❯ python model_io_parser.py
input_variables=['format_instructions', 'fruit_name', 'price'] template='您是一位专业的水果店文案撰写员。\n对于售价为 {price} 元的 {fruit_name} ，您能提供一个吸引人的简短描述吗？\n{format_instructions}\n'
[{'fruit': '葡萄', 'price': '10', 'description': 'Enjoy the sweet and juicy goodness of our 10 yuan grapes. Perfect for snacking or for adding to your favorite recipes!', 'reason': 'This description is short and sweet, and emphasizes the affordability and versatility of the grapes, making them an attractive purchase.'}, {'fruit': '草莓', 'price': '20', 'description': 'Taste the sweet, juicy flavor of fresh-picked strawberries for just 20 yuan!', 'reason': 'This description emphasizes the deliciousness of the strawberries while also highlighting the affordable price.'}, {'fruit': '樱桃', 'price': '30', 'description': 'Taste the sweetness of these juicy and succulent cherries for only 30 yuan!', 'reason': 'This description is concise and emphasizes the sweetness of the cherries as well as the low price.'}]
如何学习大模型
现在社会上大模型越来越普及了，已经有很多人都想往这里面扎，但是却找不到适合的方法去学习。
作为一名资深码农，初入大模型时也吃了很多亏，踩了无数坑。现在我想把我的经验和知识分享给你们，帮助你们学习AI大模型，能够解决你们学习中的困难。
我已将重要的AI大模型资料包括市面上AI大模型各大白皮书、AGI大模型系统学习路线、AI大模型视频教程、实战学习，等录播视频免费分享出来，需要的小伙伴可以扫取。
一、AGI大模型系统学习路线
很多人学习大模型的时候没有方向，东学一点西学一点，像只无头苍蝇乱撞，我下面分享的这个学习路线希望能够帮助到你们学习AI大模型。
二、AI大模型视频教程
三、AI大模型各大学习书籍
四、AI大模型各大场景实战案例
五、结束语
学习AI大模型是当前科技发展的趋势，它不仅能够为我们提供更多的机会和挑战，还能够让我们更好地理解和应用人工智能技术。通过学习AI大模型，我们可以深入了解深度学习、神经网络等核心概念，并将其应用于自然语言处理、计算机视觉、语音识别等领域。同时，掌握AI大模型还能够为我们的职业发展增添竞争力，成为未来技术领域的领导者。
再者，学习AI大模型也能为我们自己创造更多的价值，提供更多的岗位以及副业创收，让自己的生活更上一层楼。
因此，学习AI大模型是一项有前景且值得投入的时间和精力的重要选择。
767
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
