零基础构建基于LangChain的聊天机器人(2)

在上一篇中，已经用 LangChain 创建了一个简单的聊天模型，本篇将在该基础上，学习如何使用LangChain的提示词模板，并用LCEL将提示词模板和聊天模型链接起来，从而让聊天模型的返回结果更符合人的需要。

提示词模板

LangChain允许使用提示词模板为聊天机器人设计模块化的prompt，提示词模板可以看作是语言模型生成提示词的预定义配方。

假设想构建一个聊天机器人，回答有关患者评论的问题，提示词模板可以这样：

首先导入 ChatPromptTemplate ，并定义 review_template_str ，其中包含传递给模型的指令，以及LangChain用花括号( {} )分隔的变量上下文和问题。然后，使用类方法 .from_template()从review_template_str 创建一个ChatPromptTemplate 对象。

有了实例化的 review_template ，可以使用 review_template.format() 将上下文和问题传递到字符串模板中。结果看起来只是做了标准的Python字符串插值。提示词模板有许多有用的特性，允许它们与聊天模型集成。

调用 review_template.format() 生成了一个以Human开头的字符串，这是因为 ChatPromptTemplate.from_template() 假定字符串模板默认是人的消息。要更改这一点，你可以为模型要处理的每个聊天消息创建更详细的提示词模板：

上面的示例中，为HumanMessage 和 SystemMessage 导入了单独的提示词模板。然后定义了一个字符串 review_system_template_str ，它作为 SystemMessage 的模板。注意 review_system_template_str 中只声明了一个上下文变量。

这里所创建的 review_system_prompt 是专门为 SystemMessage 提供的提示词模板。接下来，为 HumanMessage 创建了 review_human_prompt 。注意模板参数只是一个带有问题变量的字符串。

然后，将 review_system_prompt 和 review_human_prompt 添加到一个名为 messages 的列表中，并创建了review_prompt_template ，这是包含 SystemMessage 和 HumanMessage 的提示词模板的最终对象。调用 review_prompt_template.format_messages(context=context, question=question) 生成了一个带有 SystemMessage 和 HumanMessage 的列表，可以传给聊天模型。

如何将聊天模型和提示词模板结合起来？将使用LangChain表达式语言（LCEL）构建一个链，这就要解锁LangChain的核心功能，即在聊天模型上构建模块化定制界面。

链和LangChain表达式语言（LCEL）

连接LangChain中的聊天模型、提示词和其他对象的粘合剂是链，链是LangChain中对象之间的一系列调用。构建链的推荐方法是使用LangChain表达式语言（LCEL）。

下面通过创建一个带有聊天模型和提示词模板的链，显示 LCEL 的含义。

• 1到42行是前面已经完成的。其中定义了 review_prompt_template ，这是一个回答有关患者评论问题的提示词模板。
• 第43行实例化一个 gpt-3.5-turbo-0125 聊天模型。
• 第44行，使用 | 符号定义了 review_chain ，该符号用于将 review_prompt_template 和 chat_model 串联在一起。

这样，就创建了一个对象 review_chain，它可以在一个函数调用中通过 review_prompt_template 和 chat_model 传递问题。本质上，抽象了 review_chain 的所有内部细节，允许像与聊天模型交互一样与链交互。

保存chatbot.py文件后，在基础项目文件夹中启动一个新的REPL会话。以下是使用 review_chain 的方式：

在这个块中，导入了 review_chain 并像以前一样定义了上下文和问题。然后，将一个包含上下文和问题键的字典传给 review_chan.invoke() ，这将上下文和问题在提示词模板和聊天模型间传递，并以之生成答案。

通常，LCEL允许使用管道符号( | )创建任意长度的链。例如，如果想格式化模型的响应，可以向链中添加一个输出解析器：

上述代码中，向 review_chain 添加了一个 StrOutputParser() 实例，这将使模型的响应更易于阅读。启动一个新的REPL会话并尝试一下：

与之前的相同，只是现在可以看到 review_chain 返回了一个格式良好的字符串，而不是 AIMessage 。

链的力量在于它所提供的创造力和灵活性，允许用户通过管道串联起复杂的结构，并用于创建聊天机器人，最终得到一个以单个方法调用即可执行的管道对象。

接下来，将向 review_chain 添加另一个对象，以从向量数据库检索文档。
​

​

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。